基于簡(jiǎn)化PCNN的遙感影像河流信息提取

王博 石陳妮子

摘要：根據(jù)河流在遙感圖像上的光譜特征以及脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）動(dòng)態(tài)激活特性，提出一種基于簡(jiǎn)化PCNN的遙感影像提取河流信息方法。首先將遙感影像預(yù)處理，減小周圍環(huán)境的影響，再利用簡(jiǎn)化PCNN和數(shù)學(xué)形態(tài)學(xué)對(duì)其進(jìn)行邊緣提取。結(jié)果表明：該方法對(duì)遙感影像提取河流信息比傳統(tǒng)方法更為快速有效，并且在抗噪性方面有明顯優(yōu)勢(shì)。

關(guān)鍵詞：河流信息提取;脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）;遙感影像;圖像處理

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)志碼：A

doi： 10.3969/j.issn.1000-1379.2019.01.014

河流的空間分布格局及時(shí)空變化規(guī)律對(duì)于開發(fā)利用和治理保護(hù)河流影響重大，因此如何快速、準(zhǔn)確地提取河流信息是科研工作者廣泛關(guān)注的問題。早期提取河流信息的普遍做法是利用紙質(zhì)地形圖對(duì)所需要的河流信息進(jìn)行量算、分析，隨著對(duì)地觀測(cè)技術(shù)的快速發(fā)展，利用高分辨率遙感影像以及數(shù)字高程模型（DEM）提取河流信息的準(zhǔn)確性、高效性、便捷性使其逐漸得到廣泛應(yīng)用。DEM數(shù)據(jù)格式主要有柵格型、不規(guī)則三角網(wǎng)、等高線3種類型，DEM更適于提取流向、匯流面積、河網(wǎng)等水文特征，并且DEM數(shù)據(jù)結(jié)構(gòu)和計(jì)算方法比較簡(jiǎn)單。但DEM的3種數(shù)據(jù)格式有明顯的不足，例如：柵格類型的DEM是以離散格網(wǎng)表示連續(xù)地表，只能是地表的近似，必然存在誤差：不規(guī)則三角網(wǎng)和等高線DEM適合于表達(dá)復(fù)雜、大尺度地貌特征，但前者算法復(fù)雜，后者不易操作[1]。高分辨率的遙感影像包含地物的時(shí)間、空間、光譜等信息非常豐富，且數(shù)據(jù)量龐大。在遙感影像中，河流多表現(xiàn)為線狀，且在TM影像中顏色較暗，這些特點(diǎn)使得從遙感影像中準(zhǔn)確、快速地提取河流信息的研究有重要意義。高分辨率遙感影像提取河流信息的方法主要有基于像元的分類法、人工神經(jīng)網(wǎng)絡(luò)分類法、模糊數(shù)學(xué)分類法、基于知識(shí)發(fā)現(xiàn)的分類法等[2-3]。脈沖耦合神經(jīng)網(wǎng)絡(luò)（ PCNN）是人工神經(jīng)網(wǎng)絡(luò)中的一種，它是Eckhorn等[4] 1990年根據(jù)貓的大腦皮層同步脈沖現(xiàn)象提出的神經(jīng)元模型，被廣泛用于圖像分割、平滑處理、目標(biāo)識(shí)別、特征提取等方面[5-8]。筆者根據(jù)河流的形態(tài)特征，對(duì)預(yù)處理過的遙感影像運(yùn)用PCNN分割出河流網(wǎng)絡(luò)，并利用區(qū)域連通性特征和長度濾波去噪，提取最終的河流網(wǎng)絡(luò)。研究表明，該方法對(duì)遙感影像中河流信息的提取比傳統(tǒng)方法更為有效。

1 PCNN模型及其原理

單個(gè)PCNN神經(jīng)元模型如圖1所示。

PCNN神經(jīng)元模型主要由接收域、調(diào)制部分和脈沖產(chǎn)生部分組成，其中：接收域接收鄰近神經(jīng)元和外部的輸入，再由F和L面通道經(jīng)過調(diào)制部分得到信號(hào)U，脈沖產(chǎn)生部分由比較器（閾值可變）和脈沖產(chǎn)生器組成。當(dāng)神經(jīng)元輸出一個(gè)脈沖時(shí)，閾值E通過反饋迅速提升，E>U（即信號(hào)小于閾值）時(shí)，脈沖產(chǎn)生器關(guān)閉，停止發(fā)射脈沖，閾值E減小;當(dāng)閾值E

