全 文 ：第 52 卷 第 4 期
2 0 1 6 年 4 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 52，No. 4
Apr．，2 0 1 6
doi:10．11707 / j．1001-7488．20160402
收稿日期: 2015 － 04 － 30; 修回日期: 2015 － 10 － 22。
基金项目: 国家自然科学基金项目(31400612)。
* 李颖为通讯作者。
基于 ZY-3 影像的农田防护林自动提取*
幸泽峰1，2 李 颖1 邓荣鑫3 朱红雷1，2 付波霖1，2
(1．中国科学院东北地理与农业生态研究所 长春 130102; 2．中国科学院大学 北京 100049;
3．华北水利水电大学资源与环境学院 郑州 450045)
摘 要: 【目的】利用遥感技术分析东北地区农田防护林的光谱特征和空间几何特征，探究基于农田防护林特征
的高精度农田防护林自动提取方法，为大范围提取东北地区农田防护林及后续遥感监测研究提供基础数据支持。〗
【方法】以吉林省中部农田防护林典型建设区的德惠、农安境内部分区域为研究区，基于资源三号(ZY-3)多光谱遥
感影像，分析农田防护林的植被指数和空间几何特征; 以冬天有雪覆盖地表的 Landsat8 OLI 影像为辅助数据，提取
居民地边界作为掩膜数据; 提出利用面向对象方法处理二值图像，并结合数学形态学方法、GIS 技术来提取农田防
护林矢量化结果。【结果】在研究区 50 km × 50 km 范围内，农田防护林总长度为 304. 46 km，其中正确提取的农田
防护林 286. 42 km，多余提取 18. 05 km，遗漏提取 14. 19 km。结合该区已有的成果数据、野外观测数据、GeoEye 数
据及 ZY-3 影像，采用全区验证、野外实地验证和高分辨率影像验证 3 种精度验证方式。经全区验证，准确度为
89. 89%，冗余误差为 5. 66%，遗漏误差为 4. 45% ; 野外采集的 22 条林带，全部正确提取，长度提取精度为
93. 93%。【结论】在提取高植被覆盖度的农田防护林时，比值植被指数(RVI)比归一化植被指数(NDVI)更佳; 数
学形态学方法和面向对象方法在处理具有一定间断距离的线性特征地物特别是农田防护林时，效果较好;利用遥
感技术进行农田防护林自动提取时，应充分考虑农田防护林的物候信息、光谱信息及空间几何信息。基于 5. 8 m
空间分辨率的 ZY-3 多光谱影像，结合数学形态学、面向对象方法和 GIS 技术自动提取农田防护林能获得较高精
度，可以为东北地区农田防护林的大范围自动提取提供参考，为后续的农田防护林景观生态空间分析及动态监测
与管理提供技术支持。
关键词: 农田防护林; 遥感; 特征提取; 数学形态学; 面向对象
中图分类号: S757 文献标识码: A 文章编号: 1001 － 7488(2016)04 － 0011 － 10
Extracting Farmland Shelterbelt Automatically
Based on ZY-3 Remote Sensing Images
Xing Zefeng1，2 Li Ying1 Deng Rongxin3 Zhu Honglei1，2 Fu Bolin1，2
(1 ． Northeast Institute of Geography and Agroecology，Chinese Academy of Sciences Changchun 130102;
2 ． University of Chinese Academy of Sciences Beijing 100049;
3 ． School of Resources and Environment，North China University of Water Resources and Electric Power Zhengzhou 450045)
Abstract: 【Objective】 This paper was to explore a high precision automatic extraction method of farmland shelterbelt
in northeast China based on analyzing its spectral and spatial geometric characteristics． And the results will provide basic
data support for a wide range of farmland shelterbelt extraction and remote sensing monitoring．【Method】In this paper，
part zones of Dehui City and Nong’an County of Jilin Province were took as the study area． We analyzed the vegetation
index and spatial geometric features of the farmland shelterbelt based on ZY-3 multi-spectral image． The residential
boundary was extracted from Landsat8 OLI data． Then we put forward using the object-oriented method to deal with binary
image data． The vector results of farmland shelterbelt were extracted in combination with the mathematical morphology and
