An accurate detection of agricultural fields is often needed for agricultural-related applications, such as subsidies monitoring, field-based crop yield estimation and agricultural statistics extraction. High-resolution space images have become the fundamental source to extract agricultural field boundaries. Manual boundary delineation is not practical. In this study, we present an approach to detect agricultural fields from satellite images on the basis of agricultural field blocks. An agricultural field block consists of one or more fields that are owned by the farmers. The approach combines the Otsu’s thresholding algorithm and marker-controlled watershed (MCW)-based segmentation. First, the well-separated field segments within a field block being considered are detected through recursive processing of the Otsu’s thresholding algorithm. Then, these distinct field segments are used to generate a marker image, and further extraction of individual fields is carried out through a marker-controlled watershed (MCW)-based segmentation. The approach was tested using 10-m resolution Satellite Pour l’Observation de la Terre (SPOT)-5 multi-spectral (XS) image, 4-m resolution IKONOS XS image, 2.40-m resolution QuickBird XS image, and 0.60-m resolution QuickBird pan-sharpened (PS) image. The results were evaluated using the reference field boundary dataset. The achieved overall accuracies were 89.7, 83.2, 81.0, and 77.4% for the IKONOS XS, QuickBird XS, SPOT-5 XS, and QuickBird PS images, respectively. The results are promising and indicate that the approach can be used for the extraction of agricultural fields from space imagery.

中文翻译：

---

使用组合 Otsu 阈值算法和基于标记控制的流域变换的卫星图像农田检测

农业相关应用通常需要准确检测农田，例如补贴监测、基于田间的作物产量估算和农业统计数据提取。高分辨率空间图像已成为提取农田边界的基本来源。手动划界是不切实际的。在这项研究中，我们提出了一种基于农田块从卫星图像中检测农田的方法。一个农田块由一个或多个农民拥有的田地组成。该方法结合了 Otsu 的阈值算法和基于标记控制的分水岭 (MCW) 的分割。首先，通过 Otsu 阈值算法的递归处理来检测正在考虑的字段块内分离良好的字段段。然后，这些不同的场段用于生成标记图像，并通过基于标记控制的分水岭 (MCW) 的分割来进一步提取各个场。该方法使用分辨率为 10 米的 Satellite Pour l'Observation de la Terre (SPOT)-5 多光谱 (XS) 图像、4 米分辨率的 IKONOS XS 图像、2.40 米分辨率的 QuickBird XS 图像和 0.60 米进行测试分辨率 QuickBird 全色锐化 (PS) 图像。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。并且通过基于标记控制的分水岭（MCW）的分割来进一步提取单个字段。该方法使用分辨率为 10 米的 Satellite Pour l'Observation de la Terre (SPOT)-5 多光谱 (XS) 图像、4 米分辨率的 IKONOS XS 图像、2.40 米分辨率的 QuickBird XS 图像和 0.60 米进行测试分辨率 QuickBird 全色锐化 (PS) 图像。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。并且通过基于标记控制的分水岭（MCW）的分割来进一步提取单个字段。该方法使用分辨率为 10 米的 Satellite Pour l'Observation de la Terre (SPOT)-5 多光谱 (XS) 图像、4 米分辨率的 IKONOS XS 图像、2.40 米分辨率的 QuickBird XS 图像和 0.60 米进行测试分辨率 QuickBird 全色锐化 (PS) 图像。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。该方法使用分辨率为 10 米的 Satellite Pour l'Observation de la Terre (SPOT)-5 多光谱 (XS) 图像、4 米分辨率的 IKONOS XS 图像、2.40 米分辨率的 QuickBird XS 图像和 0.60 米进行测试分辨率 QuickBird 全色锐化 (PS) 图像。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。该方法使用分辨率为 10 米的 Satellite Pour l'Observation de la Terre (SPOT)-5 多光谱 (XS) 图像、4 米分辨率的 IKONOS XS 图像、2.40 米分辨率的 QuickBird XS 图像和 0.60 米进行测试分辨率 QuickBird 全色锐化 (PS) 图像。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。使用参考场边界数据集评估结果。IKONOS XS、QuickBird XS、SPOT-5 XS 和 QuickBird PS 图像的总体准确度分别为 89.7、83.2、81.0 和 77.4%。结果很有希望，表明该方法可用于从空间图像中提取农田。