CN111627030A - 快速高效的可见光遥感影像海陆精确分割方法 - Google Patents
快速高效的可见光遥感影像海陆精确分割方法 Download PDFInfo
- Publication number
- CN111627030A CN111627030A CN202010478423.XA CN202010478423A CN111627030A CN 111627030 A CN111627030 A CN 111627030A CN 202010478423 A CN202010478423 A CN 202010478423A CN 111627030 A CN111627030 A CN 111627030A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- neural network
- parameter
- sea
- land
- 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
- 238000000034 method Methods 0.000 title claims abstract description 118
- 230000011218 segmentation Effects 0.000 title claims abstract description 114
- 238000010168 coupling process Methods 0.000 claims abstract description 107
- 238000005859 coupling reaction Methods 0.000 claims abstract description 107
- 230000008878 coupling Effects 0.000 claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 89
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 230000000694 effects Effects 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 133
- 238000012545 processing Methods 0.000 claims description 29
- 238000003709 image segmentation Methods 0.000 claims description 20
- 230000003321 amplification Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 230000001965 increasing effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 210000000225 synapse Anatomy 0.000 claims description 7
- 210000002856 peripheral neuron Anatomy 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 230000000946 synaptic effect Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000036982 action potential Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的快速高效的可见光遥感影像海陆精确分割方法，解决了人工检测过程消耗大量的人力物力，而且判读速度慢，准确性低，人工错判漏判多的缺点，海陆分割效果好，效率较高，成本较低。针对现有技术神经网络模型计算复杂度高，可调参数多的问题，提出一种脉冲耦合优化神经网络模型，具有人类视觉系统的特性，针对现有技术脉冲耦合神经网络模型结构过于复杂，参数众多且需要人工干预的问题，提出脉冲耦合优化神经网络参数自动设置，并在可见光遥感影像海陆分割中得到较好的应用，参数自适应能力强，不用预先划定影像特性范围，提高了遥感影像海陆分割的准确度和速度。
Description
技术领域
本发明涉及一种遥感影像海陆分割方法，特别涉及一种快速高效的可见光遥感影像海陆精确分割方法，属于影像海陆分割技术领域。
背景技术
中国领土辽阔，同时具有海岸线长度长，海域面积大的特点，拥有非常丰富的海洋资源，国家对海洋和陆地分界区域的行政管理和安全监测难度日益增大，对于相关技术的要求也越来越高。海陆影像分割中的船只检测和监测作为世界上拥有海岸线国家的重要安全管理任务，可以有效的监测进入我国海域的船只，确定船只位置。海陆影像分割可以监测部分港口和海域的海运交通，配合行政部门进行遇难船只救援、打击非法捕鱼、打击走私和海盗等违法行；海陆影像分割还可以用于维护海洋权益、用于海岸线的开发、利用和保护。基于这些广阔的应用，遥感影像海陆精确分割技术将突显出越来越大的重要性。
影像海陆分割应用于海洋权益维护和海岸线的开发、利用、保护已成为遥感技术应用的重点和难点，世界上许多国家都投入了大量的人力物力财力实现海上目标的自动化检测和海陆精确分割。不仅维护国家海洋权益的应用需要对遥感影像进行分割处理，诸如渔船海上捕捞监测、船只管理警戒等都需要遥感技术的帮助，海岸线的开发、利用和保护也需要遥感影像海陆分割技术，因此它事关国运民生，关系到海洋管理的方方面面。
神经网络是通过模仿人或动物神经网络的行为特征，达到使机器具有像人脑那样的信息处理能力。神经网络系统结构复杂度高，处理单元间非线性连接，能够并行的处理信息，具有联想存储功能、自我学习能力、高速寻找最优解等特点，这些特点可代替人脑完成部分工作，现有技术先后提出了诸如BP网络模型、Hopfield神经网络模型、CNN网络模型、M-P网络模型等一系列人工神经网络模型。
伴随生物神经学的发展，出现了一种称为脉冲耦合神经网络的人工神经网络模型。在脉冲耦合神经网络运行中，相似特征的神经元逐步激发归并为同一区域，这样能从全局角度处理区域信息，弥补局部数据起伏或不连贯而引起的最终决策失误。相比于其他神经网络，例如CNN模型，脉冲耦合神经网络模型具有运算处理速度相对较快，不需要大量的训练样本，脉冲行为容易被电路模拟，便于硬件实现等优点，这使得脉冲耦合神经网络模型获取更为低廉，应用更为广泛。
现有技术中，脉冲耦合神经网络在影像处理领域已经有了一些应用，比如影像分割，特征提取检测、影像信息检索、影像分析融合等领域。但现有技术脉冲耦合神经网络模型仍有许多缺陷，其中最为突出的是模型结构过于复杂，参数众多且需要人工干预，参数需要大量试验才能确定，成为该模型发展的重大瓶颈。
