結(jié)合PCNN 和LOG 算子的高分辨率遙感影像邊緣檢測(cè)方法＊

黃克鳳，於雪琴，黃 亮

(1.昆明市測(cè)繪研究院，云南 昆明650051;2.昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明650093)

遙感影像作為重要的對(duì)地觀測(cè)數(shù)據(jù)源之一，已被廣泛用于資源調(diào)查、地圖更新、突發(fā)事件應(yīng)急處理、環(huán)境監(jiān)測(cè)等領(lǐng)域。但如何從遙感影像中自動(dòng)、快速且準(zhǔn)確地提取所需的地物專(zhuān)題信息是當(dāng)前遙感影像處理的熱點(diǎn)和難點(diǎn)，因?yàn)殡S著遙感影像空間分辨率的提高，地物專(zhuān)題信息提取的難度也會(huì)相應(yīng)地提高［1］，主要體現(xiàn)在高分辨率遙感影像數(shù)據(jù)量大、地物內(nèi)部細(xì)節(jié)復(fù)雜等。

為了更好地提取所需的地物專(zhuān)題信息，就需要充分利用高分辨率遙感影像的多維特征，如紋理特征、形狀特征及光譜特征。其中，邊緣信息是一種主要的形狀特征，它是遙感影像處理的基礎(chǔ)和關(guān)鍵［2］。邊緣是高分辨率遙感影像中屬性區(qū)域的分界和不確定性最大的地方，對(duì)高分辨率遙感影像的應(yīng)用和處理具有非常重要的作用［3］。目前針對(duì)高分辨率遙感影像的邊緣檢測(cè)算法還較少，已有的算法大多還是采用傳統(tǒng)的邊緣檢測(cè)算子，如Sobel 算子、LOG 算子、Laplacian 算子、SUSAN 算子、Kirsch算子以及Canny 算子等。但由于高分辨率遙感影像具有豐富的地物細(xì)節(jié)，而這些內(nèi)部細(xì)節(jié)將直接影響邊緣檢測(cè)的效果，采用傳統(tǒng)邊緣檢測(cè)算子難以有效地檢測(cè)出地物的輪廓邊緣。為此，提出一種結(jié)合PCNN 模型和LOG 算子的高分辨率遙感影像邊緣檢測(cè)方法，該方法利用PCNN 模型處理濾波后影像得到目標(biāo)影像，消除地物內(nèi)部細(xì)節(jié)給邊緣檢測(cè)造成的影響，然后采用LOG 算子提取出地物邊緣信息。

1 提出的邊緣檢測(cè)方法

1.1 PCNN 模型

PCNN 模型是由Eckhorn［4］等人于20 世紀(jì)90年代提出的一種新型神經(jīng)網(wǎng)絡(luò)模型，該模型已被廣泛用于影像分割、影像濾波、影像增強(qiáng)等領(lǐng)域，并得到了很好的結(jié)果。PCNN 模型如圖1 所示［5-7］。

PCNN 模型具體由如下三個(gè)部分組成:

(1)接收域

其作用在于接收來(lái)自其它神經(jīng)元及其它外部的輸入。接收域在接收到輸入后，將通過(guò)連接和反饋兩個(gè)獨(dú)立的通道進(jìn)行傳輸［8］。反饋輸入Fij［n］和連接輸入Lij［n］的計(jì)算公式如下:

圖1 PCNN 模型

式中，Wijkl和Mijkl表示為突觸權(quán)重系數(shù)，通常，Wijkl= Mijkl。Sij表示為外部刺激。在高分辨率遙感影像處理中，Sij表示為遙感影像中每個(gè)像素值。VF和VL表示為正則化常數(shù)。αF和αL表示為衰減時(shí)間常數(shù)，通常，αF＜αL。

(2)調(diào)制域

在反饋輸入Fij［n］和連接輸入Lij［n］接收到輸入后，將通過(guò)加權(quán)耦合連接輸入Lij［n］并對(duì)反饋輸入Fij［n］進(jìn)行非線性調(diào)制，以此來(lái)產(chǎn)生神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)Uij［n］，其計(jì)算公式如下:

式中，β 表示為連接參數(shù)。

(3)脈沖產(chǎn)生域

PCNN 模型產(chǎn)生脈沖是根據(jù)Uij［n］的一個(gè)階躍函數(shù)來(lái)產(chǎn)生二值輸出的，其根據(jù)神經(jīng)元點(diǎn)火與否的狀態(tài)進(jìn)行閾值動(dòng)態(tài)調(diào)整。若Uij［n］ ＞Tij［n］，則階躍函數(shù)輸出值為1，此時(shí)該神經(jīng)元點(diǎn)火;反之，階躍函數(shù)輸出值為0，該神經(jīng)元不點(diǎn)火。Yij［n］和Tij［n］的計(jì)算公式如下:

式中，αT表示為動(dòng)態(tài)閾值的衰減時(shí)間常數(shù)，VT表示為正則化常數(shù)。

1.2 LOG 算子

LOG 算子是一種經(jīng)典的邊緣檢測(cè)算子，它是由高斯濾波和拉普拉斯算子相結(jié)合而形成的［9］。假定高分辨率遙感影像f(x，y)的大小為M×N，則1 ≤x ≤M，1 ≤y ≤N。為了獲取影像邊緣信息，首先進(jìn)行卷積及拉普拉斯算子運(yùn)算，得到輸出圖像h(x，y)［10］:

通過(guò)卷積及微分可交換順序的性質(zhì)可以得出:

則LOG 算子為:

由二階導(dǎo)數(shù)的性質(zhì)可知，檢測(cè)遙感影像邊緣就是尋找h(x，y)的所有過(guò)零點(diǎn)。

1.3 基于PCNN 和LOG 算子的遙感影像邊緣檢測(cè)

假定X = {X(i，j)，1 ≤i ≤M，1 ≤j ≤N}為一幅高分辨率遙感影像，其大小為M 像素×N 像素，X(i，j)為高分辨率遙感影像上第i 行、第j 列像素的灰度值。為了實(shí)現(xiàn)基于PCNN 和LOG 算子的高分辨率遙感影像邊緣檢測(cè)，采用如下步驟，其基本流程如圖2 所示。

(1)采用中值濾波對(duì)輸入的高分辨率遙感影像進(jìn)行消噪處理;

(2)初始化PCNN 模型的參數(shù);

(3)采用PCNN 模型對(duì)濾波后高分辨率遙感影像進(jìn)行分割得到待處理的目標(biāo)影像;

(4)在獲得目標(biāo)影像后，采用LOG 算子對(duì)目標(biāo)影像進(jìn)行邊緣信息檢測(cè)。

(5)精度評(píng)價(jià)。

2 實(shí)驗(yàn)結(jié)果與分析

圖2 提出方法流程圖

為了驗(yàn)證提出方法的有效性和可行性，實(shí)驗(yàn)采用2009 年獲取的安寧市某局部區(qū)域的遙感影像，其空間分辨率為0.61 m。實(shí)驗(yàn)數(shù)據(jù)如圖3(a)所示，影像大小為669 像素×606 像素。實(shí)驗(yàn)平臺(tái)為Windows 7 操作系統(tǒng)，在Matlab R2010b 環(huán)境下編譯執(zhí)行。

為了驗(yàn)證提出方法的精度，采用視覺(jué)對(duì)比和敏感度［11］兩種評(píng)價(jià)方法。圖3(b)為采用傳統(tǒng)LOG算子得到的邊緣檢測(cè)結(jié)果，圖3(c)為采用提出的方法得到的邊緣檢測(cè)結(jié)果。從圖3(b)和3(c)中圓框部分可以看出，采用傳統(tǒng)LOG 算子檢測(cè)出大量的內(nèi)部“偽邊緣”，而采用提出的方法則未出現(xiàn)該問(wèn)題。從視覺(jué)對(duì)比來(lái)看，提出的方法與傳統(tǒng)LOG 算子相比，能得到更好的檢測(cè)結(jié)果。而從敏感度指標(biāo)也得出了相同的結(jié)果，采用傳統(tǒng)LOG 算子得到結(jié)果為0.0759，采用提出的方法得到結(jié)果也為0.0706。從視覺(jué)對(duì)比和敏感度兩種評(píng)價(jià)方法都可以看出，提出的方法優(yōu)于傳統(tǒng)的LOG 算子。

圖3 邊緣檢測(cè)

3 結(jié)論

為了有效、準(zhǔn)確地檢測(cè)出高分辨率遙感影像的邊緣信息，提出一種結(jié)合PCNN 和LOG 算子的高分辨率遙感影像邊緣檢測(cè)方法。該方法利用PCNN 模型對(duì)濾波后高分辨率遙感影像進(jìn)行分割得到目標(biāo)影像，并采用LOG 算子對(duì)目標(biāo)影像進(jìn)行邊緣檢測(cè)。為了驗(yàn)證提出方法的有效性和可靠性，采用2009 年獲取的安寧市某局部區(qū)域的高分辨率遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，并采用視覺(jué)對(duì)比和敏感度作為評(píng)價(jià)體系。實(shí)驗(yàn)結(jié)果表明，提出方法是一種有效、可靠的高分辨率遙感影像邊緣檢測(cè)方法。

［1］Huang L，F(xiàn)ang Y M，Zuo X Q，et al.Application of Markov chain to edge information extraction from high resolution remote sensing image［J］. Electronic Journal of Geotechnical Engineering，2013，18(O):3237 -3245.

［2］Maini R，Aggarwal H. Study and Comparison of Various Image Edge Detection Techniques［J］.International Journal of Image Processing，2009，3(1):1 -12.

［3］王相海，陳明瑩，徐孟春. Contourlet 概率分布的遙感圖像邊緣檢測(cè)方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2011，16(10):1900 -1907.

［4］Eckhorn R，Reitboeck H J，Arndt，et al. Feature Linking via Synchronization among Distributed Assemblies:Simulations of Results from Cat Visual Cortex［J］.Neural Computation，1990，2(3):293-307.

［5］Wang Z B，Ma Y D，Cheng F Y，et al. Review of Pulse-Coupled Neural Networks［J］. Image and Vision Computing，2010，28:5 -13.

［6］Wang Z B，Ma Y D，Gu J. Muiti-focus Image Fusion using PCNN［J］.Pattern Recognition，2010，43:2003 -2016.

［7］Yang Y M，F(xiàn)ang Y M，Huang L. An Edge Detection Method for UAV Image Based on Minimum Cross Entropy and Simplified PCNN［J］. Electronic Journal of Geotechnical Engineering，2014，19(Z2):10111 -10120.

［8］顧曉東，余道橫.PCNN 的原理及其應(yīng)用［J］.電路與系統(tǒng)學(xué)報(bào)，2001，6(3):45 -50.

［9］楊東華，李久賢，卞治國(guó).Marr 邊緣檢測(cè)算法的研究［J］.中國(guó)圖象圖形學(xué)報(bào)，2006，11(6):823 - 826.

［10］鄧彩霞，陰茵，馬偉鳳，等. 改進(jìn)的LOG 算子與小波變換融合的邊緣檢測(cè)方法［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2012，17(5):87 -90.

［11］Medina C R，Mu?oz S R，Carmona P A，et al.A Novel Histogram Transformation to Improve the Performance of Thresholding Methods in Edge Detection［J］. Pattern Recognition Letter，2011，32:676 -693.