the GIS technology．【Result】The total length of farmland shelterbelt is 304. 46 km within the 50 km × 50 km study area．
The correct extraction of farmland shelterbelt is 286. 42 km，the excess extraction of 18. 05 km and missing extraction is
14. 19 km． In this study，we used the region verification，filed verification and high resolution images verification based
on existing outcome data，filed observation data，GeoEye image and ZY-3 image． As for reqion verification，the extraction
林 业 科 学 52 卷
accuracy is 89. 89%，the redundancy error is 5. 66% and the missing error is 4. 45% ． All 22 belts collected in field were
extracted correctly and the extraction accuracy of length is 93. 93% ．【Conclusion】The ratio vegetation index(RVI) is
better than the normalized difference vegetation index(NDVI) when extracting the farmland shelterbelts in high vegetation
coverage． Mathematical morphology method and object-oriented method have their unique advantages in processing linear
characteristic features which has a certain gap，especially for the farmland shelterbelt． It should be given full consideration
to the phenology information，spectral information and spatial geometry information of farmland shelterbelt when extracting
farmland shelterbelt automatically with remote sensing technology． Accuracy verification results show that the combination
of morphology，object-oriented methods and GIS technology to extract farmland shelterbelts can obtain higher accuracy
based on ZY-3 image． This method can give a reference for extracting the farmland shelterbelt automatically and widely in
northeast China． It also can provide technical support for the spatial analysis of landscape and the dynamic monitoring and
management in the future．
Key words: farmland shelterbelt; remote sensing; feature extraction; morphology; object-oriented
农田防护林，作为防护林的一种重要类型，是为
调整与改善脆弱、多灾的农田生态系统的结构和功
能，增强农田生态系统的抗干扰能力而在农田景观中
建立的由树木组成的具有多种功能的廊道网络系统
(曹新孙等，1983; 姜凤岐等，2003)。该系统可保护
土壤免受风蚀，提高作物对土壤水分的利用效率，改
善农田小气候环境，提高作物产量，并为野生动物提
供栖息环境，增加农田生态系统的生物多样性，其最
高目标是建立或恢复持续而稳定的高生产力、高生态
效益的农田生态系统(朱金兆等，2010; Brandle et
al．，2004; Campi et al．，2009; Shi et al．，2011)。农田
防护林在农业现代化进程中扮演着重要角色，世界各
国在进行农业现代化建设尤其在生态农业建设中，都
把农田防护林体系看作重要的内容(朱教君，2013)。
因此，快速掌握农田防护林的动态变化信息，为相关
管理和服务提供及时有效的信息支持，提高农、林业
的经营管理效率，具有非常重要的意义。
遥感技术使大范围、多尺度观测地面信息成为
可能 (赵英时，2003; 梅安新等，2001; 梁顺林等，
2013)，国内外众多学者已经开展了基于遥感技术
监测防护林状态的研究。邓荣鑫等(2011)、扈晶晶
(2014)分别利用 TM 数据和 ZY-3 数据分析了农田
防护林的光谱特征、形状信息，并采用决策树方法提
取农田防护林，但其提取结果是含多类地物的栅格
数据，不利于在农田防护林进行更深层次的信息挖
