結合簡化PCNN和Zernike矩的遙感影像邊緣檢測方法

摘 ?要： 遙感影像邊緣信息可以提高信息提取精度。但隨著空間分辨率的提高，地物內部細節豐富，地物光譜異質性增強，導致邊緣檢測效果難以滿足實際需求。針對現有傳統方法對高空間遙感影像進行邊緣檢測易產生偽輪廓邊緣的復雜問題，本文提出了一種簡化脈沖耦合神經網絡（Simplified Pulse Coupled Neural Network，SPCNN）結合Zernike矩的邊緣檢測方法。該方法首先采用L0方法對遙感影像進行平滑濾波處理;然后采用SPCNN對濾波后的數據進行閾值分割;最后采用Zernike矩對分割后的影像進行邊緣檢測并對結果進行精度評價。為驗證提出方法，選取兩景遙感影像作為實驗數據。實驗結果表明，提出的方法與傳統Canny算子相比有效提高了遙感影像邊緣檢測精度。

關鍵詞： 脈沖耦合神經網絡;Zernike矩;遙感影像;邊緣檢測

中圖分類號： P237 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.009

本文著錄格式：夏文彬，柳麗仙，黃亮. 結合簡化PCNN和Zernike矩的遙感影像邊緣檢測方法[J]. 軟件，2019，40（12）：3740

Edge Detection Method in Remote Sensing Image Combined

with Simplified PCNN and Zernike Moments

XIA Wen-bin1， LIU Li-xian1， HUANG Liang1，2*

（1. Faculty of Land Resource Engineering， Kunming University of Science and Technology， Kunming 650093， China; 2. Surveying and

Mapping Geo-Informatics Technology Research Center on Plateau Mountains of Yunnan Higher Education， Kunming 650093， China）

【Abstract】： Remote sensing image edge information can improve information extraction accuracy. However， with the increase of spatial resolution， the internal details of the features are rich， and the spectral heterogeneity of the features is enhanced， which makes the edge detection effect difficult to meet the actual needs. Aiming at the complex problem that the existing traditional methods for edge detection of high spatial remote sensing images are prone to false contour edges， a simplified pulse coupled neural network （SPCNN） combined with Zernike moment edge detection method is proposed. Firstly， the L0 method is used to smooth the remote sensing image. Then the SPCNN is used to segment the filtered data. Finally， the Zernike moments is used to perform edge detection on the segmented image and evaluate the accuracy of the result. For the verification method， two remote sensing images were selected as experimental data. The experimental results show that the proposed method effectively improves the edge detection accuracy of remote sensing images compared with the traditional Canny operator.

【Key words】： Pulse coupled neural network; Zernike moments; Remote sensing image; Edge detection

0 ?引言

隨著遙感衛星技術的發展，遙感影像已經成為

最主要的觀測數據源，可廣泛應用于土地覆蓋監測，森林覆蓋監測等方面。其中，邊緣檢測與提取是遙感影像處理的重要內容，是進行遙感影像分析和理解的基礎。邊緣信息是遙感影像對幾何特征的反映，目前遙感影像邊緣檢測技術在遙感影像線性特征提取和變化信息識別中具有廣泛應用[1-3]。隨著遙感影像空間分辨率的提高，地物的細節紋理變得越來越清晰。隨之也引起了邊緣檢測的不確定性和空間變異性越來越高等問題，一定程度上制約了遙感影像信息提取的精度。因此，開展高分辨率遙感影像邊緣檢測方法的研究具有重要的理論和現實意義。

2.2 ?實驗結果

為了驗證本文提出的方法的精度，采用視覺對比和邊界召回率（recall）指標對比兩種評價方法。其中，邊界召回率公式如下：

（10）

式中：TP表示邊緣正確分類為邊緣;FN表示邊緣錯誤分類為非邊緣;TN表示非邊緣正確分類為非邊緣;FP表示為非邊緣錯誤分類為邊緣。

圖3（c）和4（c）是采用Canny算法通過matlab編譯得到的地物邊緣信息;圖3（d）和4（d）為采用提出的SPCNN結合Zernike矩方法得到的地物邊緣信息。

（a） ? ? ? ? ? ? ? ? ? ? ? （b）

（c） ? ? ? ? ? ? ? ? ? ? ? （d）

圖3 ?第一組遙感影像邊緣檢測實驗結果

Fig.3 ?The first set of remote sensing image edge

detection experimental results

2.3 ?結果分析

從圖3和圖4結果可以看出，提出的方法與參考影像更為接近，地物邊緣附著度更高。為了更好分析實驗結果，對圖4標注紅色圓框。紅色圓框標注部分主要包含兩棟地面建筑物，兩棟建筑物屋頂部分紋理細節非常豐富。采用Canny算法提取和檢測出的兩棟建筑物內部出現大量非真實建筑物輪廓邊緣。而提出的SPCNN和Zernike矩的方法與Canny方法相比則未檢測出建筑物內部非輪廓邊緣。提出的SPCNN和Zernike矩的方法能得到更為精確的結果。

