本發(fā)明涉及遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像分割方法。同時(shí)還涉及一種改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的遙感圖像分割的裝置，特別針對分辨率0.2m～0.5m的遙感影像。

背景技術(shù)：

近幾年來，隨著傳感器技術(shù)與信息技術(shù)的快速發(fā)展，從不同衛(wèi)星傳感器、航空飛機(jī)、無人機(jī)等所獲得的遙感圖像在空間分辨率上有了大幅度的提高，從而使高分辨率遙感技術(shù)所提供的各種精細(xì)化的信息，為各行各業(yè)地理空間數(shù)據(jù)的更新提供了強(qiáng)大的技術(shù)支撐。但也由于遙感圖像的高分辨率，使其在較好地表現(xiàn)更多的精細(xì)信息的同時(shí)增大了噪聲對有用信息提取的影響，并且一般的圖像分割方法容易產(chǎn)生過分割現(xiàn)象，因而影響了從遙感圖像中有用信息的提取。

圖像分割是一種關(guān)鍵的圖像分析技術(shù)，目的是通過對圖像的分析和研究，將感興趣的目標(biāo)或區(qū)域提取出來。圖像分割是承接圖像處理與圖像分析直接的關(guān)鍵步驟，也是進(jìn)一步圖像理解的基礎(chǔ)。圖像分割有著很長的研究歷史,一直是研究的熱點(diǎn)和焦點(diǎn)問題，幾十年來也提出了數(shù)以千計(jì)的算的算法。迄今為止，沒有一個通用的圖像分割方法，能解決特定的問題，目前還面臨著許多挑戰(zhàn)。由于受到噪聲、光照等污染使得圖像模糊不清，圖像細(xì)節(jié)和邊緣信息無法完全分割出來。目前國內(nèi)外常用的圖像分割方法分有基于閾值分割、基于邊緣分割、基于神經(jīng)網(wǎng)絡(luò)分割等。在遙感圖像分割領(lǐng)域應(yīng)用較多的經(jīng)典算法有：基于閾值分割的區(qū)域生長算法和基于邊緣檢測的hough變換直線檢測。當(dāng)圖像結(jié)構(gòu)簡單時(shí)，區(qū)域生長法和hough變換直線檢測法能很好地將公路從圖像中分割出來；但當(dāng)圖像結(jié)構(gòu)復(fù)雜、噪聲較多時(shí)，二者會出現(xiàn)過分割現(xiàn)象或者欠分割的現(xiàn)象。

脈沖耦合神經(jīng)網(wǎng)絡(luò)(pcnn)是一種基于貓的視覺原理構(gòu)建的簡化神經(jīng)網(wǎng)絡(luò)模型，正是因?yàn)樗哂猩飳W(xué)背景，該方法已廣泛應(yīng)用于圖像平滑、圖像分割、圖像細(xì)化、邊緣檢測和路徑跟蹤等各個方面，并取得了顯著成果。尤其是在圖像分割應(yīng)用中，pcnn能較好地分離目標(biāo)和背景部分的重疊。但由于pcnn模型中有多個參數(shù)，這些參數(shù)值的變換決定著pcnn的運(yùn)行結(jié)果，所以原始的pcnn算法應(yīng)用于圖像分割時(shí)，需要對多個參數(shù)不斷調(diào)試，過程繁瑣，難以找到規(guī)律，并且迭代次數(shù)無法自動確定。

在我國經(jīng)濟(jì)快速發(fā)展的背景下，農(nóng)村公路建設(shè)作為我國當(dāng)前進(jìn)一步擴(kuò)大內(nèi)需、促進(jìn)經(jīng)濟(jì)增長的十項(xiàng)措施之一，農(nóng)村公路發(fā)展迅速，2015年底全國農(nóng)村公路里程達(dá)到398萬公里。由于農(nóng)村公路點(diǎn)多、線長、面廣，傳統(tǒng)調(diào)查手段是地方上報(bào)和實(shí)地抽檢，上報(bào)數(shù)據(jù)可能存在漏報(bào)、虛報(bào)，而實(shí)地抽檢耗時(shí)長且有諸多觸不到的“死角”，使得農(nóng)村公路管理成為“老大難”問題，因此，迫切需要通過遙感等技術(shù)手段客觀獲取真實(shí)的數(shù)據(jù)。