掘。郑晓等(2013)利用多尺度遥感影像估算三北
地区农田防护林面积，取得了较好的效果，但其使用
的 TM 和 CBERS-02B 影像分辨率较低，对于更新期
的幼林及残次林的提取效果较差，造成信息遗漏。
Czerepowicz 等(2012)利用高分影像 QuickBird2 对
农田防护林碳储量估算建模，在提取防护林时，提出
利用 Feature Analyst 软件中面向对象的方法，但该
方法需要大量的人工参与，属于半自动提取方法。
还有很多学者对提取线性目标地物信息做了大量工
作(黎夏，1995; 郭海涛等，2004; He Y et al．，
2009; Deng et al．，2013)，对于自动提取农田防护林
信息具有一定启示。本文旨在找出一种基于农田防
护林基本特征，提取效果能与目视解译相媲美、编辑
量小、速度快的提取方法。
农田防护林林带属于线性地物，常规遥感自动
提取方法存在一定难度，且精度低，无法满足实际需
求，因而农田防护林遥感信息提取多采用传统人机
交互目视解译的方法，通过专业人员直接观察或者
借助判读仪器在遥感图像上获取特定目标地物信
息;尽管精度较高，但费工费时、效率低，因此急需一
种速度快、精度高的自动提取技术。本研究根据农
田防护林的光谱特征及空间几何特征，基于 ZY-3 数
据、Landsat8 辅助数据，综合利用数学形态学和面向
对象的方法提取出农田防护林，然后使用 GIS 技术
进行矢量化，最终得到自动提取结果。
1 研究区概况与数据准备
1. 1 研究区概况
吉林省中部地区的德惠、农安、榆树和扶余等为
三北防护林工程农田防护林重点建设区，本研究选
择德惠和农安境内 50 km × 50 km 范围为研究区域
(125°68″—125°5122″E，44°141″—44°4848″N)。
如图 1 所示，左上图为东北地区农田防护林分布范
围，右上图为影像覆盖范围，右下图为局部放大区
域。研究区地处松辽平原中部腹地，地势平坦，属寒
温带半湿润大陆性气候，春季风害严重。区从 20 世
纪 50 年代就开始兴建农田防护林，特别是 1978 年
三北防护林工程实施以来，农田防护林建设更加系
统、完善，已实现林网化，是东北农田防护林建设典
21
第 4 期 幸泽峰等: 基于 ZY-3 影像的农田防护林自动提取
型区。
1. 2 数据准备
1. 2. 1 遥感数据 综合考虑遥感影像的可获得性
及农田防护林与农作物的物候特征，选取研究区
2013 年 5 月 22 日空间分辨率为 5. 8 m 的 ZY-3 多光
谱影像作为主要信息源; 选择 2014 年 1 月 4 日空
间分辨率为 30 m 的 Landsat8 OLI 影像作为辅助信
息源。
1. 2. 2 验证数据 验证数据包括研究区已有成果
数据、高分辨率影像数据和野外实地验证数据。全
区验证采用中国科学院科学先导项目之农田防护林
固碳速率的 2013 年农田防护林遥感调查矢量数据;
高分辨率影像数据采用 2014 年 4 月 25 日分辨率为
1. 65 m 的 GeoEye 多光谱影像; 野外实地验证数据
根据影像范围及交通可达性进行野外随机抽样采
点，记录所采集点农田防护林状态及 GPS 信息，采
集时间为 2015 年 6 月 4 日。
1. 2. 3 数据处理 在 ENVI5. 1 遥感处理软件中对
ZY-3 和 Landsat8 影像进行辐射定标和大气辐射校
正，采用正轴等积双标纬线圆锥投影(Albers)为地
理参考基准，将 3 种数据转换到统一的地理坐标系
和投影坐标系中，之后按 ZY-3 数据覆盖范围对
Landsat8 数据和目视解译产品进行裁剪。
图 1 研究区(标准假彩色显示影像)
Fig． 1 Study area( standard false color images)
2 研究方法
2. 1 技术流程
首先对遥感数据进行预处理，包括影像辐射校
正、大气校正和几何校正;其次基于 ZY-3 多光谱数
据计算比值植被指数，之后对其进行形态学的膨胀、
细化运算，基于 Landsat8 数据提取居民地边界作为
掩膜数据，用来去除居民地内的植被干扰信息;然后
基于二值图像和掩膜数据利用面向对象方法及 GIS
矢量化技术提取出农田防护林;最后对提取结果进
31
林 业 科 学 52 卷
行精度验证。具体技术流程如图 2 所示。
2. 2 植被指数分析
遥感图像上的植被信息，主要是通过绿色植物
叶子和植被冠层的光谱特性及其差异、变化来反应
的。根据植被的光谱特性，将卫星可见光红波段(R
band)和近红外波段(NIR band)进行组合，形成各
种植被指数。在植被遥感中，最常用的植被指数有
比值植被指数(RVI)和归一化植被指数(NDVI)，其
中 NDVI 应用最为广泛。比值植被指数可以表达
图 3 RVI 与 NDVI 的对比
Fig． 3 Comparison of RVI and NDVI
为:
RVI =
DNNIR
DNR
或 RVI =
ρNIR
ρR
。 (1)
式中: DN 为近红外、红波段的灰度值; ρ 为地表反
射率。绿色植被的 R 与 NIR 值有较大差异，RVI 值
大;而无植被地面 R 与 NIR 值差异小，RVI 值小。
所以，RVI 能增强植被与土壤背景之间的辐射差异;
而且在高密度植被覆盖下，RVI 对植被十分敏感，但
当植被覆盖度小时，其分辨能力下降。
对 RVI 进行非线性归一化处理可得到 NDVI，
使得其比值限定在［－ 1，1］范围内。其计算公
式为:
NDVI =
DNNIR － DNR
DNNIR + DNR
或 NDVI =
ρNIR + ρR
ρNIR + ρR
。(2)
NDVI 被认为是植被生长状态及植被覆盖度的
最佳指示因子，但也有一定的局限性。NDVI 是 NIR
和 R 波段比值的非线性拉伸，增强了 NIR 和 R 通道
