一種用細(xì)胞神經(jīng)網(wǎng)提取遙感圖像邊緣的新方法

(1.北京科技大學(xué) 信息工程學(xué)院， 北京 100083；2.廣東海洋大學(xué) 信息學(xué)院， 廣東 湛江 524088；3.仲愷農(nóng)業(yè)技術(shù)學(xué)院， 廣州 510225)

摘要：針對(duì)灰度遙感圖像具有噪聲多、圖像亮度均勻、邊緣模糊等特點(diǎn)，提出了基于細(xì)胞神經(jīng)網(wǎng)遙感圖像邊緣檢測(cè)的新方法。該算法主要是利用細(xì)胞神經(jīng)網(wǎng)先后對(duì)遙感圖像進(jìn)行圖像濾波、灰度閾值化、膨脹腐蝕、邊緣檢測(cè)等模板操作。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的Sobel和Canny邊緣檢測(cè)算法相比，本算法不僅能有效地去除噪聲對(duì)邊緣檢測(cè)的影響，而且能夠快速完整地提取圖像邊緣。

關(guān)鍵詞：細(xì)胞神經(jīng)網(wǎng)；遙感圖像；邊緣提取；模板

中圖分類號(hào)：TP79； TN911.7文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：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(lái)遙感技術(shù)逐漸應(yīng)用到天氣、地質(zhì)、災(zāi)害預(yù)測(cè)和城市規(guī)劃等各個(gè)方面，遙感圖像的分析和處理越來(lái)越引起專家學(xué)者的重視^[1~3]。遙感圖像的邊緣檢測(cè)是圖像分析非常重要的基礎(chǔ)，是圖像識(shí)別中提取圖像的一個(gè)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(diǎn)較多，損失較大；圖斑復(fù)雜，次要邊緣干擾較多；噪聲明顯等特點(diǎn)^[4]。因此，利用在一般圖像中能取得較好檢測(cè)效果的Sobel算子、Canny算子等對(duì)包含大量噪聲的復(fù)雜遙感圖像進(jìn)行邊緣檢測(cè)就很難獲得滿意的效果。為此專家學(xué)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(cè)方法。Nie-dermeie等人^[1]利用小波變換的方法提取遙感圖像中強(qiáng)度大于某個(gè)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(shù)學(xué)形態(tài)學(xué)的遙感圖像自動(dòng)分割算法。Dellepiane等人^[6]采用模糊連接性的思想實(shí)現(xiàn)海岸線的檢測(cè)與提取。

以上算法主要存在兩方面問(wèn)題：a)邊緣檢測(cè)不夠完整。由于遙感圖像中含有大量的噪聲，要準(zhǔn)確地檢測(cè)出圖像的邊緣，噪聲的濾除成為了邊緣檢測(cè)必不可少的步驟。濾除噪聲時(shí)，必然削弱邊緣信息，從而導(dǎo)致邊緣檢測(cè)不夠完整。b)有些算法比較復(fù)雜，實(shí)時(shí)檢測(cè)難以實(shí)現(xiàn)。

本文利用細(xì)胞神經(jīng)網(wǎng)的并行處理圖像能力，結(jié)合數(shù)學(xué)形態(tài)學(xué)良好的去噪能力，提出一種用細(xì)胞神經(jīng)網(wǎng)絡(luò)檢測(cè)遙感圖像邊緣的新算法。

1細(xì)胞神經(jīng)網(wǎng)絡(luò)的理論知識(shí)

細(xì)胞神經(jīng)網(wǎng)絡(luò)(cellular neural networks，CNN) 是1988年由美國(guó)加州大學(xué)Chua教授和Lin Yang博士提出來(lái)的。CNN是一種基于神經(jīng)元局域連接的神經(jīng)網(wǎng)絡(luò)并行處理器^[7]。它具有高速并行的實(shí)時(shí)運(yùn)算處理能力，因而，可利用細(xì)胞神經(jīng)網(wǎng)絡(luò)來(lái)解決圖像處理的實(shí)時(shí)性問(wèn)題^[8]。

一個(gè)規(guī)模為M×N的細(xì)胞神經(jīng)網(wǎng)絡(luò)共有M×N個(gè)細(xì)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(xì)胞。

定義1C(i， j)的r-鄰域可定義如下(r為一個(gè)正整數(shù))：

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(nèi)細(xì)胞具有對(duì)稱性，即如果C(i， j)∈Nr(k，l)，那么同時(shí)也有C( k，l)∈Nr(i， j)。一般情況取r=1。

根據(jù)細(xì)胞的等效電路模型，每個(gè)細(xì)胞均有一個(gè)狀態(tài)，一個(gè)恒定的外界輸入和輸出，因而任意一個(gè)細(xì)胞都可以用以下的動(dòng)態(tài)方程來(lái)描述：

a）標(biāo)準(zhǔn)狀態(tài)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(xì)胞Cij的狀態(tài)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(tài)的關(guān)系。其中輸出是一段非線性的分段函數(shù)，如圖2所示。

運(yùn)用CNN對(duì)灰度圖像進(jìn)行圖像處理時(shí)，一般需要進(jìn)行以下兩方面的預(yù)處理：

a）將微分方程式（2）轉(zhuǎn)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(diào)整。CNN的輸入與初始狀態(tài)值在-1~+1，-1表示像素為白色，+1表示像素為黑色。在計(jì)算機(jī)中，圖像的灰度值由0~255的數(shù)表示，0表示黑色，255表示白色。所以，將圖像的灰度值作為細(xì)胞神經(jīng)網(wǎng)絡(luò)的輸入值時(shí)，需要一個(gè)將灰度值從區(qū)間[0，255]變換到區(qū)間[-1，+1]的映射。