所以本發(fā)明針對高分辨率遙感影像農(nóng)村公路影像，分為兩個步驟：初始分割和最終分割，初始分割：利用最小交叉熵方法自動確定分割的迭代次數(shù)，再根據(jù)簡化pcnn模型分割圖像得到初始結(jié)果；最終分割：結(jié)合形態(tài)學(xué)處理在初始結(jié)果的基礎(chǔ)上對該圖像進(jìn)行分割，得到最終分割結(jié)果，為進(jìn)一步提取道路信息提供了有效的途徑。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明發(fā)明了一種改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的遙感圖像分割方法及裝置，目的是提供一種針對高分辨率(分辨率為0.2m～0.5m)的遙感圖像(包括無人機(jī)影像)上的農(nóng)村公路分割的方法，能有效地避免pcnn的參數(shù)過多的現(xiàn)象；并且利用最小交叉熵方法自動確定迭代次數(shù)；本發(fā)明利用形態(tài)學(xué)方法對簡化的pcnn所得到的初始分割結(jié)果獲取圖像內(nèi)每個斑塊的面積，并通過算法內(nèi)部給出的面積值，對初始的分割結(jié)果進(jìn)行進(jìn)一步分割，有效減輕了簡化的pcnn的“過分割”現(xiàn)象；本發(fā)明所得到的分割結(jié)果通過與經(jīng)典算法區(qū)域生長法和hough變換直線檢測方法相比較，能有效降低周圍噪聲產(chǎn)生的影響、避免出現(xiàn)過分割或欠分割的現(xiàn)象，且分割出來的目標(biāo)對象邊緣平滑。

本發(fā)明的另一個目的是在于提供了一種基于簡化pcnn模型的高分辨率遙感圖像分割裝置，該裝置能夠有效地分割出道路，并且避免了pcnn的參數(shù)過多的現(xiàn)象，有效地降低周圍噪聲產(chǎn)生的影響、避免出現(xiàn)過分割或欠分割的現(xiàn)象，且分割出來的道路目標(biāo)邊緣平滑。

為實(shí)現(xiàn)上述目的，本發(fā)明所采取的技術(shù)方案為：

本發(fā)明的構(gòu)思為：對輸入進(jìn)來的圖像采用加權(quán)平均方法對圖像進(jìn)行灰度化處理，并顯示處理后的圖像；再利用最小交叉熵得到最優(yōu)迭代次數(shù)，即通過計(jì)算目標(biāo)之間的目標(biāo)交叉熵，即道路之間的交叉熵以及背景之間的背景交叉熵，并用其和作為原圖像和分割圖像之間的交叉熵，通過迭代的方法得到最優(yōu)分割閾值，使原圖像和分割圖像之間的交叉熵最小，從而進(jìn)一步得出最優(yōu)迭代次數(shù)；然后對典型簡化的pcnn模型參數(shù)賦值，包括對閾值衰減時(shí)間常數(shù)(alpha)，連接強(qiáng)度系數(shù)(beta)和輸入的閾值(threshold)；其中alpha指控制著閾值的下降速度，alpha越大，閾值衰減越快，模型運(yùn)行次數(shù)越少；相反，alpha越小，閾值衰減得越慢，模型運(yùn)行次數(shù)越多；beta指對周圍神經(jīng)元影響中心神經(jīng)元點(diǎn)火周期的程度起著調(diào)節(jié)作用，在連接域未被調(diào)制前起到對其按比例縮放的作用，且較大的鏈接系數(shù)能引起較大范圍的脈沖同步；threshold是指根據(jù)alpha值的改變而設(shè)置的閾值，無固定范圍。利用簡化的pcnn方法對公路圖像進(jìn)行分割，當(dāng)神經(jīng)元有脈沖輸出時(shí)，其動態(tài)門限瞬間增大，當(dāng)門限增大到無法產(chǎn)生脈沖輸出時(shí)，門限便開始指數(shù)衰減，而當(dāng)門限衰減至小于它的內(nèi)部活動項(xiàng)時(shí)，脈沖會再次發(fā)生，周而復(fù)始，最終形成初始分割結(jié)果。最后，對初始分割結(jié)果進(jìn)行形態(tài)學(xué)分割，通過獲取每個圖像中每個斑塊的面積值，算法內(nèi)部給出一個假定的面積值，當(dāng)斑塊面積值大于假定面積值時(shí)，賦值為1，當(dāng)斑塊面積值小于假定面積值時(shí)，賦值為0，得到最終分割結(jié)果。

具體技術(shù)方案如下：

一種改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的高分辨率遙感圖像分割方法，包括以下步驟：

a.灰度處理步驟：對輸入的彩色遙感圖像進(jìn)行灰度化處理，使彩色圖像變?yōu)榛叶葓D像，并顯示變換后圖像；

b.參數(shù)最優(yōu)值確定步驟：采用最小交叉熵方法計(jì)算分割目標(biāo)之間的目標(biāo)交叉熵以及背景之間的背景交叉熵，將目標(biāo)交叉熵與背景交叉熵之和作為原始圖像和分割后圖像之間的交叉熵，并通過迭代的方法得到最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n；

c.初始分割步驟：對簡化的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型參數(shù)賦值，并基于所述最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n對遙感圖像進(jìn)行分割，形成包括目標(biāo)的初始分割結(jié)果；

d.形態(tài)分割步驟：利用形態(tài)學(xué)處理方法對上述初始分割結(jié)果計(jì)算各個目標(biāo)物的面積并與預(yù)先設(shè)定的面積值進(jìn)行對比，去除小于該面積的目標(biāo)物最后得到最終分割結(jié)果。