的对比度，其结果是增强了低值部分，抑制了高值部
分(赵英时，2003)。以往在防护林遥感监测中，大
部分使用的是应用最广泛的 NDVI。
农田防护林林带范围内种植密集，农田防护林
图 2 技术流程
Fig． 2 Technical processes
在 5. 8 m 分辨率影像中具有较高的覆盖度，与土壤
背景差别明显，所以提取农田防护林，NDVI 并不是
最佳选择，因为其抑制了高值部分的农田防护林，增
强了低值背景，低值背景包括土壤、低覆盖度的灌
丛、草地等; 相反，RVI 在植被覆盖浓密的情况下效
果较好。本文基于 ZY-3 影像分别计算 NDVI 和
RVI，取影像中同一区域，且同为 2%线性拉伸显示，
如图 3 所示; 表 1 为 RVI 和 NDVI 的数值统计。
表 1 植被指数数值统计
Tab． 1 Vegetation index numerical statistics
最小值 Min． 最大值 Max． 平均值 Mean 标准差 SD
RVI 0. 083 9. 982 1. 619 0. 834
NDVI － 1 1 0. 203 0. 114
41
第 4 期 幸泽峰等: 基于 ZY-3 影像的农田防护林自动提取
2. 3 形态学方法
农田防护林种植后由于自然灾害、老化、人为因
素等常造成林带不完整，在设定阈值二值化后，存在
“断带”现象。这种“断带”现象有 2 种情况:一种是
“真断带”，一种是“假断带”。“真断带”是指林带
已经完全断开，断开处无防护林，林带不完整; “假
断带”是指断开处有防护林，但此处防护林稀少或
长势不好，在影像中不明显，RVI 值偏低。存在很多
林带经 RVI 二值化后断成了多个部分，如图 4A 所
示，这种“破碎化”给计算机自动提取一条完整林带
带来很大的困难。因此，本文根据农田防护林的这
一空间特征，提出利用数学形态学方法进行相关
处理。
图 4 形态学处理过程
Fig． 4 Morphological processing
数学形态学在图像处理、医学及模式识别领域
已经得到了广泛应用(Haralick et al．，1987);尤其在
遥感影像提取道路等线性地物方面，已经有很多学
者做了大量研究，并取得了很好的提取效果 (栾学
晨等，2014; 王耀革，2003; 顾徐博君等，2014; 戴
青云等，2001)。数学形态学的基本思想是利用具
有一定形态的结构元素去量度和提取图像中的对应
形状，以达到对图像分析和识别的目的 ( Serra，
1986)，有腐蚀、膨胀、开运算、闭运算 4 种基本运算，
基于这些基本运算可以推导和组合成各种实用算
法。数学形态学中二值图像的形态变换是一种针对
几何的处理过程，其算法实质是表达物体或者几何
与结构元素之间的运算，结构元素的形状决定了提
取的形状信息。结构元素是形态学中最基本的概
念，等效于信号处理中的“滤波器”。用 B( x)表示
结构元素，对图像 A 中的任一点 x，膨胀和腐蚀定
义为:
膨胀: X = A  B = y = B ( )y ∩ A ≠{ }Φ ; (3)
腐蚀: Y = A⊙B = x:B ( )x ∈{ }A 。 (4)
膨胀和腐蚀是数学形态学中 2 种最基本的运
算。先对图像进行膨胀后腐蚀运算的过程为闭运
算，闭运算可以填充物体内细小空洞、平滑边界、连
接临近物体等; 其逆过程为开运算，可以过滤掉细
小物体，并且分离连接薄弱的物体。细化相当于对
目标图像 A 的边界进行逐层剥落，最后宽度上只剩
单一像素来表示图像对象的几何特征，是一种“瘦
身”的过程。
选取具有代表性的几条林带进行如图 4 所示
的图像对比试验: 图 4A 为对 RVI 二值化结果(阈
值设为 2. 5 )，图 4B 为对图 4A 做膨胀处理结果，
图 4C 为对图 4A 做细化处理结果，图 4D 为对图
4B 做细化处理结果。由图 4 可以看出，经过膨胀
处理，可以把一条一定断裂宽度的林带连接上，再
经过细化运算，可以达到提取整条林带长度信息
的效果。
51
林 业 科 学 52 卷
2. 4 面向对象方法
面向对象的遥感影像分类技术是针对高分辨率
影像应用而兴起的，其基本思想是通过对影像的分
割，使纹理、光谱、形状等相同特征的像元组成大小
不同的对象。由于所分割出来的图像对象内部光谱
差异小，所以可以忽略对象的空间纹理信息，从光谱
信息和形状信息去刻画 (陈云浩等，2006; 梅天灿
等，2005; 胡进刚等，2006; Wiseman et al．，2009)。
这种利用图像对象的空间信息和光谱信息进行分
类，可以有效地克服纯基于像元分类的不足。面向
对象方法的基本过程包括影像分割、对象合并、影像
分类 3 个步骤，一般应用于全色影像或者多光谱影
像;但在高分辨率影像中，这种更多考虑地物空间特
征的方法往往能取得更好的分类效果。
2. 4. 1 掩膜提取 通过分析 ZY-3 影像发现，居民
地内的植被会影响农田防护林的提取，如能去除
其影响，将会明显提高最终提取精度。东北地区
冬季寒冷漫长，降雪充足，居民地在影像中与农业
用地特征差别明显，可以利用面向对象方法提取
出居民地的边界，作为掩膜参与农田防护林的自
动提取。掩膜数据可以很好地去除居民地内的植
被干 扰 成 分，达 到 区 分 农 田 防 护 林 的 目 的。
Landsat8 影像分辨率为 30 m，可以免费获取，本研
究选其作为辅助数据。
选取 2014 年 1 月 4 日成像的 Landsat8 多光谱
影像，经过预处理后，采用基于规则的面向对象方法
提取居民地边界。图像经分割合并后的对象具有长
度、面积、波段平均亮度值等属性，定义如下规则:
length ≥ 700 m、area ≥ 40 000 m2、R ∈ ［1 500，
5 300］、G∈［1 600，5 900］、B∈［1 800，6 000］、
NIR ∈［1 800，6 600］。length 为对象长度;area 为