港口近岸动态目标检测是可见光遥感影像海陆分割的一个重要应用方向，如果完全实现船只目标的自动化检测，不仅节省了大量的人力物力，而且判读速度快，准确性高，杜绝了人工的错判、漏判。但由于近岸船只都与港口区域相连，可见光遥感影像中的港口和船只颜色和纹理比较近似，人眼都不能很好的区分。现有技术的方法基本上是制备港口区域模板，结合港口的地理位置信息，匹配对应影像特征，才能将港口和水域甄选出来。这种方法步骤十分繁琐，前期工作量巨大，更为重要的是随着海水潮汐和大气云雾等因素的干扰，给分割工作带来极大的干扰。因此，当前急需一种不依靠先验知识并能快速准确进行海陆影像分割的方法。
现有技术已经出现了上千种影像分割方法，但没有一种能够按照人们的意愿准确分割所有影像。主流的影像分割方法通常分为以下几类：区域分割方法、临界值分割方法、纹理分割方法、特定理论分割方法、能量分割方法。临界值分割方法和纹理分割方法目前应用于海陆分割中最为普遍，但其缺点是计算复杂度高，耗时很长。影像的陆地与海洋灰度值差异较大，利用灰度特征分割方法能够准确选取分割临界值，取得较好的分割结果，但当影像陆地与海洋灰度差异值不大时，分割结果会变的很差。海洋区域的纹理与陆地区域相比更为平滑，因此纹理特征分割方法效果优于灰度特征分割方法，但当海洋区域噪声较大时，噪声和待检测目标相互干扰，不能取得期望的结果，对于复杂的高分辨率的近岸影像分割效果不佳，时间复杂度高。脉冲耦合神经网络模型具有哺乳动物视觉特性的优良性质，分割完全依照影像的固有信息分割，适应能力较强，不用预先划定影像特性范围，但模型结构过于复杂，参数众多且需要人工干预，
综合来看，针对现有技术存在的一些缺陷，本发明拟解决以下问题：一是现有技术不能实现船只目标的自动化检测，人工检测过程消耗大量的人力物力，而且判读速度慢，准确性低，人工错判、漏判多，由于近岸船只都与港口区域相连，港口和船只颜色和纹理比较近似，人眼不能很好的区分，海陆分割效果很差，效率很低，成本较高；二是现有技术的方法基本上是制备港口区域模板，结合港口的地理位置信息，匹配对应影像特征，才能将港口和水域甄选出来。这种方法步骤十分繁琐，前期工作量巨大，更为重要的是随着海水潮汐和大气云雾等因素的干扰，给分割工作带来极大的干扰；三是现有技术出现的一些影像分割方法，鉴于背景的纹理复杂，光照、船只、树木、建筑物的阴影等环境因素的干扰，检测方法获取到的海陆分割影像的效果不好，仍存在很多未解决的难题，比如海陆缝隙断层、海陆区域判别错误、海陆判别结果图不清晰等；四是现有技术的一些方法鲁棒性较差，所需的时间比较久，计算复杂度高、运算速度很慢，噪声和待检测目标相互干扰，不能取得期望的结果；五是现有技术出现了脉冲耦合神经网络模型的方法，适应能力较强，不用预先划定影像特性范围，但模型结构过于复杂，参数众多且需要人工干预，。
本发明正是针对这些问题，根据遥感影像中陆地与海洋区域所占的比例不同，将影像分类为全海洋区域影像、海洋和陆地区域都有的影像、全陆地区域影像。全海洋区域影像不需要进行分割处理，船只不可能存在陆地上，全陆地区域影像不需要进行处理，因此如何又快又准的从海陆影像分类出海洋和陆地，成为本发明解决问题的难点。海洋主要目标集中于船只、港口和海岸线等的地理位置，而港口是最为复杂的海陆影像，因此港口和水域的分离是本发明研究的重点。针对脉冲耦合神经网络模型的特性，结合海陆并存影像的特点，本发明研发性能稳定、自适应、实时性好、分类精确度高的影像海陆分割算法，并将本发明的方法实际运用到可见光遥感影像海陆精确分割中。
发明内容
针对现有技术的不足，本发明提供的快速高效的可见光遥感影像海陆精确分割方法，解决了现有技术人工检测过程消耗大量的人力物力，而且判读速度慢，准确性低，人工错判漏判多的缺点，海陆分割效果好，效率较高，成本较低。针对现有技术神经网络模型计算复杂度高，可调参数多的问题，提出一种脉冲耦合优化神经网络模型，脉冲耦合优化神经网络模型通过引入韦伯费希纳定律，具有人类视觉系统的特性，针对现有技术脉冲耦合神经网络模型结构过于复杂，参数众多且需要人工干预的问题，提出脉冲耦合优化神经网络参数自动设置，并在可见光遥感影像海陆分割中得到较好的应用，参数自适应能力较强，不用预先划定影像特性范围，提高了遥感影像海陆分割的准确度和速度。
为达到以上技术效果，本发明所采用的技术方案如下：
快速高效的可见光遥感影像海陆精确分割方法，基于脉冲耦合优化神经网络对可见光遥感影像进行海陆分割，首先，对输入的初始遥感影像进行影像灰度化处理，然后进行可见光遥感影像预处理，可见光遥感影像预处理包括可见光遥感影像去噪和可见光遥感影像增强，将可见光遥感影像预处理后的遥感影像输入到脉冲耦合优化神经网络模型中，并对脉冲耦合优化神经网络模型参数进行设置，脉冲耦合优化神经网络模型神经元在接受优化处理的遥感影像刺激后开始运行，通过制定一个结束判定标准终止脉冲耦合优化神经网络模型的运行，最后，对脉冲耦合优化神经网络模型输出的二值化影像做形态学图像处理，得到可见光遥感影像海陆精确分割结果；
脉冲耦合优化神经网络模型由不同的积分衰减器组成，积分衰减器依靠一阶递归数字滤波器实现，设积分衰减器的脉冲响应为C(a)，数学表达式为：
式1中，d表示一个积分衰减器，Ud是放大系数，bd是积分衰减器的延迟时间常数，对于确定的Ud和bd，C(a)是以a为自变量的指数函数；
同样如果脉冲耦合优化神经网络模型中某一个神经元的坐标用(m,n)表示，它周围的神经元坐标则用(g,h)表示，神经元的内部活动项是馈入输入和连接输入非线性相乘的方式组成，神经元通过馈入突触接受输入信号，每个神经元与它的邻域神经元相互连接，该神经元的输出信号通过连接突触调节其邻域神经元的活动，脉冲耦合优化神经网络模型的内部活动项Vmn[i]是由积分衰减器、连接输入和馈入输入组成，数学表达式表示如下：
式2中，Bmn是一个刺激输入，Amngh是连接输入的突触加权系数矩阵，bV是内部活动项的时间常数，i是当前迭代次数,突触加权系数存储在耦合矩阵A中,Y[i-1]是上一次迭代的脉冲，如果模型是发出脉冲，则神经元与邻域神经元耦合，即打火，否则它们之间不建立耦合联系，即不打火；
上一次脉冲耦合优化神经网络模型运行迭代产生的脉冲可反过来调节积分衰减器的临界值，通过增大放大系数UG的值和减小时间常数bG的值提高积分衰减器的临界值，动态门限Gmn[i]是由积分衰减器和脉冲耦合优化神经网络模型上一次运行迭代的动态门限Gmn[i-1]组成，其数学表达式为：
在模型迭代过程中，当神经元的内部活动项Vmn[i]的值超过动态门限Gmn[i]的值时，输出Ymn[i]产生一个脉冲，即动作电位或电子脉冲，神经元输出描述为：
快速高效的可见光遥感影像海陆精确分割方法，进一步的，可见光遥感影像去噪处理的可见光遥感海陆影像的主要来源为高斯噪声和脉冲噪声，脉冲噪声是可见光遥感影像预处理阶段优先解决的问题，本发明综合遥感影像分辨率与目标在影像中的尺寸，采用6×6的中值滤波器进行可见光遥感影像去噪。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，可见光遥感影像增强采用双向直方图均衡法，增强遥感影像海陆对比度，双向直方图均衡法主要分两步：
步骤一，对可见光遥感影像进行直方图均衡化处理；
步骤二，在步骤一取得的结果上等距离的排列灰度等级；
双向直方图均衡处理是在直方图的灰度密度和灰度间距两个方向同时进行均衡化处理，遥感影像在整个显示范围内分布均匀。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，bV、bG是时间常数，令
得到如下数学表达式：
