基于邊緣檢測及RBF神經(jīng)網(wǎng)絡(luò)的遙感圖像幀特征動態(tài)識別技術(shù)

薛 薇，張 鋒，凡 靜，王 博，李 娜

(1.西安交通大學(xué)城市學(xué)院 計(jì)算機(jī)系，西安 710018；2.西安交通大學(xué) 電氣學(xué)院，西安 710049)

0 引言

邊緣檢測是計(jì)算機(jī)視覺與圖像處理的交叉研究問題，其目的在于對數(shù)字圖像中亮度發(fā)生明顯變化的節(jié)點(diǎn)對象進(jìn)行標(biāo)注。一般來說，數(shù)字節(jié)點(diǎn)表現(xiàn)出的顯著變化行為能夠反映出圖像屬性的變化規(guī)律，且對于變化規(guī)律的定義并不局限于連續(xù)性、非連續(xù)性、場景變化等某一特定方向[1]。RBF神經(jīng)網(wǎng)絡(luò)中文全稱為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，常保持三層前饋型連接模式，既可以用于對數(shù)據(jù)樣本進(jìn)行分類，也可以對函數(shù)表達(dá)式的取值結(jié)果進(jìn)行逼近處理。相較于其他類型的人工神經(jīng)網(wǎng)絡(luò)體系，RBF神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)更加簡單，能夠在快速學(xué)習(xí)數(shù)據(jù)信息的同時(shí)，提升網(wǎng)絡(luò)體系的泛化運(yùn)行能力[2]。從某種程度來說，邊緣檢測思想與RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)原則具有相似性，將二者結(jié)合能夠精準(zhǔn)提取目標(biāo)對象中的隱藏信息，且在選擇目標(biāo)對象時(shí)，并不設(shè)置明確的取樣條件。

遙感影像由衛(wèi)星相片、航空像片兩部分組成，特指能夠記錄地物電磁波水平的照片與膠片。能供計(jì)算機(jī)元件直接處理的遙感圖像一定是數(shù)字圖像，而通過攝影方式所獲取的圖像大多為模擬狀態(tài)，因此在錄入圖像信息時(shí)，需借助掃描儀等設(shè)備對其進(jìn)行模/數(shù)轉(zhuǎn)換處理。為了提升遙感影像的分辨率，相關(guān)學(xué)者紛紛對遙感圖像處理方法做出了研究。文獻(xiàn)[3]提出少樣本條件下基于生成對抗網(wǎng)絡(luò)的遙感圖像數(shù)據(jù)增強(qiáng)處理方法，通過全局決策的方式，對幀節(jié)點(diǎn)對象特征進(jìn)行識別，再借助訓(xùn)練集單位，實(shí)施對目標(biāo)信息的融合與檢測處理。文獻(xiàn)[4]提出基于偏好型支持向量機(jī)的遙感圖像云檢測技術(shù)，從灰度特征與紋理特征的角度著手，對遙感圖像的幀特征信息進(jìn)行識別，可以通過偏好訓(xùn)練的方式，確定節(jié)點(diǎn)對象所處位置，并實(shí)施針對性識別與處理。然而上述兩種方法的應(yīng)用并不足以解決分辨率超限的問題，因此達(dá)不到100%精準(zhǔn)識別的目標(biāo)。針對上述問題，設(shè)計(jì)基于邊緣檢測及RBF神經(jīng)網(wǎng)絡(luò)的遙感圖像幀特征動態(tài)識別方法。

1 遙感圖像邊緣檢測

遙感圖像邊緣檢測的實(shí)現(xiàn)，需要根據(jù)微分算子取值，求解OTSU閾值，從而對邊緣節(jié)點(diǎn)追蹤參數(shù)進(jìn)行精準(zhǔn)計(jì)算，本章節(jié)將針對上述內(nèi)容展開深入研究。

1.1 微分算子

微分算子從微分思想的角度，對遙感圖像中幀特征參量的梯度水平進(jìn)行描述，如果所采集到遙感圖像具有數(shù)字圖像的表現(xiàn)特征，那么只要保障微分算子求解結(jié)果按照灰度變化梯度規(guī)則進(jìn)行排序，就可以實(shí)現(xiàn)對遙感圖像幀特征對象的精準(zhǔn)識別[5-6]。對于微分算子的求解需要以導(dǎo)向量系數(shù)為基礎(chǔ)，具體計(jì)算式如下：

(1)