面积;R，G，B，NIR 分别为红波段、绿波段、蓝波段和
近红外波段。结果如图 5，左图为真彩色图像，右图
为掩模结果。
图 5 掩膜提取结果
Fig． 5 The result of mask extraction
2. 4. 2 特征参数选择 本研究提出利用面向对象
方法处理二值图像，对二值图像进行分割，然后根据
其分割后的空间特征设定规则进行特征选择。邓荣
鑫等(2011)在分析防护林几何特征的基础上，提出
利用形状指数来衡量其形状上的差异。本文使用的
是与形状指数类似的指标———圆度 ( roundness)来
提取农田防护林。圆度在提取直线特征中可取得很
好的效果，其定义如下:
R = S
π(D /2) 2
。 (5)
式中: R 为圆度;S 为图斑面积;D 为多边形最长
直径(最长直径是指多边形外接矩形框的长轴长
度)。圆的值为 1，正方形的值为 4 /π，随着长度
的增大值随之变小。一条完整林带的长度基本
为400 m左右，当林带长度小于等于 100 m(不足
林带的 1 /4 长)时，整条林带严重缺失，将失去防
护效能。二值化后的 NDVI 经过形态学处理，林
带宽度方向为单像素，100 m 长度约为 20 个像素
长度，此时 R 值为 0. 06，长度越长，R 值越小。因
此，可以通过设定阈值为 R = 0. 06，将那些较短
直线、曲率大的线性地物剔除掉，达到提取直线
特征目标的目的。
61
第 4 期 幸泽峰等: 基于 ZY-3 影像的农田防护林自动提取
3 结果与分析
3. 1 防护林自动提取结果
由上述方法自动提取的农田防护林结果如图 6
所示。左图为提取结果与 ZY-3 真彩色影像叠加效
果图，提取的矢量结果分 3 个等级: 正确提取的用
红色线表示; 错误提取的用黄色线表示; 遗漏的用
浅蓝色线表示。右侧 3 幅小图 A，B，C 分别对应左
图的 A，B，C 处，为左图 3 处的局部放大，是提取结
果的典型代表区。其中，A 处为提取效果好的区域，
B 处为提取效果一般、存在部分遗漏提取现象的区
域，C 处为提取效果较差、存在较多错误提取和遗漏
提取现象的区域。
图 6 农田防护林提取结果及典型区
Fig． 6 The result of farmland shelterbelt extraction and typical areas
3. 2 精度验证
精度验证是对 2 幅图像进行比较，其中一幅是
需要进行评价的提取结果图像，另一幅是已知的认
为精确的参考图(赵英时，2003)。一般图像分类使
用混淆矩阵，并由此计算出基本的精度指标 (如总
体精度、用户精度、制图精度和 Kappa 系数)进行精
度评价。为了对提取结果的精度进行评价，并结合
农田防护林特征，本研究采用 3 种验证方式: 全区
验证、野外实地验证和高分辨率影像验证。
全区验证采用中国科学院科学先导项目之农田
防护林固碳速率的 2013 年农田防护林遥感调查成
果数据，并结合 ZY-3 多光谱影像进行更新，将已有
结果数据与验证数据叠加显示，对已有结果数据逐
条林带进行编号，1 为正确提取，2 为错误提取，遗
漏的防护林根据 ZY-3 影像画出，编号为 3。农田防
护林是典型的线性目标，所以通常将防护林的长度
作为评价参数，提出了 3 个定量分析评价指标: 准
确度、冗余误差和遗漏误差，其计算公式如下:
Δα = L1 / LT; (6)
Δβ = L2 / LT; (7)
Δγ = L3 / LT。 (8)
式中: Δα，Δβ，Δγ 分别为准确度、冗余误差和遗漏
误差; L1，L2，L3，LT 分别表示正确提取的总长度、多
余提取的总长度、遗漏提取的总长度和特征提取的
总长度。
71
林 业 科 学 52 卷
通过对矢量结果编号确定正确提取、多余提取
的非防护林及遗漏提取的农田防护林，在 ArcGIS 中
统计分析得出: L1 = 286. 42 km，L2 = 18. 05 km，
L3 = 14. 19 km，LT = 318. 65 km，并计算 得 到
Δα = 89. 89%，Δβ = 5. 67%，Δγ = 4. 45%。
野外实地验证根据影像覆盖范围和交通的可达
性设定路线，在路线附近随机采点，每个样点采集 2
条不同方向的林带，并使采样点在图像中大致均匀
分布，记录林带的 GPS 位置信息，共采集到 22 条防
护林。将 22 条林带按位置与 ZY-3 影像和自动提取
结果叠加显示，逐一进行确认，22 条林带都能提取
出来，但提取长度误差有所差别。
为进一步确定这 22 条林带的提取精度，本研究
采用 GeoEye 影像进行验证。将野外采集的农田防
护林 GPS 位置信息加载到 GeoEye 影像中，经过目
视判读提取对应林带的长度，22 条林带总长度为
11 258 m，对应自动提取结果的 22 条林带总长度
为10 575 m，提取精度为 93. 93%，每条林带提取长
度误差如图 7 所示。其中，采样点 7 和 14 误差较
大，对比 ZY-3 影像、GeoEye 影像及野外实地观测数
据，采样点 7 和 14 的林带提取误差较大是因为林带
缺失比较严重，断带距离较大，造成信息遗漏，而目
视解译的验证数据是将整条林带包括断带处都提取
出来。其余 20 个样点的提取误差较小，接近林带实
际长度。
图 7 GeoEye 影像验证
Fig． 7 Verification by GeoEye images
利用上述方法自动提取农田防护林的准确度为
89. 89%，冗余误差为 5. 67%，遗漏误差为 4. 45%，
能够基本完整地提取出整个试验区的农田防护林。
通过对比分析 RVI 和 NDVI，RVI 的对比度明显高于
NDVI，RVI 的数值分布范围也比 NDVI 更广，因此
RVI 更适用于提取农田防护林。将提取结果与原始
ZY-3 影像叠加显示可以发现，错误提取部分与防护
