CN107154048A - 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 - Google Patents
一种脉冲耦合神经网络模型的遥感图像分割方法及装置 Download PDFInfo
- Publication number
- CN107154048A CN107154048A CN201710323678.7A CN201710323678A CN107154048A CN 107154048 A CN107154048 A CN 107154048A CN 201710323678 A CN201710323678 A CN 201710323678A CN 107154048 A CN107154048 A CN 107154048A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- segmentation
- neuron
- pulse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进简化脉冲耦合神经网络模型的遥感图像分割方法及装置,该方法包括以下步骤:灰度处理步骤:对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像;参数最优值确定步骤:采用最小交叉熵方法确定最优分割阈值及最优迭代次数n;初始分割步骤:对典型简化的脉冲耦合神经网络模型参数赋值,并利用该模型对遥感图像进行分割,形成初始分割结果;形态分割步骤:利用形态学分割方法对上述初始分割结果再次进行分割得到最终分割结果。本发明具有实现简便,运行速度快,对农村公路的分割精确、边缘平滑的优点。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体涉及一种基于神经网络的高分辨率遥感图像分割方法。同时还涉及一种改进简化脉冲耦合神经网络模型的遥感图像分割的装置,特别针对分辨率0.2m~0.5m的遥感影像。
背景技术
近几年来,随着传感器技术与信息技术的快速发展,从不同卫星传感器、航空飞机、无人机等所获得的遥感图像在空间分辨率上有了大幅度的提高,从而使高分辨率遥感技术所提供的各种精细化的信息,为各行各业地理空间数据的更新提供了强大的技术支撑。但也由于遥感图像的高分辨率,使其在较好地表现更多的精细信息的同时增大了噪声对有用信息提取的影响,并且一般的图像分割方法容易产生过分割现象,因而影响了从遥感图像中有用信息的提取。
图像分割是一种关键的图像分析技术,目的是通过对图像的分析和研究,将感兴趣的目标或区域提取出来。图像分割是承接图像处理与图像分析直接的关键步骤,也是进一步图像理解的基础。图像分割有着很长的研究历史,一直是研究的热点和焦点问题,几十年来也提出了数以千计的算的算法。迄今为止,没有一个通用的图像分割方法,能解决特定的问题,目前还面临着许多挑战。由于受到噪声、光照等污染使得图像模糊不清,图像细节和边缘信息无法完全分割出来。目前国内外常用的图像分割方法分有基于阈值分割、基于边缘分割、基于神经网络分割等。在遥感图像分割领域应用较多的经典算法有:基于阈值分割的区域生长算法和基于边缘检测的Hough变换直线检测。当图像结构简单时,区域生长法和Hough变换直线检测法能很好地将公路从图像中分割出来;但当图像结构复杂、噪声较多时,二者会出现过分割现象或者欠分割的现象。
脉冲耦合神经网络(PCNN)是一种基于猫的视觉原理构建的简化神经网络模型,正是因为它具有生物学背景,该方法已广泛应用于图像平滑、图像分割、图像细化、边缘检测和路径跟踪等各个方面,并取得了显著成果。尤其是在图像分割应用中,PCNN能较好地分离目标和背景部分的重叠。但由于PCNN模型中有多个参数,这些参数值的变换决定着PCNN的运行结果,所以原始的PCNN算法应用于图像分割时,需要对多个参数不断调试,过程繁琐,难以找到规律,并且迭代次数无法自动确定。
在我国经济快速发展的背景下,农村公路建设作为我国当前进一步扩大内需、促进经济增长的十项措施之一,农村公路发展迅速,2015年底全国农村公路里程达到398万公里。由于农村公路点多、线长、面广,传统调查手段是地方上报和实地抽检,上报数据可能存在漏报、虚报,而实地抽检耗时长且有诸多触不到的“死角”,使得农村公路管理成为“老大难”问题,因此,迫切需要通过遥感等技术手段客观获取真实的数据。
所以本发明针对高分辨率遥感影像农村公路影像,分为两个步骤:初始分割和最终分割,初始分割:利用最小交叉熵方法自动确定分割的迭代次数,再根据简化PCNN模型分割图像得到初始结果;最终分割:结合形态学处理在初始结果的基础上对该图像进行分割,得到最终分割结果,为进一步提取道路信息提供了有效的途径。
发明内容