所謂微分就是指無限縮小，在識別遙感圖像幀特征時(shí)，只有確保對象樣本的取樣空間足夠小，才能夠避免既定特征參量在單一識別區(qū)間內(nèi)頻繁出現(xiàn)，因此對于微分算子的計(jì)算，還要保障幀特征參量的取值空間小于數(shù)字化圖像的最小分辨率條件[7]。設(shè)i1、i2表示兩個隨機(jī)選取的微分取樣參數(shù)，且i1≠i2的不等式條件恒成立，δ表示幀特征對象在單一樣本空間內(nèi)的取樣標(biāo)準(zhǔn)值，I表示遙感圖像的幀特征定義結(jié)果，e、u表示兩個不相等的幀特征對象梯度參數(shù)，聯(lián)立式(1)，可將遙感圖像微分算子表達(dá)式定義為：

(2)

如果幀特征對象不存在于遙感圖像邊緣區(qū)域之內(nèi)，那么微分算子的取值將與數(shù)字圖像的灰度水平無關(guān)，故而為使微分算子表達(dá)式影響遙感圖像的邊緣檢測結(jié)果，只能在同一邊緣區(qū)域內(nèi)對幀特征對象進(jìn)行取樣。

1.2 OTSU閾值

OTSU閾值就是在數(shù)據(jù)樣本保持最大類間距情況下求解所得的方差結(jié)果，在識別遙感圖像幀特征參數(shù)時(shí)，對于該項(xiàng)物理指標(biāo)的求解，不要求數(shù)據(jù)樣本的取值來源于同一個數(shù)值區(qū)間，所以即便是在邊緣檢測區(qū)域內(nèi)，運(yùn)算主機(jī)也可以根據(jù)OTSU閾值的取值結(jié)果，判斷幀特征對象的數(shù)值變化情況[8-9]。由于微分算子只能反映出遙感圖像的灰度變化規(guī)則，沒有在非邊界與非統(tǒng)一背景的情況下對幀特征參數(shù)的方差結(jié)果進(jìn)行要求，所以在求解OTSU閾值時(shí)，還要將幀特征參數(shù)在非邊界與非統(tǒng)一背景情況下的取值結(jié)果考慮在內(nèi)。

非邊界情況下的幀特征參數(shù)取值條件：

(3)

非統(tǒng)一背景情況下的幀特征參數(shù)取值條件：

(4)

聯(lián)立式(2)～(4)，推導(dǎo)OTSU閾值定義式如下：

(5)

式中，ΔQ表示邊緣檢測區(qū)域內(nèi)遙感圖像幀特征數(shù)據(jù)的取值總量，φ表示方差統(tǒng)計(jì)參數(shù)。OTSU閾值等于零表示實(shí)施遙感圖像邊緣檢測的過程中，主機(jī)元件可以對幀特征參數(shù)進(jìn)行無差別識別。

1.3 邊緣節(jié)點(diǎn)追蹤參數(shù)

節(jié)點(diǎn)追蹤是一種動態(tài)搜索思想，對于遙感圖像邊緣區(qū)域的檢測，采用節(jié)點(diǎn)追蹤的方式對幀特征參量進(jìn)行動態(tài)識別，既可以避免數(shù)據(jù)樣本出現(xiàn)相互覆蓋的情況，也能夠?qū)崿F(xiàn)對某一個或某一類樣本對象的精準(zhǔn)識別[10-11]。對于邊緣節(jié)點(diǎn)追蹤參數(shù)的計(jì)算涉及對幀特征參量覆蓋率、數(shù)據(jù)樣本利用價(jià)值的求解，具體計(jì)算式如下：

(6)

遙感圖像邊緣檢測還要求數(shù)據(jù)樣本取值的唯一性，因此在求解邊緣節(jié)點(diǎn)追蹤參數(shù)時(shí)，還要求幀特征參量覆蓋率、數(shù)據(jù)樣本利用價(jià)值的取值必須屬于同一個樣本區(qū)間[12]。設(shè)λ表示遙感圖像幀特征參量在單位檢測區(qū)域內(nèi)的動態(tài)匹配系數(shù)，s表示實(shí)時(shí)追蹤向量，D表示單位時(shí)間內(nèi)的幀特征對象檢測總量，聯(lián)立式(6)，可將邊緣節(jié)點(diǎn)追蹤參數(shù)計(jì)算結(jié)果表示為：

(7)

