一種用細胞神經網提取遙感圖像邊緣的新方法

(1.北京科技大學 信息工程學院， 北京 100083；2.廣東海洋大學 信息學院， 廣東 湛江 524088；3.仲愷農業技術學院， 廣州 510225)

摘要：針對灰度遙感圖像具有噪聲多、圖像亮度均勻、邊緣模糊等特點，提出了基于細胞神經網遙感圖像邊緣檢測的新方法。該算法主要是利用細胞神經網先后對遙感圖像進行圖像濾波、灰度閾值化、膨脹腐蝕、邊緣檢測等模板操作。實驗結果表明，與傳統的Sobel和Canny邊緣檢測算法相比，本算法不僅能有效地去除噪聲對邊緣檢測的影響，而且能夠快速完整地提取圖像邊緣。

關鍵詞：細胞神經網；遙感圖像；邊緣提取；模板

中圖分類號：TP79； TN911.7文獻標志碼：A

文章編號：1001-3695(2008)11-3504-03



Novel CNN algorithm for extracting remote sensing image edge



XU Guo-bao1，2，HONG Li-lan2，HAO Yan-shuang1，YIN Yi-xin1，SHEN Yu-li3

(1.School of Information Engineering， University of Science Technology Beijing， Beijing 100083， China;2. School of Information， Guangdong Ocean University， Zhanjiang Guangdong 524088， China;3.Zhongkai University of Agriculture Technology， Guangzhou 510225， China)Abstract:As gray remote sensing image had the characteristics of much noise， image brightness uniformity， and fuzzy edge， a novel edge detection method based on cellular neural networks (CNN)was presented. In the algorithm， image filtering， gray threshold segmentation， dilation and erosion， and edge detection using CNN were performed for remote sensing image successively. The experimental results show that the proposed algorithm，compared with the triditional edge detection algorithms of Sobel and Canny can not only effectively eliminate the influence of noise on edge detection， but quickly detect the complete image edge. 

Key words:cellular neural networks; remote sensing image; edge detection; template 

0引言

近年來遙感技術逐漸應用到天氣、地質、災害預測和城市規劃等各個方面，遙感圖像的分析和處理越來越引起專家學者的重視^[1~3]。遙感圖像的邊緣檢測是圖像分析非常重要的基礎，是圖像識別中提取圖像的一個重要特征屬性。遙感圖像具有比例尺小，圖像亮度分布較為均勻；主要邊緣斷點較多，損失較大；圖斑復雜，次要邊緣干擾較多；噪聲明顯等特點^[4]。因此，利用在一般圖像中能取得較好檢測效果的Sobel算子、Canny算子等對包含大量噪聲的復雜遙感圖像進行邊緣檢測就很難獲得滿意的效果。為此專家學者提出很多算法，如薛麗霞等人^[4]提出一種基于云的模糊遙感影像的邊緣檢測方法。Nie-dermeie等人^[1]利用小波變換的方法提取遙感圖像中強度大于某個閾值的邊緣，并提出Block Tracing算法用于確定海岸帶的位置。Ju Cun-yong等人^[5]提出一種基于數學形態學的遙感圖像自動分割算法。Dellepiane等人^[6]采用模糊連接性的思想實現海岸線的檢測與提取。

以上算法主要存在兩方面問題：a)邊緣檢測不夠完整。由于遙感圖像中含有大量的噪聲，要準確地檢測出圖像的邊緣，噪聲的濾除成為了邊緣檢測必不可少的步驟。濾除噪聲時，必然削弱邊緣信息，從而導致邊緣檢測不夠完整。b)有些算法比較復雜，實時檢測難以實現。

本文利用細胞神經網的并行處理圖像能力，結合數學形態學良好的去噪能力，提出一種用細胞神經網絡檢測遙感圖像邊緣的新算法。

1細胞神經網絡的理論知識

細胞神經網絡(cellular neural networks，CNN) 是1988年由美國加州大學Chua教授和Lin Yang博士提出來的。CNN是一種基于神經元局域連接的神經網絡并行處理器^[7]。它具有高速并行的實時運算處理能力，因而，可利用細胞神經網絡來解決圖像處理的實時性問題^[8]。