本发明发明了一种改进简化脉冲耦合神经网络模型的遥感图像分割方法及装置,目的是提供一种针对高分辨率(分辨率为0.2m~0.5m)的遥感图像(包括无人机影像)上的农村公路分割的方法,能有效地避免PCNN的参数过多的现象;并且利用最小交叉熵方法自动确定迭代次数;本发明利用形态学方法对简化的PCNN所得到的初始分割结果获取图像内每个斑块的面积,并通过算法内部给出的面积值,对初始的分割结果进行进一步分割,有效减轻了简化的PCNN的“过分割”现象;本发明所得到的分割结果通过与经典算法区域生长法和Hough变换直线检测方法相比较,能有效降低周围噪声产生的影响、避免出现过分割或欠分割的现象,且分割出来的目标对象边缘平滑。
本发明的另一个目的是在于提供了一种基于简化PCNN模型的高分辨率遥感图像分割装置,该装置能够有效地分割出道路,并且避免了PCNN的参数过多的现象,有效地降低周围噪声产生的影响、避免出现过分割或欠分割的现象,且分割出来的道路目标边缘平滑。
为实现上述目的,本发明所采取的技术方案为:
本发明的构思为:对输入进来的图像采用加权平均方法对图像进行灰度化处理,并显示处理后的图像;再利用最小交叉熵得到最优迭代次数,即通过计算目标之间的目标交叉熵,即道路之间的交叉熵以及背景之间的背景交叉熵,并用其和作为原图像和分割图像之间的交叉熵,通过迭代的方法得到最优分割阈值,使原图像和分割图像之间的交叉熵最小,从而进一步得出最优迭代次数;然后对典型简化的PCNN模型参数赋值,包括对阈值衰减时间常数(Alpha),连接强度系数(Beta)和输入的阈值(Threshold);其中Alpha指控制着阈值的下降速度,Alpha越大,阈值衰减越快,模型运行次数越少;相反,Alpha越小,阈值衰减得越慢,模型运行次数越多;Beta指对周围神经元影响中心神经元点火周期的程度起着调节作用,在连接域未被调制前起到对其按比例缩放的作用,且较大的链接系数能引起较大范围的脉冲同步;Threshold是指根据Alpha值的改变而设置的阈值,无固定范围。利用简化的PCNN方法对公路图像进行分割,当神经元有脉冲输出时,其动态门限瞬间增大,当门限增大到无法产生脉冲输出时,门限便开始指数衰减,而当门限衰减至小于它的内部活动项时,脉冲会再次发生,周而复始,最终形成初始分割结果。最后,对初始分割结果进行形态学分割,通过获取每个图像中每个斑块的面积值,算法内部给出一个假定的面积值,当斑块面积值大于假定面积值时,赋值为1,当斑块面积值小于假定面积值时,赋值为0,得到最终分割结果。
具体技术方案如下:
一种改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割方法,包括以下步骤:
A.灰度处理步骤:对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像,并显示变换后图像;
B.参数最优值确定步骤:采用最小交叉熵方法计算分割目标之间的目标交叉熵以及背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,并通过迭代的方法得到最优分割阈值及最优迭代次数n;
C.初始分割步骤:对简化的脉冲耦合神经网络模型参数赋值,并基于所述最优分割阈值及最优迭代次数n对遥感图像进行分割,形成包括目标的初始分割结果;
D.形态分割步骤:利用形态学处理方法对上述初始分割结果计算各个目标物的面积并与预先设定的面积值进行对比,去除小于该面积的目标物最后得到最终分割结果。
其中,所述灰度处理步骤,是基于下式进行图像灰度化:
t=0.2989R+0.5870G+0.1140B;其中,式中t表示灰度图像的灰度值,R、G、B分别表示彩色图像的红、绿、蓝波段的DN值。
所述参数最优值确定步骤中,基于下式求得最佳分割阈值及最优迭代次数n:
式中:t为图像灰度值;h(t)为图像的灰度统计直方图;Z为图像灰度上限;T为阈值初值;μ1(T)和μ2(T)均为类内均值,分别表示在该阈值下目标和背景的平均灰度值;其中,使公式D(M:V:T)最小的t值为最佳分割阈值,其对应的迭代次数为最优迭代次数。
所述初始分割步骤中被赋值典型简化的PNCC模型参数包括:阈值衰减时间常数Alpha,连接强度系数Beta和输入阈值Threshold;且0<Alpha<1,0<Beta<1。初始分割步骤具体包括以下子步骤:
接受域子步骤,输入影像,接受信号后将其通过两条通道传输,其中一条通道称为F通道,另一条为L通道,Fij通道仅接收单个神经元Nij的值,即神经元Nij的值是与之相关联像素的灰度值,Lij接收周围8个神经元的输入,即当前神经元受到3×3邻域内像素的影响;
调制域子步骤,输入的连接强度系数βij决定了神经元的捕获能力,当前神经元Nij与已点火的神经元差异较小时,像素在图像中表现出相同的灰度值,推断相似性增大,当其值较大,即神经元耦合连接强度大,点火区域同步发出脉冲,反之,神经元耦合连接强度值越小,神经元将推后点火甚至不点火;
脉冲发生域子步骤,接受脉冲,神经元的阈值通过反馈迅速提高,当动态阈值Eij超过Uij时,停止发放脉冲,输出值为0,阈值开始指数下降,当阈值低于Uij时,脉冲又产生,神经元被点火,输出一个脉冲,值为1,以此往复迭代,一直到迭代次数结束,输出分割后包括道路的二值图像。
另外,所述初始分割步骤中,基于以下模型建立典型简化的脉冲耦合神经网络模型:
其中,ij为神经元的标号,n表示迭代次数,Sij表示神经元的外部刺激,Fij表示神经元的输入部分,Lij表示连接输入,Uij表示神经元的内部活动项,Yij表示神经元的输出,Eij表示动态阈值,表示阈值衰减时间常数,VE表示动态阈值的固有电势,βij表示连接强度系数Wijkl表示加权系数矩阵,VL、VE表示放大系数常数,其中:Wijkl可以取以下值,。
所述形态分割步骤中,若获取的每块目标的面积值大于预定的面积值,则将获取的目标面积值赋值为1,否则,赋值为0。
另外,本发明还要求保护所述的图像分割方法的具体应用,将所述图像分割方法应用于高分辨率遥感图像上的农村公路图像分割,特别针对分辨率0.2m-0.5m的影像(如无人机影像)。
进一步,本发明还要求保护一种基于改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割装置,具体包括:
灰度处理模块:对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像,并显示变换后图像;
参数最优值确定模块:采用最小交叉熵方法计算分割目标之间的目标交叉熵以及背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,并通过迭代的方法得到最优分割阈值及最优迭代次数n;
初始分割模块:对简化的脉冲耦合神经网络模型参数赋值,并基于所述最优分割阈值及最优迭代次数n对遥感图像进行分割,形成包括目标的初始分割结果;
形态分割模块:利用形态学处理方法对上述初始分割结果计算各个目标物的面积并与预先设定的面积值进行对比,去除小于该面积的目标物后得到最终的分割结果。
并且上述初始分割模块具体包括以下单元:
接受域单元,输入影像,接受信号后将其通过两条通道传输,其中一条通道称为F通道,另一条为L通道,Fij通道仅接收单个神经元Nij的值,即神经元Nij的值是与之相关联像素的灰度值,Lij接收周围8个神经元的输入,即当前神经元受到3×3邻域内像素的影响;
调制域单元,输入的连接强度系数βij决定了神经元的捕获能力,当前神经元Nij与已点火的神经元差异较小时,像素在图像中表现出相同的灰度值,推断相似性增大,当其值较大,即神经元耦合连接强度大,点火区域同步发出脉冲,反之,神经元耦合连接强度值越小,神经元将推后点火甚至不点火;
脉冲发生域单元,接受脉冲,神经元的阈值通过反馈迅速提高,当动态阈值Eij超过Uij时,停止发放脉冲,输出值为0,阈值开始指数下降,当阈值低于Uij时,脉冲又产生,神经元被点火,输出一个脉冲,值为1,以此往复迭代,一直到迭代次数结束,输出分割后包括目标的二值图像。
本发明与现有技术相比有如下优点:
(1)本发明利用PCNN算法对图像分割,较其他的神经网络相比,不需要经过学习,从而使其时间效率比其他神经网络高;
(2)本发明利用典型的简化PCNN算法对高分辨率农村公路遥感影像进行分割,同时有效地避免PCNN的参数过多的现象,从而使其操作过程简便;
(3)本发明中利用形态学方法对简化的PCNN所得到的初始分割结果获取每个目标物的面积,并通过算法内部给出的面积值,对初始分割结果进行进一步分割,有效减轻了简化PCNN的“过分割”现象;
(4)本发明所得到的分割结果通过与经典算法中的区域生长法和Hough变换直线检测方法比较,在分割简单(即噪声少)的遥感图像时,三者都能有效地分割出农村公路,但是本发明分割后的农村公路较前两者边缘更为平滑;对复杂(即噪声较多)的遥感图像分割时,区域生长法和Hough变换直线检测方法会出现过分割或欠分割现象,而本发明的方法能够降低周围噪声产生的影响,避免出现过分割或欠分割的现象。
附图说明
图1为一种改进简化PCNN模型的高分辨率遥感图像分割流程图;
图2为一种像素点与PCNN神经元的对应关系图;
图3为一种PCNN神经元的基本模型示意图;
图4-1为本实施例的图像分割装置软件界面示意图;
图4-2为本实施例的图像分割装置载入待分割图像后的示意图;
图4-3为本实施例的图像分割装置输入参数后的示意图;
图4-4为本实施例的图像分割装置图像分割后的示意图;
具体实施方式
实施例1:
下面结合附图通过实施例对本发明作进一步的详细说明。
本发明基于改进简化脉冲耦合神经网络模型的图像分割方法在农村公路遥感图像分割中的实现流程如图1所示,图1包括8个单元。
一种基于改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割方法,其步骤是:
单元100为对图像进行灰度化处理:对农村公路高分辨率遥感图像采用加权平均的算法将图像转换为灰度图像,即t=0.2989R+0.5870G+0.1140B,其中,t表示灰度图像的灰度值,R、G、B分别表示彩色图像的红、绿、蓝波段的DN值。
单元101为显示变换后图像。
单元102是利用最小交叉熵方法计算最优迭代次数:计算目标之间的目标交叉熵以及背景之间的背景交叉熵,并用其和作为原图像和分割图像之间的交叉熵;通过对图像最优阈值计算,从而进一步得出最优迭代次数。最小交叉熵原理如下:
设有两个概率分布M={m1,m2,…,mN}和V={v1,v2,…,vN},若用交叉熵表示它们之间的信息量差距,则其对称形式如下公式所示:
其中,式中M和V分别表示处理前原始图像和分割结果图像,当M和V相等时,D等于零;
用于确定最优分割阈值的最小交叉熵方法是以M和V分别表示处理前原始图像和分割结果图像,然后计算分割目标之间的目标交叉熵以及背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,其定义为,如下公式所示:
式中:其中t为图像灰度值;h(t)为图像的灰度统计直方图;Z为图像灰度上限;T为阈值初值;μ1(T)和μ2(T)均为类内均值,分别表示在该阈值下目标和背景的平均灰度值;在计算中,Z对公式D(M:V:T)采用归一化处理,由于它是在假定一个阈值情况下的原始图像和分割结果图像之间的信息量差异的度量结果,所以能够在图像灰度范围内搜索T值,而使公式D(M:V:T)最小的t值为最佳分割阈值,其对应的迭代次数为最优迭代次数。
其中:
单元103为设置相关参数,即对典型简化的脉冲耦合神经网络模型参数赋值,包括阈值衰减时间常数Alpha,连接强度系数Beta和输入阈值Threshold:一般Alpha,Beta在0~1之间,Threshold由于是根据Alpha的值的改变而进行调节,无固定范围。其中Alpha指的是控制着阈值的下降速度,Alpha越大,阈值衰减得越快,模型运行次数越少。相反,Alpha越小,阈值衰减得越慢,模型运行次数越多;Beta指对周围神经元影响中心神经元点火周期的程度起着调节作用。在链接域未被调制前起到对其按比例缩放的作用,且较大的链接系数能引起较大范围的脉冲同步;Threshold是指根据Alpha的值的改变而进行设置,无固定范围。
单元104初始分割,利用简化的PCNN方法对图像进行分割。简化方法为滤除掉小的能量,得到新的局部能量图。典型简化的PCNN模型如下公式所示:
其中,ij为神经元的标号,n表示迭代次数,Sij表示神经元的外部刺激,Fij表示神经元的输入部分,Lij表示连接输入,Uij表示神经元的内部活动项,Yij表示神经元的输出,Eij表示动态阈值,表示阈值衰减时间常数,VE表示动态阈值的固有电势,βij表示连接强度系数,Wijkl表示加权系数矩阵,VL、VE表示放大系数常数。
神经元的外部输入是相对应的图像像素的灰度值,所以Fij[n]=SijLij是接收它周围8个神经元的输入,加权系数矩阵输入项和连接项共同决定的取值,连接系数可以调节当前像素和周围像素之间相互作用的大小,较大的连接系数会引起较大范围的脉冲同步,从而影响中心神经元的点火周期,这就是所谓的非线性相乘调制耦合特性。当内部活动项大于此时的动态阈值,则输出1,反之,则输出0。各神经元的阈值按照上式的规律衰减,阈值衰减时间常数为αE。
单元105为获得初始的分割结果。
单元106为形态学分割,通过获取每块目标的面积值,算法内部给出一个假定的面积值,当目标的面积值大于假定的面积值时,赋值为1,当目标的面积值小于假定的面积值时,赋值为0。通过以下公式进行处理:
θ为方法内设定的面积值,area为图像中目标面积的大小
单元107为分割后所得到的最终分割结果。
下面给出根据一幅农村公路的高分辨率影像实施的例子,如图4所示,主要步骤如下:
A单元加载图像,输入影像类型:geotiff(.GIF)格式,点击New Image按钮选取目标影像;
B单元设置参数,其中Alpha,Beta,Threshold分别表示阈值衰减时间常数、连接强度系数、输入的阈值;0<Alpha<1,0<Beta<1,Threahold的大小范围由Alpha的值决定。从分割效果对比得出本实例参数设置分别为0.41,0.1,255;
C单元点击Run按钮,运行程序,将显示灰度影像以及D单元显示的分割后的结果:
D单元显示分割后的结果。
本发明的实施例在PC平台上实现,经实验验证,该分割流程分割速度快,农村公路边界保持度高,能够得到较理想的结果。
实施例2:
一种基于改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割装置,具体包括:
灰度处理模块:通过点击New Image按钮选择要处理影像,对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像,并显示变换后图像;
参数最优值确定模块:采用最小交叉熵方法计算分割目标之间的目标交叉熵,即道路之间的交叉熵以及除道路之外,即背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,并通过迭代的方法得到最优分割阈值及最优迭代次数n,其具体计算如下公式所示:
式中:其中t为图像灰度值;h(t)为图像的灰度统计直方图;Z为图像灰度上限;T为阈值初值;μ1(T)和μ2(T)均为类内均值,分别表示在该阈值下目标和背景的平均灰度值;在计算中,Z对公式D(M:V:T)采用归一化处理,由于它是在假定一个阈值情况下的原始图像和分割结果图像之间的信息量差异的度量结果,所以能够在图像灰度范围内搜索T值,而使公式D(M:V:T)最小的t值为最佳分割阈值,其对应的迭代次数为最优迭代次数。
其中:
初始分割模块:对简化的脉冲耦合神经网络模型参数阈值衰减时间常数Alpha,连接强度系数Beta,输入的阈值Threshold赋值,其中0<Alpha<1,0<Beta<1,Threahold的大小范围由Alpha的值决定,并基于所述最优分割阈值及最优迭代次数n对遥感图像进行分割,形成包括目标即道路的初始分割结果;
形态分割模块:利用形态学处理方法对上述初始分割结果计算各个目标物的面积并与预先设定的面积值进行对比,去除小于该面积的目标物最后得到最终分割结果。通过以下公式进行处理:
θ为方法内设定的面积值,area为图像中目标面积的大小,
并且上述初始分割模块具体包括以下单元:
接受域单元,输入影像,接受信号后将其通过两条通道传输,其中一条通道称为F通道,另一条为L通道,Fij通道仅接收单个神经元Nij的值,即神经元Nij的值是与之相关联像素的灰度值,Lij接收周围8个神经元的输入,即当前神经元受到3×3邻域内像素的影响;
调制域单元,输入的连接强度系数βij决定了神经元的捕获能力,当前神经元Nij与已点火的神经元差异较小时,像素在图像中表现出相同的灰度值,推断相似性增大,当其值较大,即神经元耦合连接强度大,点火区域同步发出脉冲,反之,神经元耦合连接强度值越小,神经元将推后点火甚至不点火;
脉冲发生域单元,接受脉冲,神经元的阈值通过反馈迅速提高,当动态阈值Eij超过Uij时,停止发放脉冲,输出值为0,阈值开始指数下降,当阈值低于Uij时,脉冲又产生,神经元被点火,输出一个脉冲,值为1,以此往复迭代,一直到迭代次数结束,输出分割后包括目标的二值图像。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (10)
1.一种基于改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割方法,包括以下步骤:
A.灰度处理步骤:对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像,并显示变换后图像;
B.参数优值确定步骤:采用最小交叉熵方法计算分割目标之间的目标交叉熵以及背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,并通过迭代的方法得到最优分割阈值及最优迭代次数n;
C.初始分割步骤:对简化的脉冲耦合神经网络模型(PCNN)参数赋值,并基于所述最优分割阈值及最优迭代次数n对遥感图像进行分割,形成包括目标的初始分割结果;
D.形态分割步骤:利用形态学处理方法对上述初始分割结果计算各个目标物的面积并与预先设定的面积值进行对比,去除小于该面积的目标物最后得到最终分割结果。
2.根据权利要求1所述的图像分割方法,其特征在于:所述的灰度处理步骤,是基于下式进行图像灰度化:
t=0.2989R+0.5870G+0.1140B;其中,式中t表示灰度图像的灰度值,R、G、B分别表示彩色图像的红、绿、蓝波段的DN值。
3.根据权利要求1所述的图像分割方法,其特征在于:所述的参数最优值确定步骤中,基于下式求得最佳分割阈值及最优迭代次数n:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>M</mi>
<mo>:</mo>
<mi>V</mi>
<mo>:</mo>
<mi>T</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>|</mo>
<mi>t</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mfrac>
<mi>t</mi>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>t</mi>
</mfrac>
<mo>|</mo>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</msubsup>
<mo>|</mo>
<mi>t</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mfrac>
<mi>t</mi>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>t</mi>
</mfrac>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mi>t</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mi>t</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</msubsup>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
t为图像灰度值;h(t)为图像的灰度统计直方图;Z为图像灰度上限;T为阈值初值;μ1(T)和μ2(T)均为类内均值,分别表示在该阈值下目标和背景的平均灰度值;其中,使公式D(M:V:T)最小的t值为最佳分割阈值,其对应的迭代次数为最优迭代次数。
