基于简化PCNN的遥感影像河流信息提取

王博 石陈妮子

摘要：根据河流在遥感图像上的光谱特征以及脉冲耦合神经网络（PCNN）动态激活特性，提出一种基于简化PCNN的遥感影像提取河流信息方法。首先将遥感影像预处理，减小周围环境的影响，再利用简化PCNN和数学形态学对其进行边缘提取。结果表明：该方法对遥感影像提取河流信息比传统方法更为快速有效，并且在抗噪性方面有明显优势。

关键词：河流信息提取;脉冲耦合神经网络（PCNN）;遥感影像;图像处理

中图分类号：P237

文献标志码：A

doi： 10.3969/j.issn.1000-1379.2019.01.014

河流的空间分布格局及时空变化规律对于开发利用和治理保护河流影响重大，因此如何快速、准确地提取河流信息是科研工作者广泛关注的问题。早期提取河流信息的普遍做法是利用纸质地形图对所需要的河流信息进行量算、分析，随着对地观测技术的快速发展，利用高分辨率遥感影像以及数字高程模型（DEM）提取河流信息的准确性、高效性、便捷性使其逐渐得到广泛应用。DEM数据格式主要有栅格型、不规则三角网、等高线3种类型，DEM更适于提取流向、汇流面积、河网等水文特征，并且DEM数据结构和计算方法比较简单。但DEM的3种数据格式有明显的不足，例如：栅格类型的DEM是以离散格网表示连续地表，只能是地表的近似，必然存在误差：不规则三角网和等高线DEM适合于表达复杂、大尺度地貌特征，但前者算法复杂，后者不易操作[1]。高分辨率的遥感影像包含地物的时间、空间、光谱等信息非常丰富，且数据量庞大。在遥感影像中，河流多表现为线状，且在TM影像中颜色较暗，这些特点使得从遥感影像中准确、快速地提取河流信息的研究有重要意义。高分辨率遥感影像提取河流信息的方法主要有基于像元的分类法、人工神经网络分类法、模糊数学分类法、基于知识发现的分类法等[2-3]。脉冲耦合神经网络（ PCNN）是人工神经网络中的一种，它是Eckhorn等[4] 1990年根据猫的大脑皮层同步脉冲现象提出的神经元模型，被广泛用于图像分割、平滑处理、目标识别、特征提取等方面[5-8]。笔者根据河流的形态特征，对预处理过的遥感影像运用PCNN分割出河流网络，并利用区域连通性特征和长度滤波去噪，提取最终的河流网络。研究表明，该方法对遥感影像中河流信息的提取比传统方法更为有效。

1 PCNN模型及其原理

单个PCNN神经元模型如图1所示。

PCNN神经元模型主要由接收域、调制部分和脉冲产生部分组成，其中：接收域接收邻近神经元和外部的输入，再由F和L面通道经过调制部分得到信号U，脉冲产生部分由比较器（阈值可变）和脉冲产生器组成。当神经元输出一个脉冲时，阈值E通过反馈迅速提升，E>U（即信號小于阈值）时，脉冲产生器关闭，停止发射脉冲，阈值E减小;当阈值E

将PCNN用于图像分割处理时，图像中的像素对应一个神经元，并与邻近神经元相连接。通过调节突触连接权重M、W，可对图像进行不同程度的分割。较大的连接强度可将图像分为一个或多个部分，较小的连接强度可得到图像细节。PCNN分割图像完全依赖于图像的自然属性，不用预先选择处理的空间范围。

2 PCNN简化模型

在PCNN分割图像时，需要确定时间衰减常数、放大系数、连接权重、调制参数等，分割的结果与参数的选择关系密切，通常通过试验来修改参数值。本文采用李海燕等[9]提出的最优门限PCNN简化模型（见图2）。

简化的PCNN模型将归一化的像素灰度值作为输入域F，连接域L通道与周围8邻域神经元输出相连，同时接收邻域内其他神经元的输出，表达式为

传统PCNN模型阈值函数呈指数衰减趋势，长时间的衰减后当突然有神经元激活时开始增加，随后又衰减，反复变化，使得大量信息存储在激活周期和相位变化中，最后输出的二值图像却不包含全部信息[10]。李海燕等[9]提出将最优阈值（图像平均亮度的统计值）作为激活阈值，一次脉冲并行传播完成图像分割，不需要计算图像熵值和迭代次数，最优阈值计算公式为式中：a为最优门限中的参数，取1.3;M、W分别为行、列像元个数。

