脉冲耦合神经网络在高分辨率图像中的自动变化检测外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

脉冲耦合神经网络在高分辨率图像中的自动变化检测

Fabio Pacifici, Student Member, IEEE, and Fabio Del Frate, Member, IEEE

摘要 -（PCNN）是一种基于脉冲耦合神经网络用于图像变化检测的新方法。PCNNs是基于实施机制的基础小型哺乳动物的视觉皮质，以及更多的传统的NNs架构，如多层感知器，拥有很多的优点。 特别是，它们是无监督的上下文敏感。 后一种特性可能是特别有用的

当非常高分辨率的图像被认为是在这种情况下，一个对象的分析可能比基于像素的一个分析更佳合适。定性多曲定量结果的报告表明，该算法的性能一直是一对遥感卫星影像并且在罗马第二大学的试验区进行了评价试验。

索引术语 - 脉冲耦合神经网络（PCNN），无监督变化检测，超高分辨率（高分辨率）图像。

1.介绍

世界人口增长通过城市人口的膨胀和增加自然资源的总消费来影响环境。及时和准确地监测这些变化对于实施有效的决策过程可能至关重要。在这方面，卫星和机载传感器的贡献对于更新土地覆盖和土地利用图可能是重要的。事实上，最近商业上可用的高分辨率（高分辨率）可见光和近红外卫星数据为使用地球观测卫星数据开辟了广泛的新机会。特别是新的系统，如最新的WorldView-1 [1]，具有最高的空间分辨率，现在可以提供额外的数据以及VHB平台，如遥感卫星、Ikonos，它们已经运行了几年。如果一方面允许大量信息的可用性总是产生更新的产品，另一方面，能够管理大数据存档的全自动技术的需求变得非常迫切。根据迄今为止已经报道的研究，无监督变化检测技术主要依靠三个基本步骤[2]。第一个是预处理步骤，其中图像被空间注册，并且还应用某些形式的辐射标准化。在第二步中，通常使用像素逐像素比较来进行比较，例如使用变化矢量分析（CVA）。在第三步骤中，必须确定计算的频谱变化矢量的大小是否超过某个指定的阈值准则

得出结论，发生了一些变化。

然而，目前为止，大部分研究集中在中高分辨率图像，而只有少数研究已经解决了高分辨率图像全自动变化检测方法的描述。在这些情况下，必须特别考虑几个问题。关键因素包括可能的误差，阴影和其他季节性和气象效应相结合，以降低变化检测结果中可达到的准确度。考虑这些问题的适当方法可以是强调像素上下文信息，除了光谱之外。在[3]中确实遵循了这样的一种方法，其中达拉·穆拉等人逐渐使用基于形态滤波器的算法来提取CVA后的变化对象。

在这封信中，我们考虑了一种新颖的神经网络（NN）方法来检测多时间高分辨率图像的变化。与其他传统方法（如贝叶斯或支持）相比，NN算法已被证明是相对竞争的遥感图像分类方法的矢量机[4]。基于多层感知器的监督神经结构检测法最近被应用于具有非常高精度结果的高分辨率图像变化检测[5]，而用于无监督变化检测的Hopfield-NN技术已经应用于Landsat为增强专题映射器处理图像，提供了有效的方法[2]。

不同的是，本文提出的神经技术是基于无监督的脉冲耦合NN（PCNN），并应用于高分辨率图像。 PCNN是一种相对较新的技术，基于小哺乳动物视觉皮层机制的实现[6]。视觉皮质是从眼睛接收信息的大脑部分。由算法的每次迭代产生的波产生场景的特定特征，这些特征被连续地比较用于生成改变图。在功能方面，该比较类似于在CVA的步骤2中执行的比较。其优点是，在这一点上，步骤3不再需要了，这显着地减少了计算负担。此外，如下文所示，PCNN的特征在于同时使用上下文和频谱信息，如前所述，它们适合于处理高分辨率图像。

2 PCNN模型

PCNN模型在世纪90年代进入图像处理领域，随后出版了由Eckhorn等引入的新神经元模型[6]。几个作者在图像分割，分类和稀疏应用这些模型中已经有了卓有成效的结果[7] [8]，其中包括在少数使用卫星数据的情况[9]，[10]。之后，我们简要回顾一下PCNN行为的主要概念，而在[11]中给出了使用PCNN进行图像处理的更全面的介绍。

PCNN是一种NN算法，当应用于图像处理时，产生一系列二进制脉冲信号，每个二维脉冲信号与一个像素或一组像素相关联。它属于无监督人造神经网络的类别，因为它不需要训练。网络由具有尖峰行为的节点组成，这些节点在预定义的网格内相互交互。网络的架构比大多数其他NN实现要简单得多。 PCNN没有多个层，它们将信息传递给彼此。 PCNN只有一层神经元，它们直接从原始图像接收输入，并形成所得到的“脉冲”图像。