將PCNN用于圖像分割處理時(shí)，圖像中的像素對(duì)應(yīng)一個(gè)神經(jīng)元，并與鄰近神經(jīng)元相連接。通過調(diào)節(jié)突觸連接權(quán)重M、W，可對(duì)圖像進(jìn)行不同程度的分割。較大的連接強(qiáng)度可將圖像分為一個(gè)或多個(gè)部分，較小的連接強(qiáng)度可得到圖像細(xì)節(jié)。PCNN分割圖像完全依賴于圖像的自然屬性，不用預(yù)先選擇處理的空間范圍。

2 PCNN簡(jiǎn)化模型

在PCNN分割圖像時(shí)，需要確定時(shí)間衰減常數(shù)、放大系數(shù)、連接權(quán)重、調(diào)制參數(shù)等，分割的結(jié)果與參數(shù)的選擇關(guān)系密切，通常通過試驗(yàn)來修改參數(shù)值。本文采用李海燕等[9]提出的最優(yōu)門限PCNN簡(jiǎn)化模型（見圖2）。

簡(jiǎn)化的PCNN模型將歸一化的像素灰度值作為輸入域F，連接域L通道與周圍8鄰域神經(jīng)元輸出相連，同時(shí)接收鄰域內(nèi)其他神經(jīng)元的輸出，表達(dá)式為

傳統(tǒng)PCNN模型閾值函數(shù)呈指數(shù)衰減趨勢(shì)，長時(shí)間的衰減后當(dāng)突然有神經(jīng)元激活時(shí)開始增加，隨后又衰減，反復(fù)變化，使得大量信息存儲(chǔ)在激活周期和相位變化中，最后輸出的二值圖像卻不包含全部信息[10]。李海燕等[9]提出將最優(yōu)閾值（圖像平均亮度的統(tǒng)計(jì)值）作為激活閾值，一次脈沖并行傳播完成圖像分割，不需要計(jì)算圖像熵值和迭代次數(shù)，最優(yōu)閾值計(jì)算公式為式中：a為最優(yōu)門限中的參數(shù)，取1.3;M、W分別為行、列像元個(gè)數(shù)。

因此，簡(jiǎn)化后的PCNN模型只需要人工確定連接系數(shù)β即可。

3 利用簡(jiǎn)化PCNN提取遙感影像中河流信息的方法

3.1 遙感影像預(yù)處理

高分辨率遙感影像中包含大量的地物信息，各地物主體形狀清晰明顯，其他無關(guān)細(xì)節(jié)也很豐富，這為河流信息提取帶來一定難度，因此需要對(duì)圖像進(jìn)行預(yù)處理。依據(jù)河流在遙感影像上所表現(xiàn)出的灰度特點(diǎn)和形態(tài)特征，采用二值化和數(shù)學(xué)形態(tài)學(xué)來預(yù)處理圖像。

數(shù)學(xué)形態(tài)學(xué)以圖像形態(tài)特征為研究對(duì)象，主要有腐蝕運(yùn)算、膨脹運(yùn)算、開運(yùn)算和閉運(yùn)算4種基本運(yùn)算。結(jié)構(gòu)元素S腐蝕運(yùn)算和膨脹運(yùn)算二佰圖像的表達(dá)式為

先確定閾值將圖像二值化，再利用形態(tài)學(xué)濾波，將二值化后的遙感圖像噪聲消除。本研究選用[3，3]的“rectangle”元素進(jìn)行開閉運(yùn)算，并采用bwareaopen函數(shù)刪除小面積對(duì)象，減少周圍環(huán)境對(duì)河流信息提取的影響。

3.2 利用簡(jiǎn)化PCNN模型進(jìn)行分割提取

在PCNN分割圖像時(shí)，確定簡(jiǎn)化的PCNN公式為式（3）～式（4）、式（6）～式（8）。

3.3 圖像增強(qiáng)

遙感圖像中，河流圖像的質(zhì)量很容易受到周邊城市、山區(qū)等因素的影響，尤其以周邊山區(qū)影響最大，兩者在灰度圖像上很難通過二值化等操作加以區(qū)別。本研究采用形態(tài)學(xué)描述中的面積和體態(tài)比來解決山區(qū)部分與河流灰度的相似性，體態(tài)比公式為

C=W/L

（13）

式中：C為連通區(qū)域的體態(tài)比;L、W分別為區(qū)域最小外接矩形的長度和寬度。

被檢測(cè)區(qū)域的體態(tài)比滿足關(guān)系式：

C'>C TH

（14）式中：C'為被檢測(cè)區(qū)域的體態(tài)比;C TH為體態(tài)比閾值。

3.4 后處理

利用邊界算子“Sobel”提取邊界。Sobel算子是圖像邊緣檢測(cè)中極為重要的算子，它是離散的一階差分算子，有檢測(cè)水平邊緣和垂直邊緣兩個(gè)矩陣，將圖像中的像素與這兩個(gè)矩陣做卷積運(yùn)算，即可得到圖像水平和垂直梯度。再將得到的梯度與預(yù)設(shè)的閾值進(jìn)行比較，即可判斷該點(diǎn)是否為圖像邊緣。