Gmn[i]＝exp(-N)Gmn[i-1]+UGYmn[i] 式13
改进后的脉冲耦合优化神经网络模型采用了Vmn[i]＞Gmn[i-1]的打火方式，模型离散描述方程为三个，可调参数降为现在的五个，分别是馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG，改进的脉冲耦合优化神经网络的内部活动项是一个等式。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，脉冲耦合优化神经网络的参数自适应设置中，采用分层分割策略分割一张海陆可见光遥感影像，实现脉冲耦合优化神经网络模型自动设置合适的参数值；具体方法为：首先采用大津方法粗略产生一张海陆影像的分割临界值，把由高于该临界值像素点组成的区域称为目标粗区域，把由低于该临界值像素点组成的区域称为背景粗区域，为激发神经元打火，将第一次分割的目标粗区域作为模型的输出，之后将背景粗区域作为输入进入模型中迭代，细分为更小的子区域，在这种分层分割策略运行过程中，大津方法是影像分割的激发因子，随后，脉冲耦合优化神经网络以拥有人类视觉特性的评判标准对第一次的粗分割进行不断调整，直到得出符合期望的结果为止；
脉冲耦合优化神经网络分割是原始输入遥感影像的固有信息驱动脉冲耦合优化神经网络模型神经元的动态行为，得到一系列脉冲输出序列，从中选取较好的序列作为最终的遥感影像的分割结果。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，馈入输入时间衰减参数M是脉冲耦合优化神经网络模型的内部活动项V的时间衰减因子，馈入输入时间衰减参数M和内部活动项V之间存在反比关系,参数M和输入影像C的归一化灰度值之间也存在反比关系，像素灰度值的标准差Q(C)表示该区域纹理平缓程度，设置越平缓的区域神经元的内部活动项衰减越迅速，便于这些神经元归为一类，馈入输入时间衰减参数M与1/Q(C)存在关系,这种关系可拟合为一条对数曲线，参数M用数学表达式为：
M＝log(1/Q(C)) 式15
式15中，输入影像C和内部活动项上下边界值的取值在区间为[0,1]，由对数函数的性质总有参数M＞0。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，对给定的参数UL，脉冲耦合优化神经网络模型中周围神经元对中心神经元影响的强弱由P决定，当P越大时影响越强，邻近像素点间的聚合越紧密，相互之间构成子区域的可能性就越大；
连接强度参数P取值范围的上界和下界，计算公式如下所示：
式16和式17中，初次临界值分割的目标区域灰度最小值由BRmin表示，灰度最大值由BRmax表示，BBmax、BBmin分别是初次临界值分割的背景区域灰度最大值和灰度最小值,把从背景区域中被捕获神经元所接受的连接接受域的最大值记为LBmax，其最小值记为LBmin，把从目标区域中的被捕获神经元所接受的连接接受域的最小值记为LRmin，Bmax和Bmin分别是内部活动项区间的上边界和下边界；
连接强度参数P的确定采取参数值近似法，本发明所采用的分层分割策略的初步任务是将遥感影像分割为两个粗区域，将其最大值Pmax作为参数的近似值，即P＝Pmax，在式16中，BRmax是输入影像的最大灰度值，计算出参数P的最大值Pmax，最重要的是求出初次临界值分割的背景区域的最大灰度值BBmax，本发明的P的值由大津方法间接确定，设由大津方法确定的临界值为BT，将其直接赋值给BBmax，有BBmax＝BT和BRmax＝Bmax，Amngh是神经元之间的加权常数矩阵：
式18的矩阵表示的是八邻域神经元中其它七个周围神经元对中心神经元的影响，假设上、下、左、右邻近神经元距中心神经元距离为1，左上、右上、左下、右下邻近神经元距中心神经元距离为0.7，为求得LB的最大值LBmax，假设所有神经元的初始状态都为V[0]＝0、Y[0]＝0、G[0]＝0，则在第一次迭代中，所有神经元接受来自影像像素灰度值非零的刺激，它的内部活动项至少存在一项灰度值非零的刺激Fmn[1]，满足打火条件V[1]＝B＞G[0],这些神经元都将在第一次迭代中打火Y[1]＝1，为得到LB最大值，假设所有神经元都接受刺激，则内部活动项公式中的子项
在第二次迭代中将为常数
将此最大值赋给LBmax：
LBmax＝6.8UL 式19
UL+是连接输入幅值，得到脉冲耦合优化神经网络模型中连接强度参数P的估值计算式：
快速高效的可见光遥感影像海陆精确分割方法，进一步的，连接输入幅值UL总是与连接强度参数P捆绑出现在神经元运行的各阶段，对于某一张具体的遥感影像，PVL是一个常数，它们的乘积反映影像的特征,根据：
与UL无关，本发明取连接输入幅值UL＝1。
快速高效的可见光遥感影像海陆精确分割方法，进一步的，对脉冲耦合优化神经网络模型的参数简化，馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG五个参数的自动设置满足海陆分割无监督性的要求，馈入输入时间衰减参数M的值与内部活动项V[i]分布区间的宽度负相关，参数M的值越大，内部活动项V[i]的分布区间越宽；反之，参数M的值越小，内部活动项V[i]的分布区间越窄；即参数M的值越大，参与影像分割过程的神经元越多，有效利用信息越多；反之，参数M的值越小，有效利用信息就越少；令M＝+∞,得：
M＝+∞ 式31
UL＝1 式33
N＝ln Bmax-2lnBT 式35
B为输入灰度值，Bmax为B的最大值，BT为大津方法确定的临界值。
与现有技术相比，本发明以可见光遥感影像为研发对象，分别从理论推导、方法模型、实验应用三个方面记载了快速高效的可见光遥感影像海陆精确分割方法，充分利用脉冲耦合优化神经网络模型在影像分割方面的优势，解决海陆并存图片的海陆精确分割问题。本发明的优点和创新点在于：
一是本发明提供的快速高效的可见光遥感影像海陆精确分割方法，解决了现有技术人工检测过程消耗大量的人力物力，而且判读速度慢，准确性低，人工错判、漏判多，由于近岸船只都与港口区域相连，港口和船只颜色和纹理比较近似，人眼不能很好区分的缺点，海陆分割效果好，自动化程度高，效率较高，成本较低。
二是本发明提供的快速高效的可见光遥感影像海陆精确分割方法，针对现有技术神经网络模型计算复杂度高，可调参数多的问题，提出一种脉冲耦合优化神经网络模型，脉冲耦合优化神经网络模型通过引入韦伯费希纳定律，具有人类视觉系统的特性，并且为使该模型更好的适应影像分割以及进一步减小模型分割的计算量，本发明修改模型并将打火判定条件由原来的Logistic函数替换为打火判定条件，性能稳定，海陆分割影像的效果好。
三是本发明提供的快速高效的可见光遥感影像海陆精确分割方法，针对模型参数需要人为调节和预先大量试验才能确定，前期工作量巨大的缺点，基于脉冲耦合优化神经网络模型提出了一种可调参数自动设置的算法。为了检验上述所提出方法的有效性，使用脉冲耦合优化神经网络模型对几张自然海陆图像进行了分割处理；并且将实验分割结果与其他影像分割方法比对，参数自动设置的脉冲耦合优化神经网络模型和其他方法相比，能够更好地甄别影像中的目标和背景，算法实现快速高效，步骤简单，可见光遥感影像海陆分割度更高。