PCNN神经元有三个隔室。接收室接收外部刺激和局部刺激，而连接室仅接收局部刺激。第三隔室由活动阈值表示。当内部活动变得大于阈值时，神经元就会触发，并且阈值急剧增加。之后，它开始衰减，直到内部活动变得更大。这种过程产生了PCNN的脉冲性质。 PCNN的示意图如图1所示。 1，更正式地，系统可以通过以下表达式来进行定义：

其中Si，J是输入的神经元（I，J）属于2-D网格的神经元，，F(i，j)是其接收室的值，并且L(i，j)是连接隔室的对应值。 这些神经元中的每一个分别通过由M和W给出的权重与相邻神经元（k1）通信。 M和W通常遵循非常对称的模式，并且大多数权重为零。 Y表示神经元从先前迭代[n-1]的输出。 所有的隔间都有一个前一个状态的记忆，它在时间上按指数项衰减。 常数VF和VL是归一化常数。 接受室和连接室的状态通常被组合以产生神经元U的内部状态。组合由连接强度beta;控制。 内部活动是由以下公式定义的：

将神经元的内部状态与动态阈值theta;进行比较，以产生输出Y：

阈值隔室被定义为：

当神经元激发（Ygt;theta;）时，阈值显着增加其值; 该值衰减直到神经元再次触发。 Vtheta;是一个大的常数，其通常比U的平均值大于一个数量级。具有任何刺激的每个神经元将在初始迭代中触发，这反过来又会产生一个很大的阈值。 然后，在阈值衰减到足以允许神经元再次起火之前，需要进行几次迭代。 该算法由迭代计算（1） - （5），直到用户决定停止。

重要的是观察到的信号与PCNN相关联的信号具有对场景内物体的旋转，缩放，偏移或偏斜变化不变的特性[12]。 该功能使得PCNN成为改变检测的强大工具，其中卫星的视角可以起到重要的作用。

1. 应用于变化检测

PCNN模型变化检测的应用可以看作对应于在不同时间获取的图像的PCNN输出值的比较。对变化发生的直接反应来自于这一比较。

第一个定性实例由图1给出。在这里，我们有三个不同大小的测试区域，从两个不同时间拍摄的机载高分辨率红 - 绿 - 蓝（RGB）图像（约20厘米）中提取出来。在第一个测试区域A中，我们注意到两次检测之间非常轻微的变化，基本上包括花园中植物分布的一些修改。对于这个变化，我们决定考虑一下小面积得变化，以确保在两个不同时间的高度相似性。测试区B在不同时期，即使主要结构基本相同，也进行了一些显着的小规模变化。最后，考虑到小面积是最多样的部分之一，从测试区域B提取测试区域C，变化区域由红色框显示.

这个想法是，PCNN可以以无监督的方式显示个体化发生重大变化的图像的区域。这可以通过测量与前一图像相关联的PCNN信号与与后者相关联的PCNN信号之间的相似性来获得。一个相当简单有效的方法是使用在PCNN的输出之间运行的相关函数。由于我们具有PCNN的每个单位的输出值，即图像的每个像素，必须计算平均相关值，以便对相似度进行快速和全局测量。这可以通过使用以下表达式来完成：

其中和包括图像（或子图像）的所有像素N.

图 3.在两个不同时间拍摄的图像的PCNN信号。 （上）测试区域A.（中）测试区域B.（底部）测试区域C.

表1

三个考虑的测试案例正规化的相关值

在图3中，绘制了PCNN输出g为所考虑的测试区域计算的平均超过三个RGB波段图像，而表1了报告与每个图像对相关联的对应相关值。从图3中，我们看到测试区域A的两个图像的脉冲行为非常相似。两个信号的波形和时间的依赖性似乎都是高度相关的。对于测试区域B，结果发生了变化。在这里，从第一个时期开始，两个图像的脉冲活动强度是相当不同的，特别是就波形而言。在测试区域C中，这种差异仍然增加，并且时间相关性强度似乎也变得非常快。

这样的结果通过表I中报告的相关值能更简洁地表达出来。PCNN模型一旦处理图像，能够捕获发生重大变化的那些部分。在这种情况下，我们观察到，基于“热点”变化检测比变化像素检测的方法可能更合适，因为在未来我们可能需要分析的图像的巨大尺寸。同样如此，如下一节所示，总是可以应用多尺度程序来将检测推送到更精细的空间分辨率。