一個規模為M×N的細胞神經網絡共有M×N個細胞，排列成M行N列，如圖1所示。C(i， j)表示第i行第j列的細胞。

定義1C(i， j)的r-鄰域可定義如下(r為一個正整數)：

Nr(i， j)={C(k，l)|max{|k-i|，|l-j|}≤r，1≤k≤M，1≤l≤N}（1）

由式（1）可知，鄰域內細胞具有對稱性，即如果C(i， j)∈Nr(k，l)，那么同時也有C( k，l)∈Nr(i， j)。一般情況取r=1。

根據細胞的等效電路模型，每個細胞均有一個狀態，一個恒定的外界輸入和輸出，因而任意一個細胞都可以用以下的動態方程來描述：

a）標準狀態方程

CdVxij(t)/dt=-Vxij(t)/Rx+C(k，l)∈Nr(i， j)A(i，j;k，l)Vykl(t)+C(k，l)∈Nr(i， j)B(i， j;k，l)Vukl(t)+z(2)

其中:i=1，2，…，M;j=1，2，…，N。

b）輸出方程為

yij=f(xij)=(|Vxij(t)+1|-|Vxij(t)-1|)/2（3）

其中：i=1，2，…，M;j=1，2，…，N。

式（2）中Vxij(t)、Vykl(t)、Vukl(t)分別代表細胞Cij的狀態變量、輸出變量和輸入變量，z為閾值，Akl(i，j，t)稱為線性反饋模板，Bkl(i， j，t)稱為線性控制模板，且滿足約束條件|xij(0)|≤1，|uij|≤1。式（3）表示輸出與狀態的關系。其中輸出是一段非線性的分段函數，如圖2所示。

運用CNN對灰度圖像進行圖像處理時，一般需要進行以下兩方面的預處理：

a）將微分方程式（2）轉換為差分方程

Vxij(n+1)=C(k，l)∈Nr(i， j)A(i，j;k，l)Vykl(n)

+C(k，l)∈Nr(i， j)B(i，j;k，l)Vukl(n)+z(4)

其中C=Rx=1。

b)像素值的范圍調整。CNN的輸入與初始狀態值在-1~+1，-1表示像素為白色，+1表示像素為黑色。在計算機中，圖像的灰度值由0~255的數表示，0表示黑色，255表示白色。所以，將圖像的灰度值作為細胞神經網絡的輸入值時，需要一個將灰度值從區間[0，255]變換到區間[-1，+1]的映射。

2基于CNN的遙感圖像邊緣檢測算法

用細胞神經網來處理圖像時，它的規模與待處理圖像規模相同，如果待處理的圖像包含M×N個像素，則CNN就需要M×N個細胞神經元。像素與細胞一一對應，每個神經元的狀態按照方程（2）迭代改變，直至整個網絡收斂^[9]，圖像才處理完畢。

從細胞的狀態方程式（2）可得知，CNN的動態機制包括輸入控制和輸出反饋兩種。其中，輸入控制的效果取決于模板B，而輸出反饋的效果取決于模板A，所以用CNN進行圖像處理的關鍵是如何找到合適的模板。灰度遙感圖像具有噪聲多、圖像亮度均勻、邊緣模糊等特點，因而不能直接進行邊緣檢測，需要對遙感圖像作一系列圖像預處理。

本文提出的算法是利用細胞神經網的凸性模板、閾值化模板、腐蝕膨脹模板和邊緣檢測模板操作，分別實現圖像的濾波、灰度圖像二值化、空洞的填充和邊緣的檢測。

1)圖像濾波遙感圖像中含有大量噪聲，噪聲的濾除是邊緣檢測的一個基本環節，其效果直接決定邊緣檢測的性能。本文直接用細胞神經網凸性恢復模板來濾波，較好地去除遙感圖像噪聲。凸性恢復模板為

2)灰度圖像二值化在圖像處理中，一般目標和背景的灰度具有相似性，因而，可以利用閾值分割將灰度遙感圖像轉換為二值遙感圖像，以便更好地檢測圖像邊緣。

3)膨脹和腐蝕操作灰度遙感圖像閾值化后成為二值圖像，不可避免地存在一些孤立點和空洞。本文采用了數學形態學的膨脹和腐蝕操作，較好地去除孤立點，填充了空洞，為接下來邊緣檢測作準備。