四是针对现有技术脉冲耦合神经网络模型仍有许多缺陷，其中最为突出的是模型结构过于复杂，参数众多且需要人工干预，参数需要大量试验才能确定，模型重大瓶颈多的问题。本发明提出脉冲耦合优化神经网络参数自动设置，并在可见光遥感影像海陆分割中得到较好的应用。由于海陆分割需要实时性好、无监督、准确率高等要求，以及脉冲耦合优化神经网络本身参数设置需要人工参与的特点，通过研究网络模型，使其参数自适应化，参数确定简单，前期工作量小，网络模型更加稳定，适应能力较强，不用预先划定影像特性范围，提高了遥感影像海陆分割的准确度和速度。
附图说明
图1是本发明快速高效的可见光遥感影像海陆精确分割方法的流程示意图。。
图2是本发明初始图像和可见光遥感影像增强处理后图像示意图。
图3是本发明海陆分割效果与其他方法效果的对比图。
具体实施方式
下面结合附图，对本发明提供的快速高效的可见光遥感影像海陆精确分割方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。
本发明提供的快速高效的可见光遥感影像海陆精确分割方法，基于脉冲耦合优化神经网络对可见光遥感影像进行海陆分割，流程示意图如图1所示。首先，对输入的初始遥感影像进行影像灰度化处理，然后进行可见光遥感影像预处理，可见光遥感影像预处理包括可见光遥感影像去噪和可见光遥感影像增强，将可见光遥感影像预处理后的遥感影像输入到脉冲耦合优化神经网络模型中，并对脉冲耦合优化神经网络模型参数进行设置，脉冲耦合优化神经网络模型神经元在接受优化处理的遥感影像刺激后开始运行，通过制定一个结束判定标准终止脉冲耦合优化神经网络模型的运行，最后，对脉冲耦合优化神经网络模型输出的二值化影像做形态学图像处理，得到可见光遥感影像海陆精确分割结果。
一、可见光遥感影像预处理
可见光遥感影像成像受多种因素共同影响，包括传感器灵敏度、云雾遮蔽、太阳角度、传输干扰，造成影像存在明显噪声、目标背景对比度不强的一系列问题，影响海陆分割的精度，因此不能直接分割初始遥感影像，需要对可见光遥感影像预处理。
(一)可见光遥感影像去噪
为减少噪声对遥感影像分割造成的影响，必须对得到的遥感影像进行噪声过滤去除。本发明所处理的可见光遥感海陆影像的主要来源为高斯噪声和脉冲噪声，可见光遥感影像的海陆分割的重点在于检测出船只，由于船只在图像灰度值和形态上容易与脉冲噪声混淆，导致系统出现检测误判，所以脉冲噪声是可见光遥感影像预处理阶段优先解决的问题。本发明在对一系列样本测试后，综合分析遥感影像分辨率与目标在影像中的尺寸，采用6×6的中值滤波器进行可见光遥感影像去噪。
(二)可见光遥感影像增强
部分可见光遥感影像由于拍摄太阳角度较低，导致海洋与陆地区域像素灰度对比度低，为得到更好的海陆分割效果，对可见光遥感影像进行增强处理。本发明采用双向直方图均衡法增强影像对比度。现有技术的直方图均衡也能增强遥感影像的对比度，但在均衡化的过程中会出现对比度过高或灰度级丢失或不连续导致部分区域发白，因此需对现有技术的直方图均衡做优化改进。
本发明的双向直方图均衡法主要分两步：
步骤一，对可见光遥感影像进行直方图均衡化处理；
步骤二，在步骤一取得的结果上等距离的排列灰度等级；
现有技术的直方图均衡化处理后会出现灰度级不连续的问题，而双向直方图均衡处理是在直方图的灰度密度和灰度间距两个方向同时进行均衡化处理，使遥感影像在整个显示范围内分布均匀。双向直方图均衡能减小影像部分区域发白的问题，在几乎不增加运算时间的情况下，有效提高遥感影像海洋和陆地两个区域的对比度，同时针对不同的可见光遥感影像适应性较强。
如图2所示，遥感影像(a)是原彩色遥感影像转换为的灰度影像，遥感影像(b)是经过双向直方图均衡化处理后的影像，处理后的影像陆地区域更为明亮，目标和背景间的区分更加明显。
二、脉冲耦合优化神经网络模型
本发明提出的脉冲耦合优化神经网络模型由不同的积分衰减器组成，积分衰减器依靠一阶递归数字滤波器实现，设积分衰减器的脉冲响应为C(a)，数学表达式为：
式1中，d表示一个积分衰减器，Ud是放大系数，bd是积分衰减器的延迟时间常数，对于确定的Ud和bd，C(a)是以a为自变量的指数函数。
同样如果脉冲耦合优化神经网络模型中某一个神经元的坐标用(m,n)表示，它周围的神经元坐标则用(g,h)表示，神经元的内部活动项是馈入输入和连接输入非线性相乘的方式组成，神经元通过馈入突触接受输入信号，每个神经元与它的邻域神经元相互连接，该神经元的输出信号能通过连接突触调节其邻域神经元的活动。因此，脉冲耦合优化神经网络模型的内部活动项Vmn[i]是由积分衰减器、连接输入和馈入输入组成，其数学表达式表示如下：
式2中，Bmn是一个刺激输入，Amngh是连接输入的突触加权系数矩阵，bV是内部活动项的时间常数，i是当前迭代次数,突触加权系数存储在耦合矩阵A中,Ymn[i-1]是上一次迭代的脉冲，如果模型是发出脉冲，则神经元与邻域神经元耦合，即打火，否则它们之间不建立耦合联系，即不打火。
上一次脉冲耦合优化神经网络模型运行迭代产生的脉冲可反过来调节积分衰减器的临界值，通过增大放大系数UG的值和减小时间常数bG的值提高积分衰减器的临界值，动态门限Gmn[i]是由积分衰减器和脉冲耦合优化神经网络模型上一次运行迭代的动态门限Gmn[i-1]组成，其数学表达式可描述为：
在模型迭代过程中，当神经元的内部活动项Vmn[i]的值超过动态门限Gmn[i]的值时，输出Ymn[i]产生一个脉冲，即动作电位或电子脉冲，神经元输出描述为：
Logistic函数是神经元非线性转换函数，输出很容易获得。非线性特征可被用来产生模型脉冲，e(e＞0)是Logistic函数的参数，Logistic函数曲线呈S型，斜率随e的增长而增长。
假设内部活动项Vmn[i]等于其原始刺激输入值Bmn，联合式3和式4，得到脉冲发生的时刻a为：
a＝bGln(UG/Bmn)+kbGln(1+UG/Bmn)，k＝0，1，… 式5
神经元的打火周期为
衰减积分器的静态行为遵循如下迭代过程：
令
则有：
对单个衰减积分器，其衰弱时间可固定为常数D(0<D<1),从式8得出，随着迭代次数i和自然时间a的不断增长，D的值不断变小，即D是关于i和a的减函数，其中i是将连续时间数字化为一串离散值。
Gmn[i]＝JGmn[i-1]+LYmn[i] 式10
上式中，H和J与式8中常数D的形式一致，是当i和a确定时的常数，L是临界值放大系数，e为Logistic函数曲线斜率。脉冲耦合优化神经网络模型将内部活动项简化为一个等式，运行消耗的时间更少。
进一步改进脉冲耦合优化神经网络模型的数学表达式，使其更为适应遥感影像分割处理，由于bV、bG是时间常数，令
得到如下数学表达式：
Gmn[i]＝exp(-N)Gmn[i-1]+UGYmn[i] 式13
改进后的脉冲耦合优化神经网络模型在打火条件上没有采用Logistic函数，采用了Vmn[i]＞Gmn[i-1]的打火方式，实验证明没有影响模型的运行结果，但减小了模型计算复杂度。
改进后的脉冲耦合优化神经网络模型离散描述方程为三个，可调参数降为现在的五个，分别是馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG，由于改进的脉冲耦合优化神经网络的内部活动项是一个等式，运行花费的时间更少。
三、脉冲耦合优化神经网络的参数自适应设置