4.根据权利要求1所述的图像分割方法,其特征在于:所述的初始分割步骤中被赋值的简化脉冲耦合神经网络模型参数包括:阈值衰减时间常数Alpha,连接强度系数Beta和输入阈值Threshold;且0<Alpha<1,0<Beta<1。
5.根据权利要求1所述的一种基于简化脉冲耦合神经网络模型的图像分割方法,其特征在于,所述初始分割步骤具体包括以下子步骤:
接受域子步骤,输入影像,接受信号后将其通过两条通道传输,其中一条通道称为F通道,另一条为L通道,Fij通道仅接收单个神经元Nij的值,即神经元Nij的值是与之相关联像素的灰度值,Lij接收周围8个神经元的输入,即当前神经元受到3×3邻域内像素的影响;
调制域子步骤,输入的连接强度系数βij决定了神经元的捕获能力,当前神经元Nij与已点火的神经元差异较小时,像素在图像中表现出相同的灰度值,推断相似性增大,当其值较大,即神经元耦合连接强度大,点火区域同步发出脉冲,反之,神经元耦合连接强度值越小,神经元将推后点火甚至不点火;
脉冲发生域子步骤,接受脉冲,神经元的阈值通过反馈迅速提高,当动态阈值Eij超过Uij时,停止发放脉冲,输出值为0,阈值开始指数下降,当阈值低于Uij时,脉冲又产生,神经元被点火,输出一个脉冲,值为1,以此往复迭代,一直到迭代次数结束,输出分割后包括目标的二值图像。
6.根据权利要求1所述的图像分割方法,其特征在于:所述的初始分割步骤中,基于以下模型建立典型简化的脉冲耦合神经网络模型:
其中,ij为神经元的标号,n表示迭代次数,Sij表示神经元的外部刺激,Fij表示神经元的输入部分,Lij表示连接输入,Uij表示神经元的内部活动项,Yij表示神经元的输出,Eij表示动态阈值,αE表示阈值衰减时间常数,VE表示动态阈值的固有电势,βij表示连接强度系数,Wijkl表示加权系数矩阵,VL、VE表示放大系数常数。
7.根据权利要求1所述的图像分割方法,其特征在于:所述的形态分割步骤中,若获取的每块目标的面积值大于预定的面积值,则将获取的目标面积值赋值为1,否则,赋值为0。
8.根据权利要求1-6任一项所述的图像分割方法,其特征在于:将所述图像分割方法应用于高分辨率农村公路遥感图像的分割,分辨率0.2~0.5m。
9.一种基于改进简化脉冲耦合神经网络模型的高分辨率遥感图像分割装置,其特征在于,包括:
灰度处理模块:对输入的彩色遥感图像进行灰度化处理,使彩色图像变为灰度图像,并显示变换后图像;
参数最优值确定模块:采用最小交叉熵方法计算分割目标之间的目标交叉熵以及背景之间的背景交叉熵,将目标交叉熵与背景交叉熵之和作为原始图像和分割后图像之间的交叉熵,并通过迭代的方法得到最优分割阈值及最优迭代次数n;
初始分割模块:对简化的脉冲耦合神经网络模型参数赋值,并基于所述最优分割阈值及最优迭代次数n对遥感图像进行分割,形成包括目标的初始分割结果;
形态分割模块:利用形态学处理方法对上述初始分割结果计算各个目标物的面积并与预先设定的面积值进行对比,去除小于该面积的目标物最后得到最终分割结果。
10.根据权利要求9所述的一种基于简化脉冲耦合神经网络模型的高分辨率遥感图像分割装置,其特征在于,所述初始分割模块具体包括以下单元:
接受域单元,输入影像,接受信号后将其通过两条通道传输,其中一条通道称为F通道,另一条为L通道,Fij通道仅接收单个神经元Nij的值,即神经元Nij的值是与之相关联像素的灰度值,Lij接收周围8个神经元的输入,即当前神经元受到3×3邻域内像素的影响;
调制域单元,输入的连接强度系数βij决定了神经元的捕获能力,当前神经元Nij与已点火的神经元差/异较小时,像素在图像中表现出相同的灰度值,推断相似性增大,当其值较大,即神经元耦合连接强度大,点火区域同步发出脉冲,反之,神经元耦合连接强度值越小,神,经元将推后点火甚至不点火;
脉冲发生域单元,接受脉冲,神经元的阈值通过反馈迅速提高,当动态阈值Eij超过Uij时,停止发放脉冲,输出值为0,阈值开始指数下降,当阈值低于Uij时,脉冲又产生,神经元被点火,输出一个脉冲,值为1,以此往复迭代,一直到迭代次数结束,输出分割后包括目标的二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323678.7A CN107154048A (zh) | 2017-05-09 | 2017-05-09 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323678.7A CN107154048A (zh) | 2017-05-09 | 2017-05-09 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107154048A true CN107154048A (zh) | 2017-09-12 |
Family
