基于門檻值法的空間形態(tài)地域特征識別

陳寧靜，翟玉慶

(東南大學(xué)成賢學(xué)院，江蘇 南京 210032)

1 引言

空間形態(tài)地域特征是指在城鄉(xiāng)規(guī)劃過程中，由多層次的集鎮(zhèn)、村莊及其管轄范圍內(nèi)分布的多種功能特征構(gòu)成的空間體系。城鄉(xiāng)相互依存，互為補(bǔ)充，共同構(gòu)建起城鄉(xiāng)互動的完整體系。相對于城市而言，鄉(xiāng)村通常處于從屬地位，但鄉(xiāng)村也同樣具有自己獨(dú)特的內(nèi)涵，是一個具有生產(chǎn)、生活和生態(tài)等多種功能的地域空間類別[1]。我國經(jīng)濟(jì)持續(xù)發(fā)展，城市經(jīng)濟(jì)不斷向鄉(xiāng)村滲透，鄉(xiāng)村地域也處于轉(zhuǎn)型發(fā)展與改造的過程中。

江蘇地處長江經(jīng)濟(jì)帶，是我國發(fā)展水平最高的省份之一。近年來，鄉(xiāng)村格局的優(yōu)化調(diào)控成為現(xiàn)階段建設(shè)社會主義新農(nóng)村的重要目標(biāo)。江蘇省自然環(huán)境的過渡性和區(qū)域經(jīng)濟(jì)文化具有較大差異，構(gòu)成了多樣化的鄉(xiāng)村空間格局，也加速了鄉(xiāng)村空間形態(tài)地域的變化程度[2]。因此，獲取鄉(xiāng)村空間形態(tài)地域特征識別信息，從而了解鄉(xiāng)村目前發(fā)展?fàn)顟B(tài)，是目前學(xué)者亟需研究的重要目標(biāo)。

文獻(xiàn)[3]提出一種適用于形狀固定空間網(wǎng)絡(luò)結(jié)構(gòu)的特征識別方法，選擇一個典型的球面測地線網(wǎng)絡(luò)作為初始狀態(tài)，其桿長在一個極限信號內(nèi)。然后，根據(jù)變換引起的桿長變化，對桿施加壓縮，將該網(wǎng)絡(luò)變換成所需的橢球形狀。采用動態(tài)松弛法，通過施加殘余力，對節(jié)點(diǎn)位置進(jìn)行顯式積分。在特征識別過程中，創(chuàng)新性地將橢球面上約束節(jié)點(diǎn)的邊界條件視為節(jié)點(diǎn)位置處曲面法向上的反作用力，該反作用力與桿件上的壓應(yīng)力反向分量相平衡。在每個顯式迭代步驟中，節(jié)點(diǎn)位置也根據(jù)固定的形式條件進(jìn)行修正。在時間歷程的序列結(jié)果中，通過適當(dāng)選擇收斂準(zhǔn)則，從狀態(tài)的時間歷程中找到最優(yōu)解。文獻(xiàn)[4]以蘿卜寨為例，提出羌族傳統(tǒng)村落空間形態(tài)特征識別，首先分析羌族傳統(tǒng)村落的自然形成環(huán)境，然后提出羌族村落的空間形態(tài)特征、最后分析建筑布局特色，從這三個方面分析構(gòu)建傳統(tǒng)村落的空間形態(tài)特征識別方法。

本文提出一種基于門檻值法的空間形態(tài)地域特征識別方法，實(shí)現(xiàn)鄉(xiāng)村空間形態(tài)地域的結(jié)構(gòu)規(guī)模和形態(tài)差異分布的格局特征，為江蘇省新農(nóng)村規(guī)劃建設(shè)提供劃分指導(dǎo)的研究支撐和優(yōu)化調(diào)控的科學(xué)依據(jù)。

2 空間形態(tài)地域特征圖像數(shù)據(jù)采集及處理

空間形態(tài)地域特征紅外遙感圖像數(shù)據(jù)采集系統(tǒng)內(nèi)包含SRAM、CCD線陣相機(jī)、FPGA芯片、UART調(diào)試總線、下位機(jī)、VGA顯示板塊，具體系統(tǒng)架構(gòu)如圖1所示。