2基于CNN的遙感圖像邊緣檢測(cè)算法

用細(xì)胞神經(jīng)網(wǎng)來(lái)處理圖像時(shí)，它的規(guī)模與待處理圖像規(guī)模相同，如果待處理的圖像包含M×N個(gè)像素，則CNN就需要M×N個(gè)細(xì)胞神經(jīng)元。像素與細(xì)胞一一對(duì)應(yīng)，每個(gè)神經(jīng)元的狀態(tài)按照方程（2）迭代改變，直至整個(gè)網(wǎng)絡(luò)收斂^[9]，圖像才處理完畢。

從細(xì)胞的狀態(tài)方程式（2）可得知，CNN的動(dòng)態(tài)機(jī)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(jìn)行圖像處理的關(guān)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(diǎn)，因而不能直接進(jìn)行邊緣檢測(cè)，需要對(duì)遙感圖像作一系列圖像預(yù)處理。

本文提出的算法是利用細(xì)胞神經(jīng)網(wǎng)的凸性模板、閾值化模板、腐蝕膨脹模板和邊緣檢測(cè)模板操作，分別實(shí)現(xiàn)圖像的濾波、灰度圖像二值化、空洞的填充和邊緣的檢測(cè)。

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(cè)的一個(gè)基本環(huán)節(jié)，其效果直接決定邊緣檢測(cè)的性能。本文直接用細(xì)胞神經(jīng)網(wǎng)凸性恢復(fù)模板來(lái)濾波，較好地去除遙感圖像噪聲。凸性恢復(fù)模板為

2)灰度圖像二值化在圖像處理中，一般目標(biāo)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(zhuǎn)換為二值遙感圖像，以便更好地檢測(cè)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(diǎn)和空洞。本文采用了數(shù)學(xué)形態(tài)學(xué)的膨脹和腐蝕操作，較好地去除孤立點(diǎn)，填充了空洞，為接下來(lái)邊緣檢測(cè)作準(zhǔn)備。

4)邊緣檢測(cè)遙感圖像經(jīng)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(lái)可以進(jìn)行邊緣檢測(cè)操作。

邊緣檢測(cè)模板為

通過(guò)以上幾步操作，較好地檢測(cè)出遙感圖像的邊緣。

3實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出算法的有效性，對(duì)于不同場(chǎng)景的遙感圖像進(jìn)行邊緣提取實(shí)驗(yàn)。由于實(shí)驗(yàn)設(shè)備有限，實(shí)驗(yàn)的平臺(tái)采用Analogic Computers Ltd.的Aladdin v1.3 Visual Mouse Platform細(xì)胞神經(jīng)網(wǎng)絡(luò)仿真系統(tǒng)。

為了將本文提出的算法與傳統(tǒng)方法進(jìn)行比較，更好地說(shuō)明本文算法的有效性，筆者利用MATLAB 6.5分別對(duì)三種不同場(chǎng)景的遙感圖像用Canny算子和Sobel算子進(jìn)行邊緣檢測(cè)。實(shí)驗(yàn)結(jié)果如圖3~5所示。

從圖3~5可知，圖（b）是用傳統(tǒng)的Canny算子提取的邊緣。用該算子提取的邊緣主要問(wèn)題是存在過(guò)提取現(xiàn)象，將一些背景非邊緣信息也提取出來(lái)(圖4（b））。圖（c）是Sobel算子提取的邊緣。該算法盡管不存在過(guò)提取問(wèn)題，但邊緣的連續(xù)性和完整性較差，而且還存在邊緣漏檢測(cè)問(wèn)題（圖5（c））。圖（d）是用本文CNN算法提取的邊緣。三幅圖的實(shí)驗(yàn)結(jié)果表明提取的邊緣完整性和連續(xù)性均較好，且與原圖比較吻合。

從邊緣檢測(cè)結(jié)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(tǒng)方法相比，CNN方法最突出的優(yōu)點(diǎn)是，它能高速并行計(jì)算，且處理速度與圖像大小無(wú)關(guān)，只與細(xì)胞通用機(jī)硬件速度有關(guān)。所以它在圖像實(shí)時(shí)處理方面具有很大的潛力。

4結(jié)束語(yǔ)

由于遙感圖像具有噪聲多、亮度均勻和邊緣模糊等特點(diǎn)，一般的邊緣檢測(cè)算法（如Canny算子和Sobel算子）很難實(shí)現(xiàn)遙感圖像邊緣的提取。為此，本文提出利用細(xì)胞神經(jīng)網(wǎng)的遙感圖像邊緣檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明，與經(jīng)典邊緣檢測(cè)算法相比，本文提出的算法具有較強(qiáng)的環(huán)境適應(yīng)能力，不僅能克服噪聲對(duì)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(xù)遙感圖像的識(shí)別和分析奠定良好的基礎(chǔ)。

參考文獻(xiàn)：

［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(shù).一種新的遙感影像邊緣檢測(cè)方法[J].計(jì)算機(jī)科學(xué)，2007，34(7):235-237.

[5]JU Cun-yong，CAI Ti-jiu，F(xiàn)ENG 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(qián)芳，郭紅濤.用細(xì)胞神經(jīng)網(wǎng)絡(luò)提取二值與灰度圖像邊緣[J].中國(guó)圖象圖形學(xué)報(bào)，2001，6(10A):974-978.