ID=59792666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710323678.7A Pending CN107154048A (zh) | 2017-05-09 | 2017-05-09 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154048A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107807126A (zh) * | 2017-10-25 | 2018-03-16 | 宝鸡金昱食品机械制造有限公司 | 一种基于pcnn的面粉麸星检测方法 |
CN108182685A (zh) * | 2017-12-27 | 2018-06-19 | 三峡大学 | 一种结合置信传播思想和pcnn的图像分割方法及装置 |
CN108764150A (zh) * | 2018-05-29 | 2018-11-06 | 杭州视氪科技有限公司 | 一种用于斑马线型人行横道检测的盲人辅助眼镜 |
CN108898603A (zh) * | 2018-05-29 | 2018-11-27 | 北京佳格天地科技有限公司 | 卫星影像上的地块分割系统及方法 |
CN109344721A (zh) * | 2018-09-04 | 2019-02-15 | 河海大学 | 基于脉冲耦合神经网络的遥感影像分割方法 |
CN109615616A (zh) * | 2018-11-27 | 2019-04-12 | 北京联合大学 | 一种基于abc-pcnn的裂缝识别方法及系统 |
CN110400327A (zh) * | 2019-07-23 | 2019-11-01 | 中国计量大学 | 一种基于改进pcnn的番茄植株夜间图像分割方法 |
CN110516532A (zh) * | 2019-07-11 | 2019-11-29 | 北京交通大学 | 基于计算机视觉的无人机铁路轨道线路识别方法 |
CN110889876A (zh) * | 2019-12-10 | 2020-03-17 | 兰州交通大学 | 一种基于ca-spcnn算法的彩色图像量化方法 |
CN111444936A (zh) * | 2020-01-14 | 2020-07-24 | 中南大学 | 基于脉冲神经网络的高光谱遥感影像分类方法 |
CN111627030A (zh) * | 2020-05-29 | 2020-09-04 | 王程 | 快速高效的可见光遥感影像海陆精确分割方法 |
CN112330637A (zh) * | 2020-11-09 | 2021-02-05 | 哈尔滨理工大学 | 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 |
CN116703951A (zh) * | 2023-08-09 | 2023-09-05 | 成都理工大学 | 基于随机耦合神经网络的图像分割方法 |
CN117011550A (zh) * | 2023-10-08 | 2023-11-07 | 超创数能科技有限公司 | 一种电子显微镜照片中的杂质识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001004826A1 (en) * | 1999-07-07 | 2001-01-18 | Renishaw Plc | Neural networks |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN105989607A (zh) * | 2016-04-13 | 2016-10-05 | 西华大学 | 基于spcnn和最小交叉熵的接触网图像分割方法 |
-
2017
- 2017-05-09 CN CN201710323678.7A patent/CN107154048A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001004826A1 (en) * | 1999-07-07 | 2001-01-18 | Renishaw Plc | Neural networks |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN105989607A (zh) * | 2016-04-13 | 2016-10-05 | 西华大学 | 基于spcnn和最小交叉熵的接触网图像分割方法 |
Non-Patent Citations (3)
Title |
---|
刘勍等: "一种基于交叉熵的改进型PCNN图像自动分割新方法", 《中国图象图形学报》 * |
彭真明等: "《光电图像处理及应用》", 31 March 2008, 电子科技大学出版社 * |
郭亚才等: "一种基于简化PCNN 的色盲检测图分割方法", 《安徽大学学报(自然科学版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107807126A (zh) * | 2017-10-25 | 2018-03-16 | 宝鸡金昱食品机械制造有限公司 | 一种基于pcnn的面粉麸星检测方法 |