4)邊緣檢測遙感圖像經歷了以上凸性濾波操作、閾值分割二值化、膨脹腐蝕操作后，接下來可以進行邊緣檢測操作。

邊緣檢測模板為

通過以上幾步操作，較好地檢測出遙感圖像的邊緣。

3實驗結果與分析

為了驗證本文提出算法的有效性，對于不同場景的遙感圖像進行邊緣提取實驗。由于實驗設備有限，實驗的平臺采用Analogic Computers Ltd.的Aladdin v1.3 Visual Mouse Platform細胞神經網絡仿真系統。

為了將本文提出的算法與傳統方法進行比較，更好地說明本文算法的有效性，筆者利用MATLAB 6.5分別對三種不同場景的遙感圖像用Canny算子和Sobel算子進行邊緣檢測。實驗結果如圖3~5所示。

從圖3~5可知，圖（b）是用傳統的Canny算子提取的邊緣。用該算子提取的邊緣主要問題是存在過提取現象，將一些背景非邊緣信息也提取出來(圖4（b））。圖（c）是Sobel算子提取的邊緣。該算法盡管不存在過提取問題，但邊緣的連續性和完整性較差，而且還存在邊緣漏檢測問題（圖5（c））。圖（d）是用本文CNN算法提取的邊緣。三幅圖的實驗結果表明提取的邊緣完整性和連續性均較好，且與原圖比較吻合。

從邊緣檢測結果可以看出，本文提出的算法能夠較好地消除噪聲影響，克服亮度均勻和邊緣模糊影響，能快速完整地提取出遙感圖像的邊緣。此外，與傳統方法相比，CNN方法最突出的優點是，它能高速并行計算，且處理速度與圖像大小無關，只與細胞通用機硬件速度有關。所以它在圖像實時處理方面具有很大的潛力。

4結束語

由于遙感圖像具有噪聲多、亮度均勻和邊緣模糊等特點，一般的邊緣檢測算法（如Canny算子和Sobel算子）很難實現遙感圖像邊緣的提取。為此，本文提出利用細胞神經網的遙感圖像邊緣檢測算法。實驗結果表明，與經典邊緣檢測算法相比，本文提出的算法具有較強的環境適應能力，不僅能克服噪聲對邊緣提取的影響，而且能克服亮度均勻、邊緣模糊等影響。能快速完整地提取遙感圖像的邊緣，為后續遙感圖像的識別和分析奠定良好的基礎。

參考文獻：

［1］

NIEDERMEIE A，ROMANCESSEN E，LEHNER S.Detection of coastlines in SAR images using wavelet methods[J].IEEE Trans on Geoscience and Remote Sensing，2000，38:2270-2281.

[2]GERMAN O，REFREGIER P.Edge location in SAR images perfor-mance of the likelihood ratio filter and accuracy improvement with an active contour approach[J].IEEE Trans on Image Processing，2001，10:72-78.

[3]LI Bo，JIAO Run-hai，LI Yuan-cheng.Fast adaptive wavelet for remote sensing image compression[J].Journal of Computer Science and Technology，2007，22(5):770-778.

[4]薛麗霞，汪林林，李永樹.一種新的遙感影像邊緣檢測方法[J].計算機科學，2007，34(7):235-237.

[5]JU Cun-yong，CAI Ti-jiu，FENG Zhong-ke.Automatic segmentation of high-resolution remote sensing image based on mathematical morpho-logy[J].Journal of Beijing Forestry University，2005，27(2): 84-87.

[6]DELLEPIANE S， DE LAURENTIES R， GIORDANO F.Coastline extraction fromSAR images and a method for the evaluation of the coastline precision[J].Pattern Recognition Letters，2004，25:1461-1470.

[7]CHUA L O，YANG L.Cellular neural network:theory and applications[J].IEEE Trans on Circuit and System，CAS，1988，35(10):1257-1290.

[8]KANANEN A，PASION A，LAIHO M.CNN applications from the hardware point of view:video sequence segmentation[J].Internatio-nal Journal of Circuit Theory and Applications，2002，30:117-137.

[9]張洪鉞，錢芳，郭紅濤.用細胞神經網絡提取二值與灰度圖像邊緣[J].中國圖象圖形學報，2001，6(10A):974-978.