双模态脉冲耦合神经网络高分辨率光学卫星影像分割.pdfVIP

第33卷 第3期 武 汉 大 学 学 报 ·信 息 科 学 版 Vo1．33 No．3 2008年3月 Geomatics and Information Science of Wuhan University March 2008 文章编号：1671—886O(2008)03—0322—04 文献标志码：A 双模态脉冲耦合神经网络高分辨率 光学卫星影像分割 李利伟 马建文 温 奇 (1 中国科学院遥感应用研究所，北京市大屯路甲2O号，10010I) (2 中国科学院研究生院，北京市玉泉路甲I9号，100049) 摘 要：针对应用PCNN分割高空间分辨率光学卫星影像存在的问题，提出一种双模态PCNN算法。利用北 京地区QuickBird影像进行实验，结果表明，该算法能够弱化影像目标内部灰度变化信息对结果的影响，并能 提取影像目标几何结构特征信息，为高空间分辨率光学卫星影像分割提供了一种新方法。 关键词：高空间分辨率；光学卫星影像；影像分割；双模态脉冲耦合神经网络 中图法分类号：P237．3 高空间分辨率光学卫星影像(简称高分辨率 影像)能够精细表达地表目标及其空间结构信息。 1 双模态PCNN 随着空间分辨率的提高，同一地物或目标在影像 中反映出更多的灰度变化信息，使得基于单个像 双模态 PCNN具有二维平面拓扑神经元结 元光谱特征的目标信息提取方法不再有效，影像 构，所有神经元具有相同的结构和工作机制，神经 分割为此提供了可行的解决思路l_1。 。 元之间通过联接域相互联接和影响，影响程度由 脉冲耦合神经网络(PCNN)模拟生物视觉机 神经元状态、联接域权重和联接强度共同决定。 理，能够结合目标灰度及其空间分布信息应用于 单个神经元主要包括联接输入域、耦合乘积域和 数字影像分割_3 ]。PCNN分割算法关键在于包 脉冲激发器3个部分，如图1所示。 括联接强度、阈值衰减系数和联接域形态及权重 等算法参数的选择_4 。由于算法参数与分割结 果之间关系的非线性和复杂性，目前参数选择尚 无明晰理论基础。通常，由大到小调整联接强度 可以得到内容逐步精细的分割结果，因此，大部分 应用PCNN进行影像分割的算法过程为：保持其 他参数不变，依据特定算法或经验，选取合适的联 联接输入域 In】耦余乘积域 接强度以实现影像目标的最佳分割 。然而，高 分辨率影像中目标信息复杂性及其内部灰度信息 图1 双模态PCNN神经元结构图 多变性制约了上述过程，给实验分析选取合适联 Fig．1 Neuron Architecture of the Double— 接强度及后处理造成困难。针对这一问题，结合 Mode PCNN PCNN图像平滑算法、快速联接机制_3 和分割后 网络工作时，单个神经元包括零联接强度模 处理等过程，本文提出一种双模态PCNN高分辨 态(模态 1)和快速联接模态(模态 2)。模态 1与 率影像分割算法。利用北京地区影像进行实验， 模态2依次运行，惟一不同在于前者运行时联接 并对结果进行了分析和讨论。 强度为 0。 收稿日期；2008—01—09。 项目来源：中国科学院知识创新工程