圖1 圖像采集系統(tǒng)架構(gòu)圖

由圖1可知，SRAM作用于實(shí)時緩存采集的目標(biāo)數(shù)據(jù)，CCD線陣相機(jī)作用于實(shí)時拍攝數(shù)據(jù)目標(biāo)，UART為一種串行數(shù)據(jù)總線，和計(jì)算機(jī)進(jìn)行連接，從而調(diào)試系統(tǒng)；下位機(jī)作用于接收FPGA處理結(jié)果的控制信號；VGA可以顯現(xiàn)出空間形態(tài)地域特征圖像處理結(jié)果。FPGA控制板塊是空間形態(tài)地域特征圖像采集系統(tǒng)的全局關(guān)鍵控制區(qū)域，兼顧圖像的采集與處理，包括采集板塊和處理板塊。圖像采集板塊關(guān)鍵任務(wù)是及時保存相機(jī)拍攝的圖像信息，數(shù)據(jù)處理板塊主要是去除圖像內(nèi)的冗余信息，修復(fù)可用的真實(shí)數(shù)據(jù)，極大程度簡化了數(shù)據(jù)的操作流程。

為了增強(qiáng)遙感空間圖像成像質(zhì)量，抑制圖像噪聲，以便對后續(xù)地域特征識別提供有效幫助，下面是對紅外遙感圖像進(jìn)行預(yù)處理。將紅外焦平面陣列各個陣元的響應(yīng)率描述為

R(i，j)=Vs(i，j)/H(i，j)

(1)

式中，R(i，j)是第i行、j列陣元的響應(yīng)率，Vs(i，j)是此陣元的參照輻射源反應(yīng)電壓，H(i，j)是陣元收到的輻射能。通過式(1)可知，針對一個勻稱黑體輻射源，因?yàn)榻蛊矫娓鱾€陣元的響應(yīng)率均不相同，會致使各個陣元輸出的響應(yīng)也不相等，繼而形成輸出圖像灰度分布不均特征[5]。常用的非均勻特征包含三種定義，將本文方法采用的圖像非均勻特征記作

(2)

在現(xiàn)階段的非均勻校準(zhǔn)方法中，時域高通濾波算法計(jì)算簡便，使用此方法可同時實(shí)現(xiàn)增強(qiáng)目標(biāo)的目的。

在算法運(yùn)算過程中，背景圖像估算是一個重要步驟，由于圖像的不均勻特性很難利用數(shù)學(xué)模型進(jìn)行表達(dá)，因此在實(shí)際操作中，選擇大尺度高斯濾波進(jìn)行背景估算，也能得到較好的估算結(jié)果[6]。

(3)

式中，en(x)、on(x)分別表示復(fù)小波轉(zhuǎn)換的實(shí)部與虛部，其幅值及相位信息依次記作

(4)

Φn(x)=atan 2(on(x)，en(x))

(5)

去噪過程就是將各個尺度設(shè)定一個門限值，經(jīng)過去除噪聲分量來有效降低濾波器響應(yīng)矢量的幅值，同時維持相位不變。相位保持方法可直接運(yùn)用在加性高斯噪聲過濾，擁有很好的應(yīng)用空間。

基于高通濾波方法與基于相位保持的濾波方法，分別對圖像灰度分布的非均勻性及噪聲的控制具備一定的成效，但在多數(shù)狀態(tài)下，非均勻性與噪聲是同時存在的，所以要將其進(jìn)行統(tǒng)一，確保防止出現(xiàn)非均勻現(xiàn)象的同時，實(shí)現(xiàn)減少噪聲的目標(biāo)[7]。

一般情況下，對于一幅包含噪聲的紅外遙感圖像I(x，y)而言，將其定義為

I(x，y)=S(x，y)+η(x，y)

(6)

式中，S(x，y)是待評估的真實(shí)圖像，η(x，y)表示噪聲分量?；叶确植挤蔷鶆蛱卣鲿率箞D像信噪比大幅降低，非均勻特征也是一種空間噪聲，所以，把噪聲分量η(x，y)描述為

η(x，y)=ηr(x，y)+ηs(x，y)

(7)

式中，ηr(x，y)是隨機(jī)噪聲，ηs(x，y)代表空間非均勻特征噪聲。

利用以上建立的紅外遙感圖像噪聲模型，融合高通濾波的非均勻校準(zhǔn)定理保持濾波方法，設(shè)計(jì)一種改進(jìn)的濾波算法[8]，把非均勻性校準(zhǔn)加入相位保持方法內(nèi)，具體計(jì)算過程如下：

3 基于門檻值法的空間形態(tài)地域特征劃分模型

門檻值回歸模型的基礎(chǔ)模式為：

yit=μ+Xit(qit<γ)β1+Xit(qit>γ)β2+ui+eit

(8)

