一种基于脉冲耦合神经网络方法的道路信息遥感提取方法
技术领域
本发明涉及一种基于耦合脉冲神经网络的高分辨率城市道路信息遥感提取方法。
背景技术
随着卫星遥感和计算机技术的快速发展,遥感影像的分辨率越来越高。如何快速、准确地提取目标地物,成为当前遥感图像处理的重要命题。城市道路作为重要的地物目标,是地理信息数据库的重要组成部分。同时城市道路的实时更新对于车辆导航、交通管理、城市规划及城市研究具有重要意义。因此,开展城市道路高分辨率遥感提取研究具有重要的科研意义和实用价值。
城市道路由于受多种地物的干扰,往往难以精确提取。因此国内外学者做了大量研究,提出了一些方法。随着遥感图像处理方法的发展和可获取数据的多元化,近年来道路提取技术向多方法和多数据源结合的方向发展。在多方法结合方面,Movaghati利用粒子滤波和扩展卡尔曼滤波相结合的方法进行城市道路提取。Maurya利用K均值聚类和数学形态学结合的方法进行道路提取。雷小奇提出了一种基于局部灰度一致性的图像分割与形状特征相结合的道路提取方法。周绍光提出了一种基于形状先验和图割的高分辨率遥感影像道路段提取方法。在多数据源结合方面,Herumurti使用光学航拍数据和DSM数据进行道路提取。李怡静融合高分辨率影像与LiDAR数据,实现了复杂场景下的道路自动提取。以上新方法具有一定的应用价值,为道路提取研究提供了有意义的参考,但多方法相结合涉及技术较多,一定程度影响到算法的集成和实现效率。多数据源的方法涉及的数据类型较多,因此存在数据获取困难和成本较高的问题。
考虑到以上问题,本发明针对道路的特点以及耦合脉冲神经网络能够忽略同一区域内小的灰度差异和空间间断,从而可以得到完整道路信息的优点,提出基于脉冲耦合神经网络的道路提取方法。该方法的提出也为河流信息的提取提供了颇有意义的参考。
发明内容
针对道路提取难度较大,现存的道路提取方法适普性较差等问题,本发明提供一种方法简单、适普性较强且精度较高的道路信息提取技术流程。
本发明的目的通过以下技术步骤实现:
步骤1)对图像进行必要的预处理,即使用主成分分析方法获取原始高分辨率影像的第一分量的图像,并使用自适应直方图均衡化方法进行图像增强处理。
步骤2)利用脉冲耦合神经网络的方法对增强后的图像进行分割处理,初步获取道路信息。
步骤3)利用原始图像的近红波段以及红波段获取归一化植被指数图,并使用分割后的图像减去归一化植被指数的图像,即排除分割图像中植被的影响。
步骤4)使用数学形态学等方法进行后处理,消除噪声干扰,连接断裂道路,从而获得最终的道路。
进一步,所述步骤1)的具体方法为:
a)基于主成分分析方法将原始图像进行主成分变换,将原始图像转化为互不相关的各个分量图像,并取第一分量的图像作为所要处理的图像;b)使用自适应直方图均衡化方法对第一分量的图像进行图像增强处理,增大道路信息与背景信息的差异性。
进一步,所述步骤2)的具体方法为:
a)根据图像特点和实验获取耦合脉冲神经网络的有关输入参数和迭代次数;b)根据耦合脉冲神经网络的有关公式对图像进行处理;c)根据确定的迭代次数获得初步的道路信息。
进一步,所述步骤3)的具体方法为:
a)根据所处理的不同遥感影像,找到影像的近红外波段和红波段,根据归一化植被指数的公式得到影像的归一化植被指数图像;b)对得到的归一化植被指数的图像进行二值化处理,得到归一化植被指数的二值图;c)根据情况对使用脉冲耦合神经网络方法处理的图像进行会度翻转的处理,确保道理信息在图像上保持为白色;d)将处理后的脉冲耦合神经网络的图形与处理后的归一化植被指数的图像进行作差处理,消除脉冲耦合神经网络图像中植被的干扰影响。
进一步,所述步骤5)的具体方法为:
a)对消除植被因素的图像进行面积开运算的处理,即消除小面积的噪声斑;b)利用数学形态学方法进行对面积开运算处理后的图像进行处理,从而达到连接断裂道路,填补道路中孔洞的目的。
附图说明
图1为原始数据;
图2为主成分变换后的第一分量;
图3为图像增强结果;
图4为脉冲耦合神经网络方法分割结果;
图5为归一化植被指数图;
图6为消除植被影响效果图;
