通过脉冲耦合神经网络对超高分辨率图像的自动变化检测外文翻译资料

 2022-12-04 14:44:09

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

通过脉冲耦合神经网络对超高分辨率图像的自动变化检测

摘要：

本文提出了一种基于脉冲耦合神经网络（PCNN）进行图像变化检测的新方法。 PCNN是基于小型哺乳动物视觉皮层的机制的实现，而对于更传统的NNs架构，如多层感知器，它们具有有趣的优势。特别是，它们是无监管和上下文敏感的。当考虑到非常高分辨率的图像时，后一种特性可能是特别有用的，在这种情况下，对象分析可能比基于像素的图像更合适。报告了定性和更多的定量结果。已经在罗马Tor Vergata大学测试区域拍摄的一对QuickBird图像上对算法的性能进行了评估。

关键词：脉冲耦合神经网络（PCNN），无监管变化检测，非常高分辨率（VHR）图像。

一、简介

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（VHR）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。特别是最新的WorldView-1等新型系统，其特点是空间分辨率最高，现在可以提供额外的数据，以及已经运行了几年的QuickBird或者Ikonos等VHR平台。

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，无监管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，必须确定所计算的频谱变化矢量的大小是否超过某个指定的阈值标准，以便得出结论：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VHR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。 [3]确实遵循了这样一种方法，达拉·穆拉（Dalla Mura）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。

在本文档中，我们考虑一种新颖的神经网络（NN）方法来检测多时间VHR图像的变化。与其他传统方法（如贝叶斯或支持向量机）相比，NN算法已被证明是相对竞争的遥感图像分类方法[4]。基于多层感知器的监管神经结构最近被应用于具有非常高精度结果的VHR图像变化检测[5]，而用于无监管变化检测的Hopfield型NN技术已经应用于Landsat增强专题Mapper Plus图像，积极的表现[2]。

不同的是，本文提出的神经技术是基于无监管的脉冲耦合NN（PCNN），并应用于VHR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签名，这些签名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VHR图像。

二、PCNN模型

PCNN在20世纪90年代进入图像处理领域，随后出版了由Eckhorn等人介绍的新型神经元模型。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有趣的结果，其中包括在少数情况下使用卫星数据。之后，我们简要回顾一下PCNN行为的主要概念，而在文献[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。它属于无监管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。饲养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，更正式地，系统可以通过以下表达式定义：

其中S i，j是属于神经元的2-D网格的神经元（i，j）的输入，F i，j是其进料室的值，L i，j是连接隔室的相应值。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（kl）通信。 M和W传统上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。输送和连接隔室的状态被组合以产生神经元U的内部状态。组合由连接强度控制beta;内部活动由

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

阈值隔室被描述为

当神经元发光（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，其通常大于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，这又将产生大的阈值。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，卫星的视角可以起到重要的作用。

三、应用于更改检测

PCNN改变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。对变化发生的反应直接来自于这一比较。

第一个定性实例由图2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VHR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，我们注意到两次收购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。请注意，我们决定考虑一个小区域，以确保在两个不同时间的高度相似。测试区B在时间移动期间，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，从测试区域B中考虑其最多样的部分之一提取测试区域C，如测试区域B中的红色框所示。

这个想法是，PCNN可以以无监管的方式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，即对于图像的每个像素，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.

如图3所示，绘制了作为三个RGB频带上的平均值计算的考虑的测试区域的PCNN输出G [n]，而表I报告与每个图像对相关联的对应相关值。从图3，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依赖性似乎都是高度相关的。对于测试区域B，结果发生变化。在这里，从第一个时期开始，两个图像的脉冲活动是相当不同的，特别是就波形而言。在测试区域C中，这种差异仍然增加，并且时间相关似乎也变得非常快。

这样的结果通过表I中报告的相关值更简洁地表达。似乎PCNN一旦处理图像对，可能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”检测而不是更改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。

四、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QuickBird图像。该地区包括Tor Vergata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日和2003年3月13日收购，并进行标准产品预处理和核准。已经考虑了全色图像，以设计使用更高分辨率的单个PCNN而不是处理较低分辨率图像的四个不同的PCNN。两个全色图像如图4（a）和（b）所示。我们可以看到，在分析的时间窗口中，该地区发生了一些变化;主要对应新建商品住宅区的建设。变化的完整的基础实例报告在图图4（c）。请注意，地面调查还包括2002年仅部分建成的房屋。

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，只是寻找“可能发生变化”的“热点”。以这种方式操作，我们对属于100times;100盒的10 000个神经元的PCNN输出值进行了平均。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物体，我们假设50像素的重叠大小可能是一个合理的妥协。然后使用计算出的平均相关值来区分变化区域和未改变区域。

结果在图4（e）中，为了比较，我们用图4（d）报告了传统图像差分法得到的结果。更详细地，在后一种情况下，已经为差分图像的每个框计算了平均值，并且为了区分所选择的改变区域和未改变区域的阈值。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，保持假阳性的合理数量。

应该首先指出的是，至少在这个应用中，算法没有提供任何中间输出，相关值可能非常接近0或1.这避免了搜索最终二进制响应的最佳阈值。准确性是令人满意的，因为在地面真相中出现的54个物体中的49个被检测到没有虚假警报。错过的物体基本上是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，呈现了大量的虚假警报。

图像如图4（f）所示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，特别是对应于图图4（e）中由“x”表示的框。在两个考虑的不同时间的这个盒子的脉冲活动绘制在图5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4（f）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t，2拍摄的全色图像相乘，以获得更好地利用原始图像的VHR属性的结果。

五、结论

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NN族，包括一些有用的属性。它们是无监管和上下文相关的。此外，，一旦两个图像被核心地放置，它们对于物体尺度，位移或旋转是不变的，这可能是非常有用的，特别是对于VHR图像。在算法的每次迭代期间，由PCNN生成的每个图像一个两个波形创建场景的特定签名，以便可以比较以决定变化的发生。将程序连续地应用到移动窗口允许整个图像的处理。

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数据以及可用的数据。

PCNN应用于意大利罗马Tor Vergata测试站点的几个QuickBird图像，时间不到一年，产生了有趣的结果。整体对象精度达到90.7％，无误报。此外，该方法相当快，因为​​它直接分析与图像相关联的两个信号之间的相关性，并且在比较之后不需要进行后处理来给出最终响应。目前正在对PCNN参数设置的鲁棒性进行一些调查。然而，初步结果表明，将与该字母相关的相同参数值应用于不同的VHR图像使得性能仍然令人满意。关于单个参数，围绕选定值的波动对于Vtheta;和alpha;theta;似乎更为关键，而beta;和alpha;L表现出更好的稳定性。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25364]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章