五个可调参数M、N、P UL、UG，每个参数的变化都可引起模型行为的改变，本发明采用分层分割策略分割一张海陆可见光遥感影像，达到脉冲耦合优化神经网络模型自动设置合适的参数值的目的。具体方法为：首先采用大津方法粗略产生一张海陆影像的分割临界值，把由高于该临界值像素点组成的区域称为目标粗区域，把由低于该临界值像素点组成的区域称为背景粗区域。为激发神经元打火，将第一次分割的目标粗区域作为模型的输出，之后将背景粗区域作为输入进入模型中迭代，细分为更小的子区域。在这种分层分割策略运行过程中，大津方法是影像分割的激发因子，随后，脉冲耦合优化神经网络以拥有人类视觉特性的评判标准对第一次的粗分割进行不断调整，直到得出符合期望的结果为止。
在本发明中，脉冲耦合优化神经网络分割是原始输入遥感影像的固有信息驱动脉冲耦合优化神经网络模型神经元的动态行为，得到一系列脉冲输出序列，从中选取较好的序列作为最终的遥感影像的分割结果。在此基础上，研发一套适应海陆分割的脉冲耦合优化神经网络参数自动设置方法。以下分别阐述如何自适应设置脉冲耦合优化神经网络模型的各个参数。
(一)馈入输入时间衰减参数M
参数M是脉冲耦合优化神经网络模型的内部活动项V的时间衰减因子，馈入输入时间衰减参数M和内部活动项V之间存在反比关系,参数M和输入影像C的归一化灰度值之间也存在反比关系，像素灰度值的标准差Q(C)表示该区域纹理平缓程度，设置越平缓的区域神经元的内部活动项衰减越迅速，便于这些神经元归为一类，馈入输入时间衰减参数M与1/Q(C)存在关系,这种关系可拟合为一条对数曲线，参数M用数学表达式描述为：
M＝log(1/Q(C)) 式15
式15中，输入影像C和内部活动项上下边界值的取值在区间为[0,1]，以便计算数值保持统一，由对数函数的性质总有参数M＞0。
(二)连接强度参数P
对给定的参数UL，脉冲耦合优化神经网络模型中周围神经元对中心神经元影响的强弱由P决定，当P越大时影响越强，邻近像素点间的聚合越紧密，相互之间构成子区域的可能性就越大。
连接强度参数P取值范围的上界和下界，计算公式如下所示：
式16和式17中，初次临界值分割的目标区域灰度最小值由BRmin表示，灰度最大值由BRmax表示，BBmax、BBmin分别是初次临界值分割的背景区域灰度最大值和灰度最小值,把从背景区域中被捕获神经元所接受的连接接受域的最大值记为LBmax，其最小值记为LBmin，把从目标区域中的被捕获神经元所接受的连接接受域的最小值记为LRmin，Bmax和Bmin分别是内部活动项区间的上边界和下边界。
连接强度参数P的确定采取参数值近似法，本发明所采用的分层分割策略的初步任务是将遥感影像分割为两个粗区域，因此采用式15计算参数，将其最大值Pmax作为参数的近似值，即P＝Pmax，在式16中，BRmax是输入影像的最大灰度值，要计算出参数P的最大值Pmax，最重要的是求出初次临界值分割的背景区域的最大灰度值BBmax，本发明的P的值由大津方法间接确定，设由大津方法确定的临界值为BT，将其直接赋值给BBmax，有BBmax＝BT和BRmax＝Bmax，Amngh是神经元之间的加权常数矩阵：
式18的矩阵表示的是八邻域神经元中其它七个周围神经元对中心神经元的影响，假设上、下、左、右邻近神经元距中心神经元距离为1，左上、右上、左下、右下邻近神经元距中心神经元距离为0.7，为求得LB的最大值LBmax，假设所有神经元的初始状态都为V[0]＝0、Y[0]＝0、G[0]＝0，则在第一次迭代中，所有神经元接受来自影像像素灰度值非零的刺激，它的内部活动项至少存在一项灰度值非零的刺激Fmn[1]，满足打火条件V[1]＝B＞G[0],这些神经元都将在第一次迭代中打火Y[1]＝1，为得到LB最大值，假设所有神经元都接受刺激，则内部活动项公式中的子项
在第二次迭代中将为常数
将此最大值赋给LBmax：
LBmax＝6.8UL 式19
UL+是连接输入幅值，得到脉冲耦合优化神经网络模型中连接强度参数P的估值计算式：
(三)连接输入幅值UL
连接输入幅值UL总是与连接强度参数P捆绑出现在神经元运行的各阶段，对于某一张具体的遥感影像，PVL是一个常数，它们的乘积反映了影像的特征,根据：
与UL无关，本发明取连接输入幅值UL＝1。
(四)时间变化衰减参数N
时间变化衰减参数N决定动态门限的衰减快慢，动态门限决定模型最后的输出，因此时间变化衰减参数N同时影响模型的分割速度和精度。时间变化衰减参数N的值越小，动态门限衰减越慢，分割过程越长，参与分割的神经元越多，分割精度越高，时间变化衰减参数N的值越大，动态门限衰减越块，分割过程越短，参与分割的神经元越少，分割精度越低，但不能无限制的减小时间变化衰减参数N的值，这会导致模型运算速度过慢，设定合适的时间变化衰减参数N能保证模型运行在最优状态。本发明时间变化衰减参数N满足：N＝lnBmax-2lnBT，其中B为输入灰度值，Bmax为B的最大值，BT为大津方法确定的临界值。
(五)临界值变化放大参数UG
脉冲耦合优化神经网络模型中，像素灰度值高的神经元总是比像素灰度值低的神经元先打火。在衰减时刻L+1时刻打火的神经元对应的影像分割子区域的灰度范围为：从对应神经元刚好不满足在衰减时刻L时刻打火的像素灰度的上临界值，到对应神经元仍然满足在衰减
时刻L+1时刻打火的像素灰度的下临界值之间的像素灰度值范围，满足神经元打火时条件的不等式：
R[i]表示在第i次迭代时，神经元的内部活动项在此次迭代中与输入灰度值B的相乘因子,Bhigh和Blow分别为B的上下限，确定处于衰减时刻L+1时神经元灰度值的上限和下限：
影像初始临界值分割的背景区域的灰度范围为1＜B＜BT，可得：
所有神经元在第一次迭代打火后，动态临界值随即上升到UG,即：
Gmn[1]＝Gmn[i1]＝UG 式25
动态临界值的张度须保证大于第二次迭代中所有神经元的内部活动项的值，人为抑制模型神经元第二次迭代被捕获的行为，所有神经元的动态临界值随着迭代次数的增加而衰减，由于神经元未被捕获，得出N和UG满足的取值范围：
其中：
R[2]＝exp(-N)+1+6.8PUL 式27
式26确定了N和UG的下限，这两参数没有上限，自动设置参数时让两者相等，于是有：
UG＝R[2] 式29
和：
脉冲耦合优化神经网络模型的参数自动设置方法可看作是影像固有信息驱动神经元动态行为而得到的，参数的设置兼顾了影像和模型各自特性。
(六)模型参数简化
馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG五个参数的自动设置满足海陆分割无监督性的要求，为进一步提高模型的实时性，继续优化参数设置。馈入输入时间衰减参数M的值与内部活动项V[i]分布区间的宽度负相关，参数M的值越大，内部活动项V[i]的分布区间越宽；反之，参数M的值越小，内部活动项V[i]的分布区间越窄。即参数M的值越大，参与影像分割过程的神经元越多，有效利用信息越多；反之，参数M的值越小，有效利用信息就越少。令M＝+∞,得：
M＝+∞ 式31
UL＝1 式33
N＝lnBmax-2lnBT 式35
B为输入灰度值，Bmax为B的最大值，BT为大津方法确定的临界值。
四、结束判定标准
结束判定标准是让脉冲耦合优化神经网络模型用尽量少的迭代次数分割出尽可能好的结果，即本发明模型迭代的终止条件；