1. 实验结果

所提出的技术的准确性已经被更加定量地评估，将其应用于在选定的测试站点上拍摄的一对遥感卫星图像。该地区包括T罗马第二大学校园及周边地区，位于意大利罗马。这两张图片已于2002年5月29日获得2003年3月13日，进行标准产品预处理和核心管理。全色图像已被认为是为了设计一个单一的PCNN具有较高的分辨率，而不是处理四种不同的波段的低分辨率图像。两个全色图像如图1所示。从图4（a）和（b）中我们可以看到，在分析的时间窗口期间，该地区发生了一些变化;主要是商品住宅区的建设。变化的完整的基础实例报告在图1和图4（c）中。此外，地面调查还包括仅在2002年部分建成的房屋。

PCNN的大小为100times;100个神经元。由于上一节所述的原因，我们更倾向于采用较低分辨率图像，为了寻找“可能发生变化”的“热点”。以这种方式操作，我们对属于100times;100区域的10 000个神经元的PCNN模型输出值进行了平均运算。我们考虑了相邻的50像素（半片）贴片之间的重叠。增加重叠将意味着具有更多的空间分辨率，但是可能会以增加计算负担为代价。考虑到我们有兴趣检测至少几十年像素的探测对象，我们假设50像素的重叠大小可能是一个合理的范围。然后使用计算出的平均相关值来区分变化区域和未变化区域。

结果如图1所示。在图4（e）中，为了比较，我们用图4（d）报告了基于传统图像差分法得到的结果。更详细地，在后一种情况下，为了区分所选择的改变区域和未改变区域的阈值，我们已经为差分图像的每个框计算了平均值。并且，如图4（d）所示，我们已经报告了对应于最大化真阳性数量的阈值的结果，并保持假阳性的合理数量。

应该首先指出的是，至少在这个应用程序中，算法没有提供任何中间输出过程，相关值可能非常接近0或1.这避免了搜索最终二进制从而产生误差影像最佳阈值，其准确性是令人满意的，因为在实地中出现的54个物体中的49个已经被检测到没有虚假警报。未检测到的对象基本上是2002年图像中已经存在的结构（例如，建筑物的地基或建筑物的前几层），但尚未完成。另一方面，可以看出，由标准图像差分技术给出的结果虽然在这里被选择了合适的阈值，但却是不精确的，出现了为数不少的误报。

图4.（a）时刻t1的全色图像（2825times;2917像素）.（b）全色时间t2的图像.（c）实地图.（d）改变通过标准图像差异程序获得的检测结果。 （e）从PCNN详细阐述改变区域。 （f）在（e）中用“x”表示的先前检测到的改变区域之一进行基于像素的分析。

图5. PCNN信号与图4(e)中用“x”表示的补丁相对应

图像如图1所示。 4（f）是通过多尺度程序获得的。 这是一个新的PCNN阐述，这次是以像素为基础的，通过第一次阐述产生的热点之一，特别是对应于图1中由“x”表示的框。图4（e）。 在两个考虑的不同时间的这个盒子的脉冲活动绘制在图1中。 以类似于图5的曲线的方式， 可以观察到两个波形之间的明显的不同之处，特别是在时代9和25之间。 最后，必须注意的是，图1中报告的输出。 4（f）更均匀地分布在0和1之间的范围内。其值已经与在时间t2拍摄的全色图像相乘，以获得更好地利用原始图像的高分辨率属性的结果。

图4（f）所示的图像是通过多尺度过程得到的。这是一个新的PCNN的论述，本次实验是以像素为基础，通过第一次阐述产生从而产生“热点”，特别是对应于图4中由“x”表示的框。这个盒子的脉冲活动在两个被认为是不同的时间产生的并且绘制在图5中，以类似的方式（图3），两个波形之间的一个明显的相异性，特别是在像元9和25之间可以观察到。最后，必须注意的是，图4中报告的输出更均匀地分布在0和1之间的范围内。其值已经与在时间t2拍摄的全色图像相乘，以获得一个能更好地利用原始图像的高分辨率属性的结果。

1. 结论

目前已经研究了基于PCNN的新型自动变化检测技术的潜力。 PCNN属于NNs类，包括一些特殊的属性。它们是无监督分类和上下文相关的。此外，它们对于对象尺度，位移或旋转的变化是不变的，一旦两个图像匹配，这可能会相当有价值，特别是对于高分辨率图像。在算法的每次迭代期间，由PCNN生成的每个图像会产生一个或者两个波形创建场景的特征，可以用来比较以决定变化的发生的条件，并且将程序连续地应用到移动窗口进行整个图像的处理。

我们更喜欢一种旨在发现图像中改变的子区域而不是分析单个像素的方法。当需要检查大型数据集时，这可能更为方便，因为在未来几年，新的卫星任务将提供额外的大型数据以及已经可用的数据。

PCNN模型已经应用于意大利罗马第二大学的测试站点的几个遥感卫星图像，时间不到一年，产生了卓有成效的结果。整体对象精度达到90.7％，无误报。此外，该方法相当简便，因为它直接分析了与图像相关联的两个信号之

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27260]，资料为PDF文档或Word文档，PDF文档可免费转换为Word