林几何特征相似，居民地外围栽植的四旁树被判定
为农田防护林，分布在河流两岸的灌丛、护岸林与防
护林有相似特征，也被错分为农田防护林; 去除居
民地内植被影响所建立的掩膜具有一定的误差。根
据这些特点，在特征提取后处理过程中将错误提取
的防护林删除，可降低冗余误差，提高准确度。遗漏
的防护林带一般紧挨着居民地，与居民地内的植被
连成片，面向对象方法提取过程中，将其与居民地内
的植被分割合并成同一对象而去除; 而且，一部分
林带由于其自然灾害或者认为破坏，导致林带缺失
严重而漏分; 另一部分由于影像有云覆盖使农田防
护林不具有明显的植被特征而造成缺失。此外，在
面向对象方法处理过程中，影像分割尺度大小及特
征参数阈值的设定也会给防护林的提取带来一定程
度的不确定性。
相比于目视解译方法，其提取精度低，而且存在
一定的漏分、错分现象;但是，其提取速度远快于目
视解译方法，位置精度也高于目视解译结果，因为目
视解译提取的矢量线往往与林带的中心位置有偏
移。数学形态学的细化算法是一个逐层剥离的过
程，最终得到的是林带“骨架”，即林带的中心位置。
与现有的线性地物提取方法相比，可以得出本文所
用方法的优点: 1) 数学形态学方法处理具有明显
线性几何特征数据具有明显优势。通过对二值图像
的膨胀处理可以将间隔一定短距离的防护林连接
上，形成一条完整的林带。通过对其细化处理可以
对林带进行“瘦身”，得到林带的骨架结构信息，单
81
第 4 期 幸泽峰等: 基于 ZY-3 影像的农田防护林自动提取
像素的骨架为林带的中心，位置精确度高。2) 面向
对象方法对影像进行分割，可以综合利用多种特征，
如形状上的、空间上的特征，而且对于二值图像，其
运算速度快。3) 提取的矢量结果后处理方便。矢
量数据可以直接应用到 GIS 空间分析中，加入适量
的人工目视判读，可以快速将错误提取的防护林删
除，并且这种以矢量形式输出的结果可以直接作为
数据源应用到进一步的分析研究中。
4 讨论
农田防护林在遥感影像中具有典型的植被特
征，但要从复杂的绿色植被中提取出来，不仅要分析
其光谱特征，也需充分利用其独特的空间几何特征。
本文从农田防护林的光谱特征和空间几何特征出
发，合理选择 5. 8 m 空间分辨率的国产 ZY-3 多光谱
影像作为试验数据，提出了利用面向对象方法处理
二值图像，并结合数学形态学方法及 GIS 技术，最终
提取出了农田防护林的矢量化结果。数学形态学处
理二值图像的形态变换是一种针对几何特征的处理
过程，所以利用形态学处理这种具有明显线性几何
特征的地物具有较好的效果; 且面向对象方法在高
分辨率影像分类中能取得比较满意的结果。本文提
出利用面向对象方法对二值图像进行分割，分割后
的对象具有相应的几何特征，选择圆度作为林带的
几何特征参数，从试验效果来看，也证明了此方法
可行。
虽然此提取结果精度比目视解译低，但是提取
速度快，并且在提取后处理过程中，提取的结果为矢
量数据，结合少量的目视解译，可以大幅度减小冗余
误差，提高准确度。因此，本文所用方法在提取其他
线性地物，如城市道路网、河流等也有一定的参考意
义。当然，该方法也存在一些不足，如数据处理过程
中横跨了 3 个图像处理平台 ENVI / IDL、Matlab 和
ArcGIS，在 3 个平台间数据切换会有一定的麻烦，之
后的研究应该基于 ENVI 或 ArcGIS 进行二次开发，
集中到同一平台下处理。而且，农田防护林具有一
定的方向性特征，针对这一特征可以进一步研究其
方向特征参数，综合其他几何特征，将会进一步提高
农田防护林的提取精度。
参 考 文 献
曹新孙 ． 1983． 农田防护林学 ． 北京: 中国林业出版社 ．
( Cao X S． 1983． Farmland shelterbelts． Beijing: China Forestry
Publishing House． ［in Chinese］)
陈云浩，冯 通，史培军，等 ． 2006． 基于面向对象和规则的遥感影
像分类研究 ．武汉大学学报:信息科学版，31(4) : 316 － 320．
(Chen Y H，Feng T，Shi P J，et al． 2006． Classification of remote
sensing image based on object oriented and class rules． Geomatics
and Information Science of Wuhan University，31(4) : 316 － 320．
［in Chinese］)
戴青云，余英林 ． 2001． 数学形态学在图象处理中的应用进展 ． 控
制理论与应用，18(4) : 478 － 482．
(Dai Q Y，Yu Y L． 2001． The Advances of mathematical morphology in
image processing． Control Theory and Applications，18(4) : 478 －
482． ［in Chinese］)
邓荣鑫，李 颖，张树文，等 ． 2011．基于 TM 影像的农田防护林信息
提取研究 ． 农业系统科学与综合研究，27(1) : 12 － 16．
(Deng R X，Li Y，Zhang S W，et al． 2011． Research on extracting
information of shelterbelt based on TM remote sensing images．
System Sciences and Comprehensive Studies in Agriculture，27(1) :
12 － 16． ［in Chinese］)
郭海涛，张保明，徐 青 ． 2004． 一种从遥感影像中自动提取线状
目标的方法 ． 信息工程大学学报，5(4) : 83 － 88．