為在同一邊緣區(qū)域內(nèi)完成對遙感圖像幀特征參量的取值，要求γ≠0、W≠0的不等式取值條件同時(shí)成立。

2 RBF神經(jīng)網(wǎng)絡(luò)識別模型

2.1 RBF神經(jīng)網(wǎng)絡(luò)機(jī)制

RBF神經(jīng)網(wǎng)絡(luò)機(jī)制是一個集成的數(shù)據(jù)處理結(jié)構(gòu)，能夠借助神經(jīng)網(wǎng)絡(luò)終端將已輸入的遙感圖像幀特征樣本改寫成指令執(zhí)行文件，從而得到多樣化的動態(tài)識別結(jié)果，以便于網(wǎng)絡(luò)主機(jī)在實(shí)施邊緣檢測的過程中，能夠較好解決分辨率超限的問題[13]。遙感圖像分辨率超限是一個普遍存在的問題，對于網(wǎng)絡(luò)主機(jī)而言，其在完成邊緣檢測時(shí)，如果能夠利用RBF神經(jīng)網(wǎng)絡(luò)機(jī)制提取大量的幀特征參量，就可以在長、寬、高3個方向上對圖像幀特征對象模型進(jìn)行模擬，從而在精準(zhǔn)識別特征參量的同時(shí)，控制分辨率指標(biāo)的波動變化行為[14]。RBF神經(jīng)網(wǎng)絡(luò)機(jī)制的具體作用原理如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)機(jī)制的作用原理

規(guī)定dmin表示遙感圖像幀特征對象建模參數(shù)的最小取值，dmax表示建模參數(shù)的最大取值，且二者屬于遙感圖像的同一邊緣檢測區(qū)域，ι表示圖像幀特征參量的神經(jīng)性表達(dá)參數(shù)。在上述物理量的支持下，聯(lián)立式(7)，推導(dǎo)RBF神經(jīng)網(wǎng)絡(luò)機(jī)制作用表達(dá)式如式(8)所示。

(8)

神經(jīng)網(wǎng)絡(luò)終端不具備過濾數(shù)據(jù)樣本信息的能力，所以網(wǎng)絡(luò)主機(jī)在錄入遙感圖像幀特征樣本時(shí)，必須過濾數(shù)據(jù)參量中的不合理信息。

2.2 神經(jīng)性激活函數(shù)

激活函數(shù)在改變RBF神經(jīng)網(wǎng)絡(luò)中遙感圖像幀特征參量的數(shù)學(xué)關(guān)系方面起到了關(guān)鍵影響作用。加入激活函數(shù)之前，前一神經(jīng)網(wǎng)絡(luò)階層中遙感圖像幀特征參量的取值直接影響后一網(wǎng)絡(luò)階層中特征參量的數(shù)值表達(dá)結(jié)果，所以圖像幀特征參量在RBF神經(jīng)網(wǎng)絡(luò)機(jī)制中總是呈現(xiàn)相對混亂的表現(xiàn)狀態(tài)[15-16]。加入激活函數(shù)之后，前一神經(jīng)網(wǎng)絡(luò)階層中遙感圖像幀特征參量被激活函數(shù)進(jìn)行了映射定義，因此后一網(wǎng)絡(luò)階層中特征參量指標(biāo)的取值總是呈現(xiàn)非線性狀態(tài)，從某種程度來說，神經(jīng)性激活函數(shù)具有非線性表達(dá)能力。設(shè)g表示前一神經(jīng)網(wǎng)絡(luò)階層中遙感圖像幀特征參量的函數(shù)賦值結(jié)果，f表示后一網(wǎng)絡(luò)階層中遙感圖像幀特征參量的函數(shù)賦值結(jié)果，η表示圖像幀特征參量在RBF神經(jīng)網(wǎng)絡(luò)中的傳輸效率，κ表示基于RBF神經(jīng)網(wǎng)絡(luò)機(jī)制的函數(shù)激活參數(shù)，聯(lián)立式(8)，推導(dǎo)神經(jīng)性激活函數(shù)表達(dá)式如下：

(9)

RBF神經(jīng)網(wǎng)絡(luò)識別模型的構(gòu)建除了影響網(wǎng)絡(luò)主機(jī)對于遙感圖像幀特征參量的邊緣檢測結(jié)果，還決定了樣本參數(shù)的實(shí)際取值結(jié)果能否適應(yīng)幀特征參量的動態(tài)識別條件。

