基于簡化PCNN的遙感影像河流信息提取

王博 石陳妮子

摘要：根據河流在遙感圖像上的光譜特征以及脈沖耦合神經網絡（PCNN）動態激活特性，提出一種基于簡化PCNN的遙感影像提取河流信息方法。首先將遙感影像預處理，減小周圍環境的影響，再利用簡化PCNN和數學形態學對其進行邊緣提取。結果表明：該方法對遙感影像提取河流信息比傳統方法更為快速有效，并且在抗噪性方面有明顯優勢。

關鍵詞：河流信息提取;脈沖耦合神經網絡（PCNN）;遙感影像;圖像處理

中圖分類號：P237

文獻標志碼：A

doi： 10.3969/j.issn.1000-1379.2019.01.014

河流的空間分布格局及時空變化規律對于開發利用和治理保護河流影響重大，因此如何快速、準確地提取河流信息是科研工作者廣泛關注的問題。早期提取河流信息的普遍做法是利用紙質地形圖對所需要的河流信息進行量算、分析，隨著對地觀測技術的快速發展，利用高分辨率遙感影像以及數字高程模型（DEM）提取河流信息的準確性、高效性、便捷性使其逐漸得到廣泛應用。DEM數據格式主要有柵格型、不規則三角網、等高線3種類型，DEM更適于提取流向、匯流面積、河網等水文特征，并且DEM數據結構和計算方法比較簡單。但DEM的3種數據格式有明顯的不足，例如：柵格類型的DEM是以離散格網表示連續地表，只能是地表的近似，必然存在誤差：不規則三角網和等高線DEM適合于表達復雜、大尺度地貌特征，但前者算法復雜，后者不易操作[1]。高分辨率的遙感影像包含地物的時間、空間、光譜等信息非常豐富，且數據量龐大。在遙感影像中，河流多表現為線狀，且在TM影像中顏色較暗，這些特點使得從遙感影像中準確、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、人工神經網絡分類法、模糊數學分類法、基于知識發現的分類法等[2-3]。脈沖耦合神經網絡（ PCNN）是人工神經網絡中的一種，它是Eckhorn等[4] 1990年根據貓的大腦皮層同步脈沖現象提出的神經元模型，被廣泛用于圖像分割、平滑處理、目標識別、特征提取等方面[5-8]。筆者根據河流的形態特征，對預處理過的遙感影像運用PCNN分割出河流網絡，并利用區域連通性特征和長度濾波去噪，提取最終的河流網絡。研究表明，該方法對遙感影像中河流信息的提取比傳統方法更為有效。

1 PCNN模型及其原理

單個PCNN神經元模型如圖1所示。

PCNN神經元模型主要由接收域、調制部分和脈沖產生部分組成，其中：接收域接收鄰近神經元和外部的輸入，再由F和L面通道經過調制部分得到信號U，脈沖產生部分由比較器（閾值可變）和脈沖產生器組成。當神經元輸出一個脈沖時，閾值E通過反饋迅速提升，E>U（即信號小于閾值）時，脈沖產生器關閉，停止發射脈沖，閾值E減小;當閾值E

將PCNN用于圖像分割處理時，圖像中的像素對應一個神經元，并與鄰近神經元相連接。通過調節突觸連接權重M、W，可對圖像進行不同程度的分割。較大的連接強度可將圖像分為一個或多個部分，較小的連接強度可得到圖像細節。PCNN分割圖像完全依賴于圖像的自然屬性，不用預先選擇處理的空間范圍。

2 PCNN簡化模型

在PCNN分割圖像時，需要確定時間衰減常數、放大系數、連接權重、調制參數等，分割的結果與參數的選擇關系密切，通常通過試驗來修改參數值。本文采用李海燕等[9]提出的最優門限PCNN簡化模型（見圖2）。

簡化的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鄰域神經元輸出相連，同時接收鄰域內其他神經元的輸出，表達式為

傳統PCNN模型閾值函數呈指數衰減趨勢，長時間的衰減后當突然有神經元激活時開始增加，隨后又衰減，反復變化，使得大量信息存儲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]提出將最優閾值（圖像平均亮度的統計值）作為激活閾值，一次脈沖并行傳播完成圖像分割，不需要計算圖像熵值和迭代次數，最優閾值計算公式為式中：a為最優門限中的參數，取1.3;M、W分別為行、列像元個數。