其中，所述灰度處理步驟，是基于下式進(jìn)行圖像灰度化：

t＝0.2989r+0.5870g+0.1140b；其中，式中t表示灰度圖像的灰度值，r、g、b分別表示彩色圖像的紅、綠、藍(lán)波段的dn值。

所述參數(shù)最優(yōu)值確定步驟中，基于下式求得最佳分割閾值及最優(yōu)迭代次數(shù)n：

式中：t為圖像灰度值；h(t)為圖像的灰度統(tǒng)計(jì)直方圖；z為圖像灰度上限；t為閾值初值；μ1(t)和μ2(t)均為類內(nèi)均值，分別表示在該閾值下目標(biāo)和背景的平均灰度值；其中，使公式d(m:v:t)最小的t值為最佳分割閾值，其對應(yīng)的迭代次數(shù)為最優(yōu)迭代次數(shù)。

所述初始分割步驟中被賦值典型簡化的pncc模型參數(shù)包括：閾值衰減時(shí)間常數(shù)alpha，連接強(qiáng)度系數(shù)beta和輸入閾值threshold；且0<alpha<1，0<beta<1。初始分割步驟具體包括以下子步驟：

接受域子步驟，輸入影像，接受信號后將其通過兩條通道傳輸，其中一條通道稱為f通道，另一條為l通道，fij通道僅接收單個神經(jīng)元nij的值，即神經(jīng)元nij的值是與之相關(guān)聯(lián)像素的灰度值，lij接收周圍8個神經(jīng)元的輸入，即當(dāng)前神經(jīng)元受到3×3鄰域內(nèi)像素的影響；

調(diào)制域子步驟，輸入的連接強(qiáng)度系數(shù)βij決定了神經(jīng)元的捕獲能力，當(dāng)前神經(jīng)元nij與已點(diǎn)火的神經(jīng)元差異較小時(shí)，像素在圖像中表現(xiàn)出相同的灰度值，推斷相似性增大，當(dāng)其值較大，即神經(jīng)元耦合連接強(qiáng)度大，點(diǎn)火區(qū)域同步發(fā)出脈沖，反之，神經(jīng)元耦合連接強(qiáng)度值越小，神經(jīng)元將推后點(diǎn)火甚至不點(diǎn)火；

脈沖發(fā)生域子步驟，接受脈沖，神經(jīng)元的閾值通過反饋迅速提高，當(dāng)動態(tài)閾值eij超過uij時(shí)，停止發(fā)放脈沖，輸出值為0，閾值開始指數(shù)下降，當(dāng)閾值低于uij時(shí)，脈沖又產(chǎn)生，神經(jīng)元被點(diǎn)火，輸出一個脈沖，值為1，以此往復(fù)迭代，一直到迭代次數(shù)結(jié)束，輸出分割后包括道路的二值圖像。

另外，所述初始分割步驟中，基于以下模型建立典型簡化的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型：

其中，ij為神經(jīng)元的標(biāo)號，n表示迭代次數(shù)，sij表示神經(jīng)元的外部刺激，fij表示神經(jīng)元的輸入部分，lij表示連接輸入，uij表示神經(jīng)元的內(nèi)部活動項(xiàng)，yij表示神經(jīng)元的輸出，eij表示動態(tài)閾值，表示閾值衰減時(shí)間常數(shù)，ve表示動態(tài)閾值的固有電勢，βij表示連接強(qiáng)度系數(shù)wijkl表示加權(quán)系數(shù)矩陣，vl、ve表示放大系數(shù)常數(shù)，其中：wijkl可以取以下值，。

所述形態(tài)分割步驟中，若獲取的每塊目標(biāo)的面積值大于預(yù)定的面積值，則將獲取的目標(biāo)面積值賦值為1，否則，賦值為0。

另外，本發(fā)明還要求保護(hù)所述的圖像分割方法的具體應(yīng)用，將所述圖像分割方法應(yīng)用于高分辨率遙感圖像上的農(nóng)村公路圖像分割，特別針對分辨率0.2m-0.5m的影像(如無人機(jī)影像)。

進(jìn)一步，本發(fā)明還要求保護(hù)一種基于改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的高分辨率遙感圖像分割裝置，具體包括：

灰度處理模塊：對輸入的彩色遙感圖像進(jìn)行灰度化處理，使彩色圖像變?yōu)榛叶葓D像，并顯示變換后圖像；

參數(shù)最優(yōu)值確定模塊：采用最小交叉熵方法計(jì)算分割目標(biāo)之間的目標(biāo)交叉熵以及背景之間的背景交叉熵，將目標(biāo)交叉熵與背景交叉