3 遙感圖像幀特征的動態(tài)識別

在邊緣檢測與RBF神經(jīng)網(wǎng)絡(luò)模型的作用下，為實(shí)現(xiàn)對遙感圖像幀特征的動態(tài)識別，還應(yīng)根據(jù)幀特征分割條件，確定超像素指標(biāo)的取值范圍，并聯(lián)合動態(tài)合并條件，計(jì)算并行識別參量的具體數(shù)值結(jié)果。

3.1 幀特征分割

神經(jīng)網(wǎng)絡(luò)主機(jī)對于遙感圖像幀特征的分割遵循如下處理流程：幀特征參量在網(wǎng)絡(luò)體系中保持動態(tài)分布的排列形式，對于RBF神經(jīng)網(wǎng)絡(luò)模型而言，這種數(shù)據(jù)樣本 分布方式便于邊緣檢測算法的實(shí)施，能夠在保持幀特征參量樣本特性的同時(shí)，使網(wǎng)絡(luò)主機(jī)能夠?qū)ζ溥M(jìn)行精準(zhǔn)識別[17-18]。為避免分辨率超限問題的發(fā)生，神經(jīng)網(wǎng)絡(luò)主機(jī)在分割幀特征參量時(shí)還要遵循按需提取原則，且單一識別指令的執(zhí)行只能得到幀特征參量的預(yù)分割處理結(jié)果。具體的分割處理執(zhí)行步驟如圖2所示。

圖2 遙感圖像的幀特征分割步驟

聯(lián)立式(9)所示的神經(jīng)性激活函數(shù)，可將遙感圖像的幀特征分割表達(dá)式定義為：

(10)

3.2 超像素指標(biāo)

(11)

由于RBF神經(jīng)網(wǎng)絡(luò)在識別遙感圖像幀特征時(shí)，只在邊緣區(qū)域內(nèi)對數(shù)據(jù)樣本進(jìn)行檢測，所以為避免全局提取事件的發(fā)生，應(yīng)在求解超像素指標(biāo)之前，計(jì)算邊緣區(qū)域內(nèi)幀特征參量平均值的取值范圍。

3.3 動態(tài)合并條件

(12)

3.4 并行識別參量

(13)

RBF神經(jīng)網(wǎng)絡(luò)對于遙感圖像幀特征參量的邊緣檢測，不會對數(shù)據(jù)樣本進(jìn)行重復(fù)取樣，因此網(wǎng)絡(luò)主機(jī)運(yùn)行所得到的幀特征參量動態(tài)識別結(jié)果具有唯一性。

4 實(shí)例分析

4.1 實(shí)驗(yàn)流程

為驗(yàn)證上文所設(shè)計(jì)識別方法的應(yīng)用能力，設(shè)計(jì)如下對比實(shí)驗(yàn)。

1)在圖1所示遙感圖像中，提取一個面積為3 000 μm× 3 000 μm的像素區(qū)域作為實(shí)驗(yàn)用幀特征樣本參量；

2)利用基于邊緣檢測及RBF神經(jīng)網(wǎng)絡(luò)的遙感圖像幀特征動態(tài)識別技術(shù)，對所選實(shí)驗(yàn)區(qū)域內(nèi)的幀特征樣本進(jìn)行識別，所得實(shí)驗(yàn)結(jié)果記為實(shí)驗(yàn)組變量；

3)利用少樣本條件下基于生成對抗網(wǎng)絡(luò)的遙感圖像數(shù)據(jù)增強(qiáng)處理方法，對所選實(shí)驗(yàn)區(qū)域內(nèi)的幀特征樣本進(jìn)行識別，所得實(shí)驗(yàn)結(jié)果記為A對照組變量；

4)利用基于偏好型支持向量機(jī)的遙感圖像云檢測技術(shù)對所選實(shí)驗(yàn)區(qū)域內(nèi)的幀特征樣本進(jìn)行識別，所得實(shí)驗(yàn)結(jié)果記為B對照組變量；

5)統(tǒng)計(jì)所得變量數(shù)據(jù)，總結(jié)實(shí)驗(yàn)規(guī)律；

圖3 遙感圖像的幀特征樣本提取

完成像素區(qū)域提取后，應(yīng)對其進(jìn)行無誤差復(fù)制，以確保實(shí)驗(yàn)組、對照組所需識別的幀特征樣本參量保持一致。

4.2 參數(shù)描述

分辨率超限是影響網(wǎng)絡(luò)主機(jī)對于遙感圖像識別能力的主要因素。在既定像素區(qū)域內(nèi)，主機(jī)元件分別從長、寬、高3個方向?qū)b感圖像進(jìn)行識別，且3個方向上對于幀特征對象的識別精度都會影響分辨率超限問題的表現(xiàn)程度。由于分辨率超限是一種普遍存在的圖像識別問題，所以只有在識別精度保持為100%的情況下(完全精準(zhǔn)識別)，才能夠避免該問題的出現(xiàn)。