式中，qit是門檻變量，γ是對應(yīng)的門檻值，其系數(shù)依次是β1、β2，參數(shù)ui表示個體反應(yīng)，eit為隨機(jī)干擾項(xiàng)。也可將該模型變換成

yit=μ+Xit(qit，γ)β+ui+eit

(9)

(10)

如果γ的值是已知量，利用最小二乘估計(jì)獲得β的估算值為

(11)

式中，y*與X*表示組內(nèi)誤差。若要明確γ值就必須要搜尋門檻變量集合qit，無需搜尋全部樣本[9]。γ的估算值為殘差平方和的最低值，具體公式為

(12)

4 基于改進(jìn)型PCNN賦時矩陣的地域特征識別方法

傳統(tǒng)PCNN模型公式為：

Fij[n]=exp(-αF)Fij[n-1]+VF+Iij

(13)

Lij[n]=exp(-αL)Lij[n-1]+VL

(14)

Uij[n]=Fij[n](1+βLij[n])

(15)

(16)

θij[n]=exp(-αθ)θij[n-1]+VθYij[n]

(17)

式中，下標(biāo)ij表示神經(jīng)元標(biāo)號；n是迭代次數(shù)；Iij、Fij[n]、Lij[n]、Uij[n]、θij[n]依次為神經(jīng)元的外部作用、第ij個神經(jīng)元第n次回歸輸入、相連輸入、內(nèi)部運(yùn)動值及臨界值；M、N是鏈接權(quán)值矩陣；VF、VL、Vθ分別表示Fij[n]、Lij[n]、與θij[n]的幅度常數(shù)，αF、αL、αθ是對應(yīng)的衰退指數(shù)，β是鏈接指數(shù)。

圖像處理的過程中，把二維網(wǎng)絡(luò)M×N神經(jīng)元依次和輸入圖像M×N像素相對照，生成輸出序列Y[n]。Y[n]內(nèi)擁有圖像邊緣位置和紋理特征數(shù)據(jù)，完成特征數(shù)據(jù)識別。

因?yàn)閭鹘y(tǒng)神經(jīng)元L通道內(nèi)信號擁有一定程度的冗雜性，它的大小和通道變量、神經(jīng)元相鄰區(qū)域的點(diǎn)火神經(jīng)元個數(shù)相關(guān)，引發(fā)了神經(jīng)元的冗雜性，不利于得到物理概念清楚的可靠算法。

此外，ULPCNN模型內(nèi)即便臨界值為指數(shù)衰降，但轉(zhuǎn)換效率過高，此種臨界值機(jī)制導(dǎo)致圖像處理后，依舊存在數(shù)量眾多的信息隱藏于神經(jīng)元的頻度內(nèi)[10]，處理后的輸出圖像涵蓋的信息完整度不高。

為了改善上述不足，本文在傳統(tǒng)PCNN的前提下，對ULPCNN采取簡化，將臨界值函數(shù)進(jìn)行修復(fù)改進(jìn)，也就是將伴隨時間反復(fù)變化的指數(shù)函數(shù)轉(zhuǎn)換為伴隨時間單操控下降函數(shù)，同時融合神經(jīng)元之前輸出的每個次脈沖信號[11-12]。在妥善思考圖像處理的局部數(shù)據(jù)狀態(tài)下，加入局部離散系數(shù)，繼而讓統(tǒng)計(jì)特性的鏈接強(qiáng)度βij完成自適應(yīng)，將此過程用離散數(shù)學(xué)解析式表示為

Fij[n]=Iij

(18)

(19)

Uij[n]=Fij[n](1+βij[n]Lij[n])

(20)

(21)

式中，βij可通過圖像處理的局部數(shù)據(jù)采取自動調(diào)節(jié)，θθ實(shí)現(xiàn)自動調(diào)節(jié)時，應(yīng)當(dāng)擇取空間形態(tài)地域特征圖像整體像素最大灰度數(shù)值Imax，也就是θθ=Imax，以此AUPCNN模型內(nèi)能夠設(shè)定的參變量就僅有αθ，大幅提升了模型自適應(yīng)穩(wěn)定性。在βij≠0的情況下，神經(jīng)網(wǎng)絡(luò)的處理效率不僅能獲得像素對照神經(jīng)元數(shù)據(jù)，還可得到相鄰位置的有關(guān)數(shù)據(jù)。

在圖像迭代處理過程中，設(shè)定一個賦時矩陣T，在T內(nèi)保存和各個神經(jīng)元點(diǎn)火時段相關(guān)的時間數(shù)據(jù)，將其描述為

(22)