（a） ? ? ? ? ? ? ? ? ? ? ? （b）

（c） ? ? ? ? ? ? ? ? ? ? ? （d）

圖4 ?第二組遙感影像邊緣檢測實驗結果

Fig.4 ?The second set of remote sensing image

edge detection experimental results

通過邊界召回率的定量評價方式也驗證了視覺比較的結果。采用Canny方法得到結果的邊界召回率是0.1125，采用提出的SPCNN和Zernike矩方法得到的邊界召回率是0.3900。根據視覺對比和地物邊界召回率這兩種定性和定量評價方法均驗證了提出的SPCNN和Zernike矩方法優于經典的Canny方法。

表1 ?兩組實驗結果的recall指數

Tab.1 ?Recall index of two sets of experimental results

圖像 算法 recall

數據一 本文算法 0.3414

Canny算子 0.2685

數據二 本文算法 0.3900

Canny算子 0.1125

3 ?結束語

針對傳統遙感影像邊緣檢測方法檢測出大量偽輪廓信息的問題，本文提出了一種SPCNN結合Zernike矩的遙感影像邊緣檢測和識別方法。為了驗證所提出的SPCNN結合Zernike矩方法的可行性，實驗選取了一景無人機影像和一景QuickBird影像作為實驗數據，并設計了兩組對比實驗。兩組實驗結果可以看出，提出的方法較傳統的Canny算子召回率分別提高了0.07和0.28。實驗結果驗證了提出方法的魯棒性和可行性。但目前該方法還存在一些問題有待改進，如細小的邊緣線連接性較差，不能形成一個完整閉合的輪廓區域，下一研究方向將就此方面展開深入的研究。

參考文獻

[1]許雪貴， 張清. 基于CUDA的高效并行遙感影像處理[J]. 地理空間信息， 2011， 9（6）： 47-53.

[2]劉成志， 李軍成， 楊煉. 基于三次Bézier曲線逼近的邊緣亞像素定位方法[J]. 軟件， 2015， 36（7）： 31-35.

[3]林王兵， 許燕， 韓飛， 呂超賢， 龔佳俊， 等. 實驗室環境下的邊緣檢測技術研究綜述[J]. 軟件， 2015， 36（9）： 29-32.

[4]袁春蘭， 熊宗龍， 周雪花， 等. 基于Sobel算子的圖像邊緣檢測研究[J]. 激光與紅外， 2009， （1）： 85-87.

[5]張月圓， 曾慶化， 劉建業， 等. 基于Canny的改進圖像邊緣檢測算法[J]. 導航與控制， 2019， 18（1）： 84-90.

[6]楊鵬. 一種基于圖像插值運算的Laplace算子邊緣檢測方法[J]. 浙江工貿職業技術學院學報（應用技術版）， 2018， 18（3）： 66-69.

[7]Mathieu B， Melchior P， Oustaloup A， et al. Fractional differentiation for edge detection[J]. Signal Processing： The Official Publication of the European Association for Signal Processing （EURASIP）， 2003， 11（11）： 2421-2432.

[8]Fu Z， Song S， Wang X， et al. Imaging the Topology of Grounding Grids Based on Wavelet Edge Detection[J]. IEEE Transactions on Magnetics， 2018： 1-8.

[9]林卉， 杜培軍， 舒寧. 基于多結構元素的數學形態學的遙感圖像邊緣檢測方法[J]. 遙感技術與應用（圖像處理）， 2004， 19（2）： 114-118.

[10]Eckhorn R. Neural mechanisms of scene segmentation： recordings from the visual cortex suggest basic circuits for linking field models[J]. IEEE Transactions on Neural Networks， 1999， 10（3）： 464-479.

[11]Yao C， Chen H J. Automated retinal blood vessels segmenta tion based on simplified PCNN and fast 2D-Otsu algorithm [J]. Journal of Central South University of Technology， 2009， 16（4）： 640-646.

[12]玄玉波. 基于GPU的Zemike矩快速算法研究[D]. 吉林： 吉林大學， 2018.

[13]沈霄鳳. Zernike矩與應用[J]. 華東師范大學學報（自然科學版）， 1997， （01）： 104-107.

[14]孫艷春. 基于Zernike矩圖像識別深化研究[D]. 蘭州： 蘭州交通大學， 2018.