城市绿地是生态文明建设的关键环节^[1]，对城市的温湿度、空气质量、物候变化、居民身心及城市建设等有重要影响。通过遥感技术进行城市绿地研究具有成本低、效率高等优势。遥感影像分割是遥感研究的基础之一，是影像分析和处理的经典问题。影像分割的实质是分类问题，将影像中的像素分割为不同的类别区域^[2]。传统分割算法进行地物分割时，其地物边缘的锯齿状现象严重，影响了制图美观，而大多数高分辨率遥感分割分类研究都集中在分类精度上，却忽视了分割时地物边缘锯齿现象与实际情况的差异。与传统分割算法不同，基于深度学习的分割算法在大量学习人工标注数据集后，其分割边缘特征与人工绘制的效果相似。

Ostu算法是由学者大津在1997年提出，又称为最大类间方差法^[3]。该算法是经典图像阈值分割方法。以阈值K将图像分割为目标与背景，而阈值K是通过图像、目标对象以及背景像素均值的最大类间方差决定^[4]。MeanShift算法也叫均值漂移算法，是一种基于Parzen窗口的非参数核密度估计方法^[5]。该算法收敛于概率密度最大的像素区域，是一种基于梯度最优的算法。FNEA(fractal net evolution approach)算法译为分形网络演化算法，该算法核心为异质性的判定，包括分割对象光谱异质性、形状异质性及整体异质性。在遥感影像分割领域，FNEA算法被写入eCognition软件中，被称为多尺度分割算法，众多面向对象的遥感影像分类研究都基于FNEA算法^[6-10]。MeanShift算法在遥感影像分割中也有所运用^[11-12]。相较而言，Ostu算法在遥感影像分割研究中的运用有所欠缺。基于深度学习的遥感影像分割分类是当前研究的热点，本文使用DeepLab-v3+实现城市绿地的语义分割。DeepLab系列^[13]是由Google针对图像语义分割设计而成的深度学习网络模型，DeepLab-v3+网络模型相较于之前版本主要有4个方面的提升，分别是使用编解码模式(encoder-decoder)^[14]、深化空洞卷积(atrous convolution)、深度可分卷积(depthwise separable convolution)，以及空洞空间金字塔池化(atrous spatial pyramid pooling)。文献[15]进行遥感影像分割中发现DeepLab-v3+具有稳健的边缘特征，与现有的神经网络模型相比，该方法具有更高的分割分类精度，而且分割边缘更为光滑。

本文使用Ostu、MeanShift、FNEA及DeepLab-v3+对高分辨率遥感影像进行城市绿地信息的分割研究，并在Ostu、MeanShift及FNEA分割算法的基础上分别使用KNN、RF、SVM进行城市绿地提取。然后利用基于像素的评价方法来比较传统分割方法和深度学习方法的分类精度。结合分割性能和分类精度，对基于深度学习的DeepLab-v3+方法能否有效解决传统分割分类中城市绿地边缘锯齿现象的问题进行研究。

上海地区属于亚热带季风性气候，气候温和，雨水丰富，适宜绿地建设。该研究区域绿地规划合理，植被长势茂盛。研究使用的影像来自WorldView卫星，影像的获取时间为2019年4月，面积约为8.8 km²。通过GS融合^[16]，得到4个波段的影像，空间分辨率为0.5 m。

精确度、召回率及F值可以对全局分割性能进行评价，因此通过精确度、召回率和F值能从整体上评价分割算法的分割性能。具体的分割性能见表 1。

通过表 1中4种分割算法的精确度、召回率及F值的计算可以得到：DeepLab-v3+的分割性能最好，其次是FNEA算法。

图 1为针对不同分割算法选取典型区域得到的4张分割效果图。从分割效果图中可以发现，基于传统分割算法的地物分割边缘锯齿现象严重，而基于深度学习的DeepLab-v3+分割算法的边缘光滑，更符合人工制图的要求，得到的分割效果图更加美观。

图 1 基于Ostu、MeanShift、FNEA及DeepLab-v3+算法的分割效果图

图选项

本文充分利用高分辨率遥感影像的光谱、形状和纹理特征。使用的光谱特征为:Mean、Brightness、Max.diff; 形状特征为:Asymmetry、Border index、Compactness、Shape index；纹理特征为:GLCM_Ent、GLCM_Con、GLCM_Asm。

基于对象的精度评价方式更多考虑对象整体的分类正确性；而基于像素的评价方式可以更多地体现城市绿地的边缘特征，能有效对比出DeepLab-v3+与传统分割分类方法的边缘差异，因此检验像素将主要位于绿地边缘区域。表 2是基于样本像素进行城市绿地提取精度评价的结果。从表 2中可以发现，精度最高的是DeepLab-v3+，精度为98.01%；其次是基于FNEA分割算法的SVM提取方法，精度为94.38%。基于深度学习的DeepLab-v3+算法的精度比传统分割方法精度提高了3.63%。

图 2是基于Ostu、MeanShift、FNEA分割算法在KNN、RF、SVM分类算法下提取城市绿地及基于DeepLab-v3+算法提取城市绿地的效果图。结合表 2和图 2可以发现，基于深度学习的DeepLab-v3+方法基于人工标注数据集进行学习，提取的绿地及边缘处理效果都与人工绘制相近，因此DeepLab-v3+算法提取的城市绿地边缘光滑，制图美观，提取精度高。而基于传统的分割分类方法提取的绿地边缘锯齿状现象严重，制图效果差。因此，基于深度学习的DeepLab-v3+方法比传统分割分类方法更适合进行城市绿地的提取及相应专题图的制作。

图 2 基于不同分割算法不同分类器的城市绿地提取效果

图选项

进行城市绿地分割研究时，合适的分割算法能够有效提高城市绿地的提取精度。使用精确度、召回率及F值可以有效地评价分割算法的性能。本文中使用的分割算法的性能由低到高为MeanShift、Ostu、FNEA、DeepLab-v3+。基于深度学习的DeepLab-v3+算法分割边缘光滑，符合人工制图标准，较好地解决了传统分割算法绿地边缘锯齿现象严重的问题。基于像素的精度评价标准更适合本文的分割分类研究，DeepLab-v3+在基于像素的城市绿地提取精度评价中精度最高，达到98.01%。综上可得，基于深度学习的DeepLab-v3+在城市绿地分割分类研究中性能优于传统分割分类算法，可以有效解决传统算法分割边缘锯齿问题，而且绿地分割边界光滑，提取精度高，制图美观。