图7为道路提取结果图;
具体实施方式
下面结合附图对本发明“一种基于耦合脉冲神经网络方法的道路信息遥感提取方法”作进一步阐述说明。
(一)图像预处理
首先,利用主成分分析的方法将原始的多波段遥感图像(图1)变换为另一组互不相关的各个分量。原始图像经过主成分变换后,形成主成分影像中各分量的信息内容在很大程度上是不同的,因此使得部分地物在某些分量上更加突出,此外各分量相互垂直,增大了类间距,减小了类内部差异,提高分类精度。而主成分变换产生的第一主成分分量相当于原来各波段的加权和,包含的信息量大,受到噪声的干扰最小,因此有利于细部特征的增强和分析,适用于高通滤波、线性特征增强与提取以及密度分割等处理,对于地物提取具有重要意义。因此该发明以主成分变换的第一分量图(图2)为基础进行处理。自适应直方图均衡化方法是直方图均衡化的改进算法,该算法通过计算图像的局部直方图,然后重新分布亮度来改变图像的对比度。因此,该算法可以更加适合改进图像的局部对比度并可以获得更多的图像细节。因此本专利使用自适应直方图均衡化对第一分量图进行图像增强处理,获取增加后的图像(图3),以突出道路边缘细节,便于下一步的图像分割处理。
(二)耦合脉冲神经网络道路分割
耦合脉冲神经网络是依据猫的大脑视觉皮层同步脉冲发放现象所提出的第三代人工神经网络。经Johnson引入图像处理领域后,在图像分割、图像融合和图像细化等方面均得到很好应用。耦合脉冲神经网络应用在图像分割时,其相似输入的神经元具有同步发放脉冲的特性,能够弥补输入数据的空间不连贯和幅度上的微小变化,因而能够较完整地保留图像的区域信息,获得良好的图像分割效果。数学迭代方程表达为(1)~(5):
Yij(n)=step(Uij(n)-θij(n)) (5)
式中,ij下标表示神经元的标号,Sij、Fij、Lij、Uij、θij分别表示为神经元ij的外部刺激、馈送输入、链路输入、内部激活和动态阈值。M为连接权重矩阵,VF、VL、Vθ表示幅度常数,β为链路系数,αF、αL、αθ为相应的时间衰减常量,n为迭代次数,Yij为输出。
神经元由三部分组成:馈入单元、连接单元和脉冲产生单元。外部信号从馈入单元进入,其中馈入单元由两个通道组成,一个是F通道,另一个是L通道。F通道用于接收包含外部输入信号的馈送输入,见式(1)。L通道则用于接收来自其他神经元的链接输入,见式(2)。在连接单元,首先将链接输入与链路系数相乘,并做常数1的偏移,然后与馈送输入相乘调制产生神经元的内活动项,见式(3)。脉冲产生单元主要是由阈值调节器、比较器和脉冲生成器组成。阈值随输出的改变而改变,当神经元输出一个脉冲,神经元的阈值θij就通过反馈提高,见式(4)。当神经元阈值θij超过Uij时,脉冲产生器就会被关闭,停止发送脉冲。阈值开始指数下降,当其低于Uij时,脉冲产生器被打开,神经元被点火,开始产生脉冲,见式(5)。若邻接神经元与前一次迭代点火的神经元所对应的像素具有相似强度,则邻接神经元容易被点火。因而,任何一个神经元的自然点火都会触发其邻接相似神经元的集体点火,这些点火的神经元形成一个神经元集群,对应于图像中具有相似性质的小区域。因此,利用脉冲耦合神经网络方法点火捕获的相似性集体特性便可进行图像分割,从而获得道路初步的分割结果(见图4)。
(三)归一化植被指数图的制作和消除植被干扰
植被是一种重要的地物,对道路提取的结果也产生了一定的影响,因此需要排除植被的干扰。本专利以归一化植被指数得到植被分布,并获取归一化植被指数图,为了保持与脉冲耦合神经网络分割结果的格式保持一致,最终将归一化植被指数图转化为二值图(图5)。然后通过图像的减法运算,将脉冲耦合神经网络处理的图像与二值化后的归一化植被指数图进行作差运算,消除植被的干扰,得到消除植被后的图(图6)。
(四)图像后处理
图像后处理是道路提取的重要一环,由于脉冲耦合神经网络处理后的图像使得道路信息较为完整,考虑使用面积开运算去除其他孤立的噪声,从而获得更为准确的道路信息。同时使用膨胀运算、腐蚀运算、开运算和闭运算等数学形态学运算,对道路信息进行处理,获得最终的道路信息(图7)。