结合简化PCNN和Zernike矩的遥感影像边缘检测方法
2019-01-02夏文彬，柳丽仙，黄亮
摘 要： 遥感影像边缘信息可以提高信息提取精度。但随着空间分辨率的提高，地物内部细节丰富，地物光谱异质性增强，导致边缘检测效果难以满足实际需求。针对现有传统方法对高空间遥感影像进行边缘检测易产生伪轮廓边缘的复杂问题，本文提出了一种简化脉冲耦合神经网络（Simplified Pulse Coupled Neural Network，SPCNN）结合Zernike矩的边缘检测方法。该方法首先采用L0方法对遥感影像进行平滑滤波处理;然后采用SPCNN对滤波后的数据进行阈值分割;最后采用Zernike矩对分割后的影像进行边缘检测并对结果进行精度评价。为验证提出方法，选取两景遥感影像作为实验数据。实验结果表明，提出的方法與传统Canny算子相比有效提高了遥感影像边缘检测精度。
关键词： 脉冲耦合神经网络;Zernike矩;遥感影像;边缘检测
中图分类号： P237 文献标识码： A DOI：10.3969/j.issn.1003-6970.2019.12.009
本文著录格式：夏文彬，柳丽仙，黄亮. 结合简化PCNN和Zernike矩的遥感影像边缘检测方法[J]. 软件，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
随着遥感卫星技术的发展，遥感影像已经成为
最主要的观测数据源，可广泛应用于土地覆盖监测，森林覆盖监测等方面。其中，边缘检测与提取是遥感影像处理的重要内容，是进行遥感影像分析和理解的基础。边缘信息是遥感影像对几何特征的反映，目前遥感影像边缘检测技术在遥感影像线性特征提取和变化信息识别中具有广泛应用[1-3]。随着遥感影像空间分辨率的提高，地物的细节纹理变得越来越清晰。随之也引起了边缘检测的不确定性和空间变异性越来越高等问题，一定程度上制约了遥感影像信息提取的精度。因此，开展高分辨率遥感影像边缘检测方法的研究具有重要的理论和现实意义。
2.2 实验结果
为了验证本文提出的方法的精度，采用视觉对比和边界召回率（recall）指标对比两种评价方法。其中，边界召回率公式如下：
（10）
式中：TP表示边缘正确分类为边缘;FN表示边缘错误分类为非边缘;TN表示非边缘正确分类为非边缘;FP表示为非边缘错误分类为边缘。
图3（c）和4（c）是采用Canny算法通过matlab编译得到的地物边缘信息;图3（d）和4（d）为采用提出的SPCNN结合Zernike矩方法得到的地物边缘信息。
（a） （b）
（c） （d）
圖3 第一组遥感影像边缘检测实验结果
Fig.3 The first set of remote sensing image edge
detection experimental results
2.3 结果分析
从图3和图4结果可以看出，提出的方法与参考影像更为接近，地物边缘附着度更高。为了更好分析实验结果，对图4标注红色圆框。红色圆框标注部分主要包含两栋地面建筑物，两栋建筑物屋顶部分纹理细节非常丰富。采用Canny算法提取和检测出的两栋建筑物内部出现大量非真实建筑物轮廓边缘。而提出的SPCNN和Zernike矩的方法与Canny方法相比则未检测出建筑物内部非轮廓边缘。提出的SPCNN和Zernike矩的方法能得到更为精确的结果。
（a） （b）
（c） （d）
图4 第二组遥感影像边缘检测实验结果
Fig.4 The second set of remote sensing image
edge detection experimental results
通过边界召回率的定量评价方式也验证了视觉比较的结果。采用Canny方法得到结果的边界召回率是0.1125，采用提出的SPCNN和Zernike矩方法得到的边界召回率是0.3900。根据视觉对比和地物边界召回率这两种定性和定量评价方法均验证了提出的SPCNN和Zernike矩方法优于经典的Canny方法。
表1 两组实验结果的recall指数
Tab.1 Recall index of two sets of experimental results
图像 算法 recall
数据一 本文算法 0.3414
Canny算子 0.2685
数据二 本文算法 0.3900
Canny算子 0.1125
3 结束语
针对传统遥感影像边缘检测方法检测出大量伪轮廓信息的问题，本文提出了一种SPCNN结合Zernike矩的遥感影像边缘检测和识别方法。为了验证所提出的SPCNN结合Zernike矩方法的可行性，实验选取了一景无人机影像和一景QuickBird影像作为实验数据，并设计了两组对比实验。两组实验结果可以看出，提出的方法较传统的Canny算子召回率分别提高了0.07和0.28。实验结果验证了提出方法的鲁棒性和可行性。但目前该方法还存在一些问题有待改进，如细小的边缘线连接性较差，不能形成一个完整闭合的轮廓区域，下一研究方向将就此方面展开深入的研究。
参考文献
[1]许雪贵， 张清. 基于CUDA的高效并行遥感影像处理[J]. 地理空间信息， 2011， 9（6）： 47-53.
[2]刘成志， 李军成， 杨炼. 基于三次Bézier曲线逼近的边缘亚像素定位方法[J]. 软件， 2015， 36（7）： 31-35.
[3]林王兵， 许燕， 韩飞， 吕超贤， 龚佳俊， 等. 实验室环境下的边缘检测技术研究综述[J]. 软件， 2015， 36（9）： 29-32.
[4]袁春兰， 熊宗龙， 周雪花， 等. 基于Sobel算子的图像边缘检测研究[J]. 激光与红外， 2009， （1）： 85-87.
[5]张月圆， 曾庆化， 刘建业， 等. 基于Canny的改进图像边缘检测算法[J]. 导航与控制， 2019， 18（1）： 84-90.
[6]杨鹏. 一种基于图像插值运算的Laplace算子边缘检测方法[J]. 浙江工贸职业技术学院学报（应用技术版）， 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， 杜培军， 舒宁. 基于多结构元素的数学形态学的遥感图像边缘检测方法[J]. 遥感技术与应用（图像处理）， 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： 吉林大学， 2018.
[13]沈霄凤. Zernike矩与应用[J]. 华东师范大学学报（自然科学版）， 1997， （01）： 104-107.
[14]孙艳春. 基于Zernike矩图像识别深化研究[D]. 兰州： 兰州交通大学， 2018.