脉冲耦合优化神经网络影像分割时，第一次迭代时所有的灰度值不为零的像素点全部打火，第二次迭代抑制所有像素点的打火，因此取前两次的影像脉冲序列无意义。在第三次迭代i＝3后，令模型已经被打火神经元数目S和全部神经元数目W之比为X，则有：X＝S/W，在脉冲耦合优化神经网络对一张影像分割时，参与的神经元越多，分割的精度越高，但过于追求让全部神经元参与分割，会导致迭代次数过多影响分割速度。另一方面，已经打火的神经元过少，会抑制部分有意义的子区域出现，而已打火的神经元过多，会让模型的迭代陷入无穷循环，确定合适的X值终止模型的处理过程，既可提高模型运算速度，又可得到最优的结果。
本发明确定这一比值为r＝1-(1/25)2＝0.9984，如果X的值小于或者等于r时，说明神经元的利用率低于预期，继续脉冲耦合优化神经网络模型的运行；反之，如果R的值大于r时，说明已有足够的神经元参与模型的迭代，终止模型的迭代；选择最后一次迭代的输出序列作为模型分割的结果。
五、海陆分割的形态学图像处理
(一)扩张与侵蚀处理
用数学形态学对分割后的结果进行处理，二值化影像的数学形态学影像处理利用适当的结构元素S与二值化影像B相互作用,突出需要的信息，形态学影像处理是扩张与侵蚀运算，闭运算具有连接邻近物体、填充物体内细小孔洞、不明显改变物体面积的情况下平滑边界的作用。海陆并存的影像分割完后，陆地区域经常有一些狭窄的却空和小孔洞，有些地方还会出现断裂，因此我们在这里对海陆分割的影像采用闭运算形态学图像处理，经过大量的实验，闭运算使用5×5的圆盘型结构元素。
(二)形态学重构
形态学重构涉及到两张影像和一个结构元素的形态学变换，其中一张影像称为标记，是变换的起始点，另一张影像称为掩模，它约束该变换，结构元素用于定义连接性，默认使用八连接，结构元素是一个值为1且大小为3×3的阵列。
形态学重构用于区域填充，可见光遥感影像中陆地区域中有些像素点与海洋区域中的像素点较近，在分割时被归为一类，对分割后的二值化影像进行形态学图像处理填充孔洞后，可有效降低分割错误率，实现快速高效的可见光遥感影像海陆精确分割。
六、实验结果及分析
本发明所有实验都是在Intel Corei7 2.6GHz、16G内存的计算机上运行，并且在Matlab2014a环境下编程实现的。特别的，在模型运行阶段，每一张实验影像均采用相同的处理：五个可调参数M、N、P UL、UG均先由本发明给出，根据本发明五个式子得到的脉冲耦合优化神经网络的参数值，结合迭代终止判定标准，对每一张输入影像进行分割处理。
图3本发明海陆分割效果与其他方法效果的对比图，原始遥感影像截取自谷歌地球,选取背景较为复杂的海陆并存的遥感影像作为实验对象。分割的流程如图1所述，共截取谷歌地球中的18张影像进行实验，展示其中2张海陆并存遥感影像的分割结果，分别是原始遥感影像((a1)、(b1))、ICM-MRF算法分割结果((a2)、(b2))、本发明算法分割结果((a3)、(b3))，图3(a2)和图3(b2)是ICM-MRF算法分割结果，该算法基于贝叶斯决策经典算法，图3(a2)和图3(b2)中陆地的很多部分分类为海洋，海洋区域的噪声比较大，并且由于树林与海洋颜色纹理较为相似，该算法把它们二区域归为一类，导致结果实用性很差，图3(a3)和图3(a3)是本发明算法的分割结果，从图中可以看出将影像精确分割为海洋和陆地两个区域，而且海洋区域的噪点几乎没有，比较适合甄选海洋区域，且算法鲁棒性好，运行速度较快。
本发明针对现有技术神经网络模型计算复杂度高，可调参数多的问题，提出一种脉冲耦合优化神经网络模型，脉冲耦合优化神经网络模型通过引入韦伯费希纳定律，具有人类视觉系统的特性，并且使该模型更好的适应影像分割以及进一步减小模型分割的计算量。针对模型参数需要人为调节和预先大量试验才能确定的缺点，本发明基于脉冲耦合优化神经网络模型提出了一种可调参数自动设置的算法，为检验上述所提出方法的有效性，使用脉冲耦合优化神经网络模型对几张自然海陆图像进行了分割处理；并且将实验分割结果与其他影像分割方法比对，参数自动设置的脉冲耦合优化神经网络模型和其他方法相比，能够更好地甄别影像中的目标和背景，算法实现快速高效，可见光遥感影像海陆分割效果好。
Claims (9)
1.快速高效的可见光遥感影像海陆精确分割方法，其特征在于，基于脉冲耦合优化神经网络对可见光遥感影像进行海陆分割，首先，对输入的初始遥感影像进行影像灰度化处理，然后进行可见光遥感影像预处理，可见光遥感影像预处理包括可见光遥感影像去噪和可见光遥感影像增强，将可见光遥感影像预处理后的遥感影像输入到脉冲耦合优化神经网络模型中，并对脉冲耦合优化神经网络模型参数进行设置，脉冲耦合优化神经网络模型神经元在接受优化处理的遥感影像刺激后开始运行，通过制定一个结束判定标准终止脉冲耦合优化神经网络模型的运行，最后，对脉冲耦合优化神经网络模型输出的二值化影像做形态学图像处理，得到可见光遥感影像海陆精确分割结果；
脉冲耦合优化神经网络模型由不同的积分衰减器组成，积分衰减器依靠一阶递归数字滤波器实现，设积分衰减器的脉冲响应为C(a)，数学表达式为：
式1中，d表示一个积分衰减器，Ud是放大系数，bd是积分衰减器的延迟时间常数，对于确定的Ud和bd，C(a)是以a为自变量的指数函数；
同样如果脉冲耦合优化神经网络模型中某一个神经元的坐标用(m,n)表示，它周围的神经元坐标则用(g,h)表示，神经元的内部活动项是馈入输入和连接输入非线性相乘的方式组成，神经元通过馈入突触接受输入信号，每个神经元与它的邻域神经元相互连接，该神经元的输出信号通过连接突触调节其邻域神经元的活动，脉冲耦合优化神经网络模型的内部活动项Vmn[i]是由积分衰减器、连接输入和馈入输入组成，数学表达式表示如下：
式2中，Bmn是一个刺激输入，Amngh是连接输入的突触加权系数矩阵，bV是内部活动项的时间常数，i是当前迭代次数,突触加权系数存储在耦合矩阵A中,Y[i-1]是上一次迭代的脉冲，如果模型是发出脉冲，则神经元与邻域神经元耦合，即打火，否则它们之间不建立耦合联系，即不打火；
上一次脉冲耦合优化神经网络模型运行迭代产生的脉冲可反过来调节积分衰减器的临界值，通过增大放大系数UG的值和减小时间常数bG的值提高积分衰减器的临界值，动态门限Gmn[i]是由积分衰减器和脉冲耦合优化神经网络模型上一次运行迭代的动态门限Gmn[i-1]组成，其数学表达式为：
在模型迭代过程中，当神经元的内部活动项Vmn[i]的值超过动态门限Gmn[i]的值时，输出Ymn[i]产生一个脉冲，即动作电位或电子脉冲，神经元输出描述为：
2.根据权利要求1所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，可见光遥感影像去噪处理的可见光遥感海陆影像的主要来源为高斯噪声和脉冲噪声，脉冲噪声是可见光遥感影像预处理阶段优先解决的问题，本发明综合遥感影像分辨率与目标在影像中的尺寸，采用6×6的中值滤波器进行可见光遥感影像去噪。
3.根据权利要求1所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，可见光遥感影像增强采用双向直方图均衡法，增强遥感影像海陆对比度，双向直方图均衡法主要分两步：
步骤一，对可见光遥感影像进行直方图均衡化处理；
步骤二，在步骤一取得的结果上等距离的排列灰度等级；
双向直方图均衡处理是在直方图的灰度密度和灰度间距两个方向同时进行均衡化处理，遥感影像在整个显示范围内分布均匀。