因此，简化后的PCNN模型只需要人工确定连接系数β即可。

3 利用简化PCNN提取遥感影像中河流信息的方法

3.1 遥感影像预处理

高分辨率遥感影像中包含大量的地物信息，各地物主体形状清晰明显，其他无关细节也很丰富，这为河流信息提取带来一定难度，因此需要对图像进行预处理。依据河流在遥感影像上所表现出的灰度特点和形态特征，采用二值化和数学形态学来预处理图像。

数学形态学以图像形态特征为研究对象，主要有腐蚀运算、膨胀运算、开运算和闭运算4种基本运算。结构元素S腐蚀运算和膨胀运算二佰图像的表达式为

先确定阈值将图像二值化，再利用形态学滤波，将二值化后的遥感图像噪声消除。本研究选用[3，3]的“rectangle”元素进行开闭运算，并采用bwareaopen函数删除小面积对象，减少周围环境对河流信息提取的影响。

3.2 利用简化PCNN模型进行分割提取

在PCNN分割图像时，确定简化的PCNN公式为式（3）～式（4）、式（6）～式（8）。

3.3 图像增强

遥感图像中，河流图像的质量很容易受到周边城市、山区等因素的影响，尤其以周边山区影响最大，两者在灰度图像上很难通过二值化等操作加以区别。本研究采用形态学描述中的面积和体态比来解决山区部分与河流灰度的相似性，体态比公式为

C=W/L

（13）

式中：C为连通区域的体态比;L、W分别为区域最小外接矩形的长度和宽度。

被检测区域的体态比满足关系式：

C'>C TH

（14）式中：C'为被检测区域的体态比;C TH为体态比阈值。

3.4 后处理

利用边界算子“Sobel”提取边界。Sobel算子是图像边缘检测中极为重要的算子，它是离散的一阶差分算子，有检测水平边缘和垂直边缘两个矩阵，将图像中的像素与这两个矩阵做卷积运算，即可得到图像水平和垂直梯度。再将得到的梯度与预设的阈值进行比较，即可判断该点是否为图像边缘。

4 研究结果及分析

本研究在Matlab2010b平台上实现，数据来自浙江某地区遥感图像。简化PCNN方法提取河流信息过程见图3。

图3中：（a）为原图像;（b）为利用简化PCNN处理过的图像（为方便展示，图像取反），可以看出，山区的图像灰度接近于河流，同时横跨的桥梁也对提取有很大影响，需要进一步对图像进行处理，本研究采用体态比消除山区影响，利用膨胀运算消除桥梁影响：（c）为消除桥、山区影响后的图像;（d）为再利用边缘算子“Sobel”提取边界;（e）为将提取的边界加载到原图像上。

为进一步检验简化PCNN算法的有效性及性能，将其与常用算法Otsu、K- means进行对比。图4、图5分别为利用Otsu和K- means（设置3个初始聚类中心）算法提取的河流图像。对比图3（b）利用简化PCNN分割的结果来看.Otsu与K- means算法在河流图像分割能力方面表现不是很好.Otsu算法甚至未能将河流从背景图像中有效分割出来。因此，简化PCNN在河流信息提取方面明显比常用算法好，对于经过简化PCNN分割过的图像，可以直接进行下一步工作。

Otsu、简化PCNN、K- means算法实际耗时分别为0.240、0.337、0.405 s。可以看出，简化PCNN算法实际耗时介于Otsu与K- means算法之间，略高于Otsu算法的耗时（相差不到0.1 s）。

5 结语

本文提出利用简化PCNN对遥感影像提取河流信息的方法，首先对遥感影像预处理，再利用简化PCNN对图像自动分割，并利用形态学滤波消除图像噪音，最后采用边缘提取算子提取河流边界。研究结果表明，简化PCNN方法在图像分割和抑制噪声方面都优于传统方法，但山区、桥梁等大大影响了河流信息的提取效率，有待于进一步改进。

参考文献：

[1]管伟瑾，曹泊，王曉艳，河流信息提取方法比较[J]，人民黄河，2017，39（2）：51-55.

[2]王伟超，邹维宝，高分辨率遥感影像信息提取方法综述[J].北京测绘，2013（4）：1-5.

[3]王民，卞琼，高路，高分辨率遥感卫星影像的河流提取方法研究[J].计算机工程与应用，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] 李德俭，柏正尧，姚娜，等，一种基于PCNN和C均值算法的图像分割方法[J].仪器仪表学报，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，柏正尧，任文平，一种基于最优门限的脉冲耦合神经网络图像分割新方法[J].仪器仪表学报，2008，29（4）：472-475.

[10] 马义德，戴若兰，李廉，一种基于脉冲耦合神经网络和图像熵的自动图像分割方法[J].通信学报，2002，23（1）：46- 51.