(Guo H T，Zhang B M，Xu Q． An approach to automatic extracting
linear object from remote sensing image． Journal of Information
Engineering University，2004，5(4) : 83 － 88． ［in Chinese］)
顾徐博君，虞思逸，金叶蒙，等 ． 2014． 基于数学形态学和 Hough 变
换的复杂形态线状地物提取方法 ． 遥感技术与应用，29 (4 ) :
689 － 694．
(Gu X B J，Yu S Y，Jin Y M，et al． 2014． Complex linear topographic
features extraction using mathematical morphology and hough
transform． Remote Sensing Technology and Application，29 ( 4 ) :
689 － 694． ［in Chinese］)
胡进刚，张晓东，沈 欣，等 ． 2006． 一种面向对象的高分辨率影像
道路提取方法 ． 遥感技术与应用，21(3) : 184 － 188．
(Hu J G，Zhang X D，Shen X，et al． 2006． A method of road extraction
in high-resolution remote sensing imagery based on object-oriented
image analysis． Remote Sensing Technology and Application，
21(3) : 184 － 188．［in Chinese］)
扈晶晶 ． 2014． 基于 HJ-1 和 ZY-3 遥感图像的农田防护林信息提取
研究 ． 北京:北京林业大学硕士学位论文 ．
(Hu J J． 2014． The farmland shelterbelts extraction based on HJ-1 and
ZY-3 satellite images． Beijing: MS thesis of Beijing Forestry
University． ［in Chinese］)
姜凤岐，朱教君，曾德慧，等 ． 2003． 防护林经营学 ． 北京: 中国林业
出版社，19 － 31．
( Jiang F Q，Zhu J J，Zeng D H，et al． 2003． Management for protective
plantations． Beijing: China Forestry Publishing House，19 － 31． ［in
Chinese］)
梁顺林，李小文，王锦地，等 ． 2013． 定量遥感理念与算法 ． 北京: 科
学出版社 ．
(Liang S L，Li X W，Wang J D，et al． 2013． Quantitative remote
sensing: concept and algorithm． Beijing: Science Press． ［in
Chinese］)
黎 夏 ． 1995． 形状信息的提取与计算机自动分类 ． 环境遥感，
10(4) : 279 － 287．
(Li X． 1995． A New Method to Improve classification accuracy with
shape information． Remote Sensing of Environment，10(4) : 279 －
287． ［in Chinese］)
91
林 业 科 学 52 卷
栾学晨，范红超，杨必胜，等 ． 2014． 城市道路网主干道提取的形态
分析方法 ．武汉大学学报:信息科学版，39(3) : 327 － 331．
(Luan X C，Fan H C，Yang B S，et al． 2014． Arterial roads extraction
in urban road networks based on shape analysis． Geomatics and
Information Science of Wuhan University，39(3) : 327 － 331． ［in
Chinese］)
梅安新，彭望琭，秦其明，等 ． 2001． 遥感导论 ． 北京: 高等教育出版
社 ．
(Mei A X，Peng W L，Qin Q M，et al． 2001． An introduction to remote
sensing． Beijing: Higher Education Press． ［in Chinese］)
梅天灿，李德仁，秦前清 ． 2005． 基于直线和区域特征的遥感影像
线状目标检测 ． 武汉大学学报:信息科学版，30(8) : 689 － 693．
(Mei T C，Li D L，Qin Q Q． 2005． Knowledge based high resolution
remote sensing image segmentation． Geomatics and Information
Science of Wuhan University，30(8) : 689 － 693． ［in Chinese］)
王耀革 ． 2003． 基于数学形态学的遥感影像道路提取 ． 郑州:解放军
信息工程大学硕士学位论文 ．
(Wang Y G． 2003． Road extraction of remote sensing images based on
mathematical morphology． Zhengzhou: MS thesis of The PLA
