基于模糊度与简化PCNN的遥感图像变化检测

　　0　引　　言

　　多时相遥感图像变化检测广泛的应用于资源调查、环境监测、军事目标侦查等领域,变化检测方法主要分两大类[1],一类直接差分,在差分图像上设定阈值进行变化区域提取,该法是实现变化区域检测的最直接方法,但由于相同地物在不同时相的光谱特征往往是不同的,因此很难获取最佳阈值。第二类方法是将不同时相图像先分类再作比较看每一类是否发生变化。本文采用第二类方法,仅把图像分为两类,特征区域与非特征区域。如何从图像中自动检测出特征区域是实现变化检测的关键。常见的阈值法大都在处理像素时,仅仅利用了灰度值,而没有充分考虑邻域信息[2],而本文使用的脉冲耦合神经网络(PCNN)中则由于利用了邻域神经元的输出来对神经元的输入进行加权调制,使内部活动项不仅包含了神经元对应像素的灰度信息,而且体现了像素邻域的信息。但PCNN模型图像检测效果取决于PCNN模型中各个参数和循环迭代次数的选择,通常循环迭代次数的选择通过人工交互方式或经验值来确定,马义德[2]提出了基于最大互信息准则确定迭代次数,但在变化检测中变化信息只占很少一部分不可能接近1/2,因此并非互信息越大越好。本文提出的基于最小模糊度的PCNN法使目标模糊集和背景模糊集之间的模糊度尽可能地小,从而将目标和背景分开。由实验证明该方法能更准确的自动提取变化区域。

　　1　PCNN模型的简化形式及工作原理

　　脉冲耦合神经网络直接来源于动物的视觉神经系统,具有现实的生物学依据,国外研究表明其用于图像处理时具有优良的性质[3],尤其是脉冲传播特性,非常适合图像分割、图像平滑及降噪等应用。但PCNN用于图像处理时,由于存在大量非线性和漏电容积分等因素,使得对网络的数学分析很难,而且基于空间邻近和亮度相似的像素集群模糊,网络参数难于确定,为此本文将采用PCNN的简化模型[4]。数学表达式为式(1),结构图如图1所示。

　　式中:β为神经元的连接强度;WLijkl是链接域中神经元之间的连接权系数,一个3×3的方阵,且每一个元素的值为中心像素到周围每个像素的欧几里德距离的倒数;αθ为动态阈值函数的衰减时间常数;VL和Vθ分别链接域和阈值输出的放大系数,n为迭代次数,Yij为二值输出。用PCNN进行图像处理时,神经元与图像像素一一对应,且该像素对应的神经元与周围邻近的神经元连接。每一神经元除接收来自外部的刺激Iij(像素灰度值)外,还接收来自内部网络其他神经元的链接输入Lij,以乘积耦合形式Fij(1+βLij)构成神经元内部行为Uij,通过动态阈值θij与Uij的比较而激励或抑制神经元的脉冲信号输出Yij。