结合PCNN 和LOG 算子的高分辨率遥感影像边缘检测方法＊

黄克凤，於雪琴，黄 亮

(1.昆明市测绘研究院，云南 昆明650051;2.昆明理工大学 国土资源工程学院，云南 昆明650093)

遥感影像作为重要的对地观测数据源之一，已被广泛用于资源调查、地图更新、突发事件应急处理、环境监测等领域。但如何从遥感影像中自动、快速且准确地提取所需的地物专题信息是当前遥感影像处理的热点和难点，因为随着遥感影像空间分辨率的提高，地物专题信息提取的难度也会相应地提高［1］，主要体现在高分辨率遥感影像数据量大、地物内部细节复杂等。

为了更好地提取所需的地物专题信息，就需要充分利用高分辨率遥感影像的多维特征，如纹理特征、形状特征及光谱特征。其中，边缘信息是一种主要的形状特征，它是遥感影像处理的基础和关键［2］。边缘是高分辨率遥感影像中属性区域的分界和不确定性最大的地方，对高分辨率遥感影像的应用和处理具有非常重要的作用［3］。目前针对高分辨率遥感影像的边缘检测算法还较少，已有的算法大多还是采用传统的边缘检测算子，如Sobel 算子、LOG 算子、Laplacian 算子、SUSAN 算子、Kirsch算子以及Canny 算子等。但由于高分辨率遥感影像具有丰富的地物细节，而这些内部细节将直接影响边缘检测的效果，采用传统边缘检测算子难以有效地检测出地物的轮廓边缘。为此，提出一种结合PCNN 模型和LOG 算子的高分辨率遥感影像边缘检测方法，该方法利用PCNN 模型处理滤波后影像得到目标影像，消除地物内部细节给边缘检测造成的影响，然后采用LOG 算子提取出地物边缘信息。

1 提出的边缘检测方法

1.1 PCNN 模型

PCNN 模型是由Eckhorn［4］等人于20 世纪90年代提出的一种新型神经网络模型，该模型已被广泛用于影像分割、影像滤波、影像增强等领域，并得到了很好的结果。PCNN 模型如图1 所示［5-7］。

PCNN 模型具体由如下三个部分组成:

(1)接收域

其作用在于接收来自其它神经元及其它外部的输入。接收域在接收到输入后，将通过连接和反馈两个独立的通道进行传输［8］。反馈输入Fij［n］和连接输入Lij［n］的计算公式如下:

图1 PCNN 模型

式中，Wijkl和Mijkl表示为突触权重系数，通常，Wijkl= Mijkl。Sij表示为外部刺激。在高分辨率遥感影像处理中，Sij表示为遥感影像中每个像素值。VF和VL表示为正则化常数。αF和αL表示为衰减时间常数，通常，αF＜αL。

(2)调制域

在反馈输入Fij［n］和连接输入Lij［n］接收到输入后，将通过加权耦合连接输入Lij［n］并对反馈输入Fij［n］进行非线性调制，以此来产生神经元的内部活动项Uij［n］，其计算公式如下:

式中，β 表示为连接参数。

(3)脉冲产生域

PCNN 模型产生脉冲是根据Uij［n］的一个阶跃函数来产生二值输出的，其根据神经元点火与否的状态进行阈值动态调整。若Uij［n］ ＞Tij［n］，则阶跃函数输出值为1，此时该神经元点火;反之，阶跃函数输出值为0，该神经元不点火。Yij［n］和Tij［n］的计算公式如下:

式中，αT表示为动态阈值的衰减时间常数，VT表示为正则化常数。

1.2 LOG 算子

LOG 算子是一种经典的边缘检测算子，它是由高斯滤波和拉普拉斯算子相结合而形成的［9］。假定高分辨率遥感影像f(x，y)的大小为M×N，则1 ≤x ≤M，1 ≤y ≤N。为了获取影像边缘信息，首先进行卷积及拉普拉斯算子运算，得到输出图像h(x，y)［10］:

通过卷积及微分可交换顺序的性质可以得出:

则LOG 算子为:

由二阶导数的性质可知，检测遥感影像边缘就是寻找h(x，y)的所有过零点。

1.3 基于PCNN 和LOG 算子的遥感影像边缘检测

假定X = {X(i，j)，1 ≤i ≤M，1 ≤j ≤N}为一幅高分辨率遥感影像，其大小为M 像素×N 像素，X(i，j)为高分辨率遥感影像上第i 行、第j 列像素的灰度值。为了实现基于PCNN 和LOG 算子的高分辨率遥感影像边缘检测，采用如下步骤，其基本流程如图2 所示。