4 研究結(jié)果及分析

本研究在Matlab2010b平臺(tái)上實(shí)現(xiàn)，數(shù)據(jù)來自浙江某地區(qū)遙感圖像。簡(jiǎn)化PCNN方法提取河流信息過程見圖3。

圖3中：（a）為原圖像;（b）為利用簡(jiǎn)化PCNN處理過的圖像（為方便展示，圖像取反），可以看出，山區(qū)的圖像灰度接近于河流，同時(shí)橫跨的橋梁也對(duì)提取有很大影響，需要進(jìn)一步對(duì)圖像進(jìn)行處理，本研究采用體態(tài)比消除山區(qū)影響，利用膨脹運(yùn)算消除橋梁影響：（c）為消除橋、山區(qū)影響后的圖像;（d）為再利用邊緣算子“Sobel”提取邊界;（e）為將提取的邊界加載到原圖像上。

為進(jìn)一步檢驗(yàn)簡(jiǎn)化PCNN算法的有效性及性能，將其與常用算法Otsu、K- means進(jìn)行對(duì)比。圖4、圖5分別為利用Otsu和K- means（設(shè)置3個(gè)初始聚類中心）算法提取的河流圖像。對(duì)比圖3（b）利用簡(jiǎn)化PCNN分割的結(jié)果來看.Otsu與K- means算法在河流圖像分割能力方面表現(xiàn)不是很好.Otsu算法甚至未能將河流從背景圖像中有效分割出來。因此，簡(jiǎn)化PCNN在河流信息提取方面明顯比常用算法好，對(duì)于經(jīng)過簡(jiǎn)化PCNN分割過的圖像，可以直接進(jìn)行下一步工作。

Otsu、簡(jiǎn)化PCNN、K- means算法實(shí)際耗時(shí)分別為0.240、0.337、0.405 s?？梢钥闯觯?jiǎn)化PCNN算法實(shí)際耗時(shí)介于Otsu與K- means算法之間，略高于Otsu算法的耗時(shí)（相差不到0.1 s）。

5 結(jié)語

本文提出利用簡(jiǎn)化PCNN對(duì)遙感影像提取河流信息的方法，首先對(duì)遙感影像預(yù)處理，再利用簡(jiǎn)化PCNN對(duì)圖像自動(dòng)分割，并利用形態(tài)學(xué)濾波消除圖像噪音，最后采用邊緣提取算子提取河流邊界。研究結(jié)果表明，簡(jiǎn)化PCNN方法在圖像分割和抑制噪聲方面都優(yōu)于傳統(tǒng)方法，但山區(qū)、橋梁等大大影響了河流信息的提取效率，有待于進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1]管偉瑾，曹泊，王曉艷，河流信息提取方法比較[J]，人民黃河，2017，39（2）：51-55.

[2]王偉超，鄒維寶，高分辨率遙感影像信息提取方法綜述[J].北京測(cè)繪，2013（4）：1-5.

[3]王民，卞瓊，高路，高分辨率遙感衛(wèi)星影像的河流提取方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（18）：193-196.

[4]

ECKHORN R，REITBOECK H J，ARNDT M， et al.FeatureLinking via Synchronization among Distributed Assemblies：Simulation of Results from Cat Visual Cortex[J].NeuralComputation， 1990，2（3）：293-307.

[5] RANCANATH H S，KUNTlMAD G，JOHNSON J L，et al.Pulse Coupled Neural Networks for Luage Processing[C]∥Proceedings of IEEE Southeastcon' 95： Visualize the Future.New York：IEEE，1995： 37-43.

[6]RANGANATH H S，KUNTIMAD G.Image SegmentationUsing Pulse Coupled Neural Networks[C]//Proceedings ofIEEE International Conference on Neural Networks. Orlando，F(xiàn)lorida：IEEE，1994：1285-1290.

[7] 李德儉，柏正堯，姚娜，等，一種基于PCNN和C均值算法的圖像分割方法[J].儀器儀表學(xué)報(bào)，2009，30（6）：119-122.

[8]

JOHNSON J L，PADCETIT M L.PCNN Models and Applica-tions[J].IEEE Transactions on Neural Networks， 1999， 10 （3）：480-498.

[9] 李海燕，柏正堯，任文平，一種基于最優(yōu)門限的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割新方法[J].儀器儀表學(xué)報(bào)，2008，29（4）：472-475.

[10] 馬義德，戴若蘭，李廉，一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動(dòng)圖像分割方法[J].通信學(xué)報(bào)，2002，23（1）：46- 51.