Information Engineering University． ［in Chinese］)
朱教君 ． 2013． 防护林研究现状与展望 ． 植物生态学报，37 ( 9 ) :
872 － 888．
(Zhu J J． 2013． A review of the present situation and future prospect of
science of protective forest． Chinese Journal of Plant Ecology，
37(9) : 872 － 888． ［in Chinese］)
朱金兆，贺康宁，魏天兴 ． 2010． 农田防护林学 ．北京: 中国林业出版
社，13 － 15．
(Zhu J Z，He K N，Wei T X． 2010． Science of farmland shelterbelt．
Beijing: China Forestry Publishing House，13 － 15． ［in Chinese］)
郑 晓，朱教君，闫 妍 ． 2013． 三北地区农田防护林面积的多尺度
遥感估算 ． 生态学杂志，32(5) : 1355 － 1363．
(Zheng X，Zhu J J，Yan Y． 2013． Estimation of farmland shelterbelt
area in the three-north shelter / protective forest program regions of
china based on multi-scale remote sensing data． Chinese Journal of
Ecology，32(5) : 1355 － 1363． ［in Chinese］)
赵英时 ． 2003． 遥感应用分析原理与方法 ． 北京: 科学出版社，1 －
7，372 － 383．
(Zhao Y S． 2003． The principle and method of analysis of remote sensing
application． Beijing: Science Press，1 －7，372 －383． ［in Chinese］)
Brandle J R， Hodges L， Zhou X H． 2004． Windbreaks in north
American agricultural systems． New Vistas in Agroforestry， 1:
65 － 78．
Campi P，Palumbo A D，Mastrorilli M． 2009． Effects of tree windbreak
on microclimate and wheat productivity in a Mediterranean
environment． European Journal of Agronomy，30(3) : 220 － 227．
Czerepowicz L，Case B S，Doscher C． 2012． Using satellite image data
to estimate aboveground shelter belt carbon stocks across an
agricultural landscape． Agriculture， Ecosystems ＆ Environment，
156: 142 － 150．
Deng R X，Wang W J，Li Y，et al． 2013． A retrieval and validation
method for shelterbelt vegetation fraction． Journal of Forestry
Research，24(2) : 357 － 360．
Haralick R M，Stanley S R，Zhuang X． 1987． Image analysis using
mathematical morphology． IEEE Transactions on Pattern Analysis
and Machine Intelligence，9(4) :532 － 550．
He Y，Franklin S E，Guo X，et al． 2009． Narrow-linear and small-area
forest disturbance detection and mapping from high spatial resolution
imagery． Journal of Applied Remote Sensing，3(1) : 033570．
Serra J． 1986． Introduction to mathematical morphology． Computer
Vison，Graphics，and Image Processing，35(3) : 283 － 305．
Shi X L，Li Y，Deng R X． 2011． A method for spatial heterogeneity
evaluation on landscape pattern of farmland shelterbelt networks: a
case study in midwest of Jilin Province， China． Chinese
Geographical Science，21(1) : 48 － 56．
Wiseman G，Kort J，Walker D． 2009． Quantification of shelterbelt
characteristics using high-resolution imagery． Agriculture，
Ecosystems ＆ Environment，131(1) : 111 － 117．
(责任编辑 石红青)
02