4.根据权利要求1所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，bV、bG是时间常数，令
得到如下数学表达式：
Gmn[i]＝exp(-N)Gmn[i-1]+UGYmn[i] 式13
改进后的脉冲耦合优化神经网络模型采用了Vmn[i]＞Gmn[i-1]的打火方式，模型离散描述方程为三个，可调参数降为现在的五个，分别是馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG，改进的脉冲耦合优化神经网络的内部活动项是一个等式。
5.根据权利要求1所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，脉冲耦合优化神经网络的参数自适应设置中，采用分层分割策略分割一张海陆可见光遥感影像，实现脉冲耦合优化神经网络模型自动设置合适的参数值；具体方法为：首先采用大津方法粗略产生一张海陆影像的分割临界值，把由高于该临界值像素点组成的区域称为目标粗区域，把由低于该临界值像素点组成的区域称为背景粗区域，为激发神经元打火，将第一次分割的目标粗区域作为模型的输出，之后将背景粗区域作为输入进入模型中迭代，细分为更小的子区域，在这种分层分割策略运行过程中，大津方法是影像分割的激发因子，随后，脉冲耦合优化神经网络以拥有人类视觉特性的评判标准对第一次的粗分割进行不断调整，直到得出符合期望的结果为止；
脉冲耦合优化神经网络分割是原始输入遥感影像的固有信息驱动脉冲耦合优化神经网络模型神经元的动态行为，得到一系列脉冲输出序列，从中选取较好的序列作为最终的遥感影像的分割结果。
6.根据权利要求5所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，馈入输入时间衰减参数M是脉冲耦合优化神经网络模型的内部活动项V的时间衰减因子，馈入输入时间衰减参数M和内部活动项V之间存在反比关系,参数M和输入影像C的归一化灰度值之间也存在反比关系，像素灰度值的标准差Q(C)表示该区域纹理平缓程度，设置越平缓的区域神经元的内部活动项衰减越迅速，便于这些神经元归为一类，馈入输入时间衰减参数M与1/Q(C)存在关系,这种关系可拟合为一条对数曲线，参数M用数学表达式为：
M＝log(1/Q(C)) 式15
式15中，输入影像C和内部活动项上下边界值的取值在区间为[0,1]，由对数函数的性质总有参数M＞0。
7.根据权利要求5所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，对给定的参数UL，脉冲耦合优化神经网络模型中周围神经元对中心神经元影响的强弱由P决定，当P越大时影响越强，邻近像素点间的聚合越紧密，相互之间构成子区域的可能性就越大；
连接强度参数P取值范围的上界和下界，计算公式如下所示：
式16和式17中，初次临界值分割的目标区域灰度最小值由BRmin表示，灰度最大值由BRmax表示，BBmax、BBmin分别是初次临界值分割的背景区域灰度最大值和灰度最小值,把从背景区域中被捕获神经元所接受的连接接受域的最大值记为LBmax，其最小值记为LBmin，把从目标区域中的被捕获神经元所接受的连接接受域的最小值记为LRmin，Bmax和Bmin分别是内部活动项区间的上边界和下边界；
连接强度参数P的确定采取参数值近似法，本发明所采用的分层分割策略的初步任务是将遥感影像分割为两个粗区域，将其最大值Pmax作为参数的近似值，即P＝Pmax，在式16中，BRmax是输入影像的最大灰度值，计算出参数P的最大值Pmax，最重要的是求出初次临界值分割的背景区域的最大灰度值BBmax，本发明的P的值由大津方法间接确定，设由大津方法确定的临界值为BT，将其直接赋值给BBmax，有BBmax＝BT和BRmax＝Bmax，Amngh是神经元之间的加权常数矩阵：
式18的矩阵表示的是八邻域神经元中其它七个周围神经元对中心神经元的影响，假设上、下、左、右邻近神经元距中心神经元距离为1，左上、右上、左下、右下邻近神经元距中心神经元距离为0.7，为求得LB的最大值LBmax，假设所有神经元的初始状态都为V[0]＝0、Y[0]＝0、G[0]＝0，则在第一次迭代中，所有神经元接受来自影像像素灰度值非零的刺激，它的内部活动项至少存在一项灰度值非零的刺激Fmn[1]，满足打火条件V[1]＝B＞G[0],这些神经元都将在第一次迭代中打火Y[1]＝1，为得到LB最大值，假设所有神经元都接受刺激，则内部活动项公式中的子项
在第二次迭代中将为常数
将此最大值赋给LBmax：
LBmax＝6.8UL 式19
UL+是连接输入幅值，得到脉冲耦合优化神经网络模型中连接强度参数P的估值计算式：
8.根据权利要求5所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，连接输入幅值UL总是与连接强度参数P捆绑出现在神经元运行的各阶段，对于某一张具体的遥感影像，PVL是一个常数，它们的乘积反映影像的特征,根据：
与UL无关，本发明取连接输入幅值UL＝1。
9.根据权利要求5所述的快速高效的可见光遥感影像海陆精确分割方法，其特征在于，对脉冲耦合优化神经网络模型的参数简化，馈入输入时间衰减参数M、时间变化衰减参数N、连接强度参数P、连接输入幅值UL、临界值变化放大参数UG五个参数的自动设置满足海陆分割无监督性的要求，馈入输入时间衰减参数M的值与内部活动项V[i]分布区间的宽度负相关，参数M的值越大，内部活动项V[i]的分布区间越宽；反之，参数M的值越小，内部活动项V[i]的分布区间越窄；即参数M的值越大，参与影像分割过程的神经元越多，有效利用信息越多；反之，参数M的值越小，有效利用信息就越少；令M＝+∞,得：
M＝+∞ 式31
UL＝1 式33
N＝ln Bmax-2 ln BT 式35
B为输入灰度值，Bmax为B的最大值，BT为大津方法确定的临界值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478423.XA CN111627030A (zh) | 2020-05-29 | 2020-05-29 | 快速高效的可见光遥感影像海陆精确分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478423.XA CN111627030A (zh) | 2020-05-29 | 2020-05-29 | 快速高效的可见光遥感影像海陆精确分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111627030A true CN111627030A (zh) | 2020-09-04 |
Family
ID=72271959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010478423.XA Pending CN111627030A (zh) | 2020-05-29 | 2020-05-29 | 快速高效的可见光遥感影像海陆精确分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111627030A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
| CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050180625A1 (en) * | 2002-03-01 | 2005-08-18 | Arne Heittmann | Image segmenting device and method for segmenting an image with a multiplicity of pixels |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
| 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 |
-
2020
- 2020-05-29 CN CN202010478423.XA patent/CN111627030A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050180625A1 (en) * | 2002-03-01 | 2005-08-18 | Arne Heittmann | Image segmenting device and method for segmenting an image with a multiplicity of pixels |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| "基于脉冲耦合神经网络的光学遥感图像海陆分割的研究", 《武汉大学机构知识库》, 31 December 2019 (2019-12-31), pages 10 - 31 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
| CN112686222B (zh) * | 2021-03-12 | 2021-06-29 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
| CN116310882A (zh) * | 2023-05-16 | 2023-06-23 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
| CN116310882B (zh) * | 2023-05-16 | 2023-09-26 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| Zeng et al. | Underwater target detection based on Faster R-CNN and adversarial occlusion network | |
| CN108444447B (zh) | 一种用于水下避障系统中的渔网实时自主检测方法 | |
| Liu et al. | Remote sensing image change detection based on information transmission and attention mechanism | |
| CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
| CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| CN110675410A (zh) | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 | |
| CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
| Liao et al. | Research on intelligent damage detection of far-sea cage based on machine vision and deep learning | |
| CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
| CN112418028A (zh) | 一种基于深度学习的卫星图像中船舶识别与分割方法 | |
| CN110738166B (zh) | 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质 | |
| Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
| Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
| Sun et al. | Image recognition technology in texture identification of marine sediment sonar image | |
| Ma et al. | Underwater sea cucumbers detection based on improved SSD | |
| CN108765439A (zh) | 一种基于无人水面艇的海天线检测方法 | |
| CN115861359A (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
| Huang | A comparative study of underwater marine products detection based on YOLOv5 and underwater image enhancement | |
| CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
| Zhang et al. | Classification and recognition of fish farming by extraction new features to control the economic aquatic product | |
| Zhou et al. | Deep denoising method for side scan sonar images without high-quality reference data | |
| Ye et al. | Mobilenetv3-YOLOv4-sonar: Object detection model based on lightweight network for forward-looking sonar image | |
| Wang et al. | FPA-DNN: a forward propagation acceleration based deep neural network for ship detection |
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 |