CN108182685B (zh) * | 2017-12-27 | 2020-03-03 | 三峡大学 | 一种结合置信传播思想和pcnn的图像分割方法及装置 |
CN108182685A (zh) * | 2017-12-27 | 2018-06-19 | 三峡大学 | 一种结合置信传播思想和pcnn的图像分割方法及装置 |
CN108764150A (zh) * | 2018-05-29 | 2018-11-06 | 杭州视氪科技有限公司 | 一种用于斑马线型人行横道检测的盲人辅助眼镜 |
CN108898603A (zh) * | 2018-05-29 | 2018-11-27 | 北京佳格天地科技有限公司 | 卫星影像上的地块分割系统及方法 |
CN109344721A (zh) * | 2018-09-04 | 2019-02-15 | 河海大学 | 基于脉冲耦合神经网络的遥感影像分割方法 |
CN109615616A (zh) * | 2018-11-27 | 2019-04-12 | 北京联合大学 | 一种基于abc-pcnn的裂缝识别方法及系统 |
CN110516532B (zh) * | 2019-07-11 | 2022-03-11 | 北京交通大学 | 基于计算机视觉的无人机铁路轨道线路识别方法 |
CN110516532A (zh) * | 2019-07-11 | 2019-11-29 | 北京交通大学 | 基于计算机视觉的无人机铁路轨道线路识别方法 |
CN110400327A (zh) * | 2019-07-23 | 2019-11-01 | 中国计量大学 | 一种基于改进pcnn的番茄植株夜间图像分割方法 |
CN110400327B (zh) * | 2019-07-23 | 2021-07-02 | 中国计量大学 | 一种基于改进pcnn的番茄植株夜间图像分割方法 |
CN110889876A (zh) * | 2019-12-10 | 2020-03-17 | 兰州交通大学 | 一种基于ca-spcnn算法的彩色图像量化方法 |
CN111444936A (zh) * | 2020-01-14 | 2020-07-24 | 中南大学 | 基于脉冲神经网络的高光谱遥感影像分类方法 |
CN111627030A (zh) * | 2020-05-29 | 2020-09-04 | 王程 | 快速高效的可见光遥感影像海陆精确分割方法 |
CN112330637A (zh) * | 2020-11-09 | 2021-02-05 | 哈尔滨理工大学 | 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 |
CN116703951A (zh) * | 2023-08-09 | 2023-09-05 | 成都理工大学 | 基于随机耦合神经网络的图像分割方法 |
CN116703951B (zh) * | 2023-08-09 | 2023-10-20 | 成都理工大学 | 基于随机耦合神经网络的图像分割方法 |
CN117011550A (zh) * | 2023-10-08 | 2023-11-07 | 超创数能科技有限公司 | 一种电子显微镜照片中的杂质识别方法及装置 |
CN117011550B (zh) * | 2023-10-08 | 2024-01-30 | 超创数能科技有限公司 | 一种电子显微镜照片中的杂质识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154048A (zh) | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
CN102902956B (zh) | 一种地基可见光云图识别处理方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN108710919A (zh) | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 | |
CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
CN110263706A (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN104103033B (zh) | 图像实时处理方法 | |
CN109543630A (zh) | 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备 | |
CN110009095A (zh) | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
CN103927557B (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN104008551A (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170912 |