因此，簡化后的PCNN模型只需要人工確定連接系數β即可。

3 利用簡化PCNN提取遙感影像中河流信息的方法

3.1 遙感影像預處理

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，其他無關細節也很豐富，這為河流信息提取帶來一定難度，因此需要對圖像進行預處理。依據河流在遙感影像上所表現出的灰度特點和形態特征，采用二值化和數學形態學來預處理圖像。

數學形態學以圖像形態特征為研究對象，主要有腐蝕運算、膨脹運算、開運算和閉運算4種基本運算。結構元素S腐蝕運算和膨脹運算二佰圖像的表達式為

先確定閾值將圖像二值化，再利用形態學濾波，將二值化后的遙感圖像噪聲消除。本研究選用[3，3]的“rectangle”元素進行開閉運算，并采用bwareaopen函數刪除小面積對象，減少周圍環境對河流信息提取的影響。

3.2 利用簡化PCNN模型進行分割提取

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

3.3 圖像增強

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

C=W/L

（13）

式中：C為連通區域的體態比;L、W分別為區域最小外接矩形的長度和寬度。

被檢測區域的體態比滿足關系式：

C'>C TH

（14）式中：C'為被檢測區域的體態比;C TH為體態比閾值。

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中極為重要的算子，它是離散的一階差分算子，有檢測水平邊緣和垂直邊緣兩個矩陣，將圖像中的像素與這兩個矩陣做卷積運算，即可得到圖像水平和垂直梯度。再將得到的梯度與預設的閾值進行比較，即可判斷該點是否為圖像邊緣。

4 研究結果及分析

本研究在Matlab2010b平臺上實現，數據來自浙江某地區遙感圖像。簡化PCNN方法提取河流信息過程見圖3。

圖3中：（a）為原圖像;（b）為利用簡化PCNN處理過的圖像（為方便展示，圖像取反），可以看出，山區的圖像灰度接近于河流，同時橫跨的橋梁也對提取有很大影響，需要進一步對圖像進行處理，本研究采用體態比消除山區影響，利用膨脹運算消除橋梁影響：（c）為消除橋、山區影響后的圖像;（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。

為進一步檢驗簡化PCNN算法的有效性及性能，將其與常用算法Otsu、K- means進行對比。圖4、圖5分別為利用Otsu和K- means（設置3個初始聚類中心）算法提取的河流圖像。對比圖3（b）利用簡化PCNN分割的結果來看.Otsu與K- means算法在河流圖像分割能力方面表現不是很好.Otsu算法甚至未能將河流從背景圖像中有效分割出來。因此，簡化PCNN在河流信息提取方面明顯比常用算法好，對于經過簡化PCNN分割過的圖像，可以直接進行下一步工作。

Otsu、簡化PCNN、K- means算法實際耗時分別為0.240、0.337、0.405 s。可以看出，簡化PCNN算法實際耗時介于Otsu與K- means算法之間，略高于Otsu算法的耗時（相差不到0.1 s）。

5 結語

本文提出利用簡化PCNN對遙感影像提取河流信息的方法，首先對遙感影像預處理，再利用簡化PCNN對圖像自動分割，并利用形態學濾波消除圖像噪音，最后采用邊緣提取算子提取河流邊界。研究結果表明，簡化PCNN方法在圖像分割和抑制噪聲方面都優于傳統方法，但山區、橋梁等大大影響了河流信息的提取效率，有待于進一步改進。

參考文獻：

[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].北京測繪，2013（4）：1-5.

[3]王民，卞瓊，高路，高分辨率遙感衛星影像的河流提取方法研究[J].計算機工程與應用，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，Florida：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].儀器儀表學報，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，一種基于最優門限的脈沖耦合神經網絡圖像分割新方法[J].儀器儀表學報，2008，29（4）：472-475.

[10] 馬義德，戴若蘭，李廉，一種基于脈沖耦合神經網絡和圖像熵的自動圖像分割方法[J].通信學報，2002，23（1）：46- 51.