(1)采用中值滤波对输入的高分辨率遥感影像进行消噪处理;

(2)初始化PCNN 模型的参数;

(3)采用PCNN 模型对滤波后高分辨率遥感影像进行分割得到待处理的目标影像;

(4)在获得目标影像后，采用LOG 算子对目标影像进行边缘信息检测。

(5)精度评价。

2 实验结果与分析

图2 提出方法流程图

为了验证提出方法的有效性和可行性，实验采用2009 年获取的安宁市某局部区域的遥感影像，其空间分辨率为0.61 m。实验数据如图3(a)所示，影像大小为669 像素×606 像素。实验平台为Windows 7 操作系统，在Matlab R2010b 环境下编译执行。

为了验证提出方法的精度，采用视觉对比和敏感度［11］两种评价方法。图3(b)为采用传统LOG算子得到的边缘检测结果，图3(c)为采用提出的方法得到的边缘检测结果。从图3(b)和3(c)中圆框部分可以看出，采用传统LOG 算子检测出大量的内部“伪边缘”，而采用提出的方法则未出现该问题。从视觉对比来看，提出的方法与传统LOG 算子相比，能得到更好的检测结果。而从敏感度指标也得出了相同的结果，采用传统LOG 算子得到结果为0.0759，采用提出的方法得到结果也为0.0706。从视觉对比和敏感度两种评价方法都可以看出，提出的方法优于传统的LOG 算子。

图3 边缘检测

3 结论

为了有效、准确地检测出高分辨率遥感影像的边缘信息，提出一种结合PCNN 和LOG 算子的高分辨率遥感影像边缘检测方法。该方法利用PCNN 模型对滤波后高分辨率遥感影像进行分割得到目标影像，并采用LOG 算子对目标影像进行边缘检测。为了验证提出方法的有效性和可靠性，采用2009 年获取的安宁市某局部区域的高分辨率遥感影像作为实验数据，并采用视觉对比和敏感度作为评价体系。实验结果表明，提出方法是一种有效、可靠的高分辨率遥感影像边缘检测方法。

［1］Huang L，Fang Y M，Zuo X Q，et al.Application of Markov chain to edge information extraction from high resolution remote sensing image［J］. Electronic Journal of Geotechnical Engineering，2013，18(O):3237 -3245.

［2］Maini R，Aggarwal H. Study and Comparison of Various Image Edge Detection Techniques［J］.International Journal of Image Processing，2009，3(1):1 -12.

［3］王相海，陈明莹，徐孟春. Contourlet 概率分布的遥感图像边缘检测方法［J］.中国图象图形学报，2011，16(10):1900 -1907.

［4］Eckhorn R，Reitboeck H J，Arndt，et al. Feature Linking via Synchronization among Distributed Assemblies:Simulations of Results from Cat Visual Cortex［J］.Neural Computation，1990，2(3):293-307.

［5］Wang Z B，Ma Y D，Cheng F Y，et al. Review of Pulse-Coupled Neural Networks［J］. Image and Vision Computing，2010，28:5 -13.

［6］Wang Z B，Ma Y D，Gu J. Muiti-focus Image Fusion using PCNN［J］.Pattern Recognition，2010，43:2003 -2016.

［7］Yang Y M，Fang Y M，Huang L. An Edge Detection Method for UAV Image Based on Minimum Cross Entropy and Simplified PCNN［J］. Electronic Journal of Geotechnical Engineering，2014，19(Z2):10111 -10120.

［8］顾晓东，余道横.PCNN 的原理及其应用［J］.电路与系统学报，2001，6(3):45 -50.

［9］杨东华，李久贤，卞治国.Marr 边缘检测算法的研究［J］.中国图象图形学报，2006，11(6):823 - 826.

［10］邓彩霞，阴茵，马伟凤，等. 改进的LOG 算子与小波变换融合的边缘检测方法［J］.哈尔滨理工大学学报，2012，17(5):87 -90.

［11］Medina C R，Muñoz S R，Carmona P A，et al.A Novel Histogram Transformation to Improve the Performance of Thresholding Methods in Edge Detection［J］. Pattern Recognition Letter，2011，32:676 -693.