圖4反映了本次實(shí)驗(yàn)過程中所定義的坐標(biāo)軸方向及長、寬、高3個方向上對于幀特征對象的選取。

圖4 識別方向定義

由于所選像素區(qū)域?yàn)檎叫?，且?guī)卣鲗ο蟊３志鶆蚍植紶顟B(tài)，所以在識別過程中，每一方向上幀特征對象的取樣長度都完全相等。

4.3 數(shù)據(jù)解析

每隔500 μm設(shè)置一個取樣點(diǎn)，在包含兩端零點(diǎn)的情況下，每一方向上設(shè)置7個取樣點(diǎn)。由于實(shí)驗(yàn)過程中不會出現(xiàn)幀特征參量相互覆蓋的情況，所以只需確定每一取樣點(diǎn)處主機(jī)元件對于幀特征參量的識別位置是否與其真實(shí)位置保持一致，就可以判斷出所選用方法對遙感圖像幀特征參量的識別能力。

表1記錄了主機(jī)元件對幀特征參量的具體識別結(jié)果。

分析表1可知，在整個實(shí)驗(yàn)過程中，實(shí)驗(yàn)組方法作用下，長、寬、高3個方向上遙感圖像幀特征參量識別結(jié)果均與真實(shí)情況保持一致；A對照組方法作用下，第1、第2號取樣點(diǎn)在長、寬、高3個方向上的遙感圖像幀特征參量識別結(jié)果與真實(shí)情況保持一致，從第3個取樣點(diǎn)開始，識別結(jié)果與真實(shí)情況出現(xiàn)了偏差；B對照組方法作用下，第1、第2、第3號取樣點(diǎn)在長、寬、高3個方向上的遙感圖像幀特征參量識別結(jié)果與真實(shí)情況保持一致，從第4個取樣點(diǎn)開始，識別結(jié)果與真實(shí)情況出現(xiàn)了偏差。

表1 遙感圖像幀特征參量識別結(jié)果(單位:μm)

由于本次實(shí)驗(yàn)所選像素區(qū)域面積有限，所以在第7個取樣點(diǎn)處，實(shí)驗(yàn)識別結(jié)果剛好等于或大于真實(shí)情況，識別結(jié)果都會與真實(shí)情況相等，因此第7個取樣點(diǎn)處識別結(jié)果的參考價(jià)值相對較小。

綜上可知：少樣本條件下基于生成對抗網(wǎng)絡(luò)的遙感圖像數(shù)據(jù)增強(qiáng)處理方法、基于偏好型支持向量機(jī)的遙感圖像云檢測技術(shù)的應(yīng)用，并不能保證長、寬、高3個方向的遙感圖像識別結(jié)果均與真實(shí)情況保持一致，故而其對于分辨率超限問題的解決能力也就相對有限；基于邊緣檢測及RBF神經(jīng)網(wǎng)絡(luò)的遙感圖像幀特征動態(tài)識別技術(shù)的應(yīng)用，在長、寬、高3個方向上都可以實(shí)現(xiàn)對遙感圖像的精準(zhǔn)識別，這就表示該方法能夠有效解決分辨率超限問題，符合精準(zhǔn)識別遙感圖像特征的實(shí)際應(yīng)用需求。

5 結(jié)束語

遙感圖像幀特征動態(tài)識別技術(shù)對于數(shù)據(jù)樣本參量的識別借助RBF神經(jīng)網(wǎng)絡(luò)，并可以根據(jù)邊緣檢測結(jié)果，對微分算子與OTSU閾值進(jìn)行計(jì)算，由于神經(jīng)性激活函數(shù)可以同時(shí)約束幀特征分割表達(dá)式與超像素指標(biāo)求解結(jié)果，所以邊緣節(jié)點(diǎn)追蹤參數(shù)始終與并行識別參量保持?jǐn)?shù)值匹配關(guān)系。相較于其他類型的識別應(yīng)用技術(shù)，這種新型算法的應(yīng)用，在長、寬、高3個方向上都實(shí)現(xiàn)了對遙感圖像幀特征對象的100%精準(zhǔn)識別，分辨率超限問題能夠得到較好解決，在實(shí)用性方面具有突出作用價(jià)值。