賦時矩陣呈現(xiàn)出圖像空間內(nèi)的時間數(shù)據(jù)，迭代過程一直持續(xù)至全部神經(jīng)元后，T內(nèi)因子值都不是0為止，最終構(gòu)成PCNN賦時矩陣T。

在物理學(xué)中，將一個平面離散質(zhì)點(diǎn)系的質(zhì)心描述成

xc=∑xrmr/∑mr，yc=∑yrmr/∑mr

(23)

式中，mr是坐標(biāo)(xr，mr)位置質(zhì)心質(zhì)量，∑mr是質(zhì)點(diǎn)系質(zhì)量，(xc，yc)是指點(diǎn)系的重心，映射出質(zhì)點(diǎn)系形態(tài)、體積和緊密系數(shù)等固有特征。本文把這個理論加入到圖像特征識別中，采用PCNN處理之后，將其引入圖像像素部分相鄰時間數(shù)據(jù)賦時矩陣內(nèi)

為了對不同內(nèi)容和大小的圖像進(jìn)行賦時矩陣中心特征識別，將其采取歸一化處理，表示為

ic0=ic/M，jc0=jc/N

(24)

PCNN賦時矩陣中心特征可以維持圖像良好的不變性，保證不同圖像具備不同的賦時矩陣重心特征，實(shí)現(xiàn)精準(zhǔn)的空間形態(tài)地域特征識別。

5 仿真研究

為了驗(yàn)證本文方法的實(shí)用性，將地形圖當(dāng)作鄉(xiāng)村的區(qū)域位置，每個圖斑都是一個待識別目標(biāo)，用等距離的空間最小可識別目標(biāo)序列當(dāng)作尺子，運(yùn)用不同的尺子對待識別目標(biāo)實(shí)施測量。

圖2、圖3是本文方法的特征識別性能仿真結(jié)果，從圖中可知，在空間最小可識別單元的對數(shù)值高于11.64時，雙對數(shù)曲線雖然沒有過多的線性改變，但近似和線性擬合曲線重疊，其浮動在有限范圍內(nèi)的幅度較小，可將其浮動當(dāng)做線性變化；對數(shù)值低于11.64時，雙對數(shù)曲線遠(yuǎn)離線性擬合曲線，傾斜率變化比較明顯，呈現(xiàn)出非線性關(guān)聯(lián)趨勢。雖然二者存在不一致區(qū)域，但線性區(qū)域基本能夠重疊，可將其當(dāng)作線性區(qū)域的可靠認(rèn)證，繼而明確了特征分布的存在區(qū)域范圍，實(shí)現(xiàn)了特征區(qū)域的準(zhǔn)確劃分。

圖2 空間最小可識別目標(biāo)和雙對數(shù)鄉(xiāng)村數(shù)量曲線

圖3 空間最小可識別單元與雙對數(shù)鄉(xiāng)村面積曲線

為了進(jìn)一步驗(yàn)證本文基于門檻值法的空間形態(tài)地域特征識別方法的有效性，利用文獻(xiàn)[3]方法和文獻(xiàn)[4]方法對比分析空間形態(tài)地域特征耗時情況。表1是三種方法空間形態(tài)地域特征識別耗時對比結(jié)果。

表1 不同方法空間形態(tài)地域特征識別耗時/s

從表1可以看出，對比文獻(xiàn)[3]方法和文獻(xiàn)[4]方法，本文方法識別耗時較短，具備較高的識別效率，能夠完成空間形態(tài)地域的高效率識別，保證鄉(xiāng)村規(guī)劃過程的可靠性與高效性。

6 結(jié)論

為了進(jìn)一步提高鄉(xiāng)村空間形態(tài)地域分布特征識別精度，提出一種基于門檻值法的空間形態(tài)地域特征識別方法。搭建紅外遙感圖像數(shù)據(jù)采集系統(tǒng)，通過融合高通濾波的非均勻性校準(zhǔn)和相位保持的去噪方法，抑制紅外圖像灰度分布不均現(xiàn)象，剔除噪聲影響，完成圖像數(shù)據(jù)采集和處理；利用基于門檻法的空間形態(tài)地域特征劃分模型，區(qū)分不同空間形態(tài)地域的基礎(chǔ)特征，對ULPCNN閾值函數(shù)及鏈接強(qiáng)度進(jìn)行修正改進(jìn)，得到一個從空間圖像信息到時間信息的賦時矩陣映射圖，采用物理學(xué)相關(guān)概念定義賦時矩陣重心不變特性，實(shí)現(xiàn)高效率空間形態(tài)地域特征識別，為江蘇省鄉(xiāng)村規(guī)劃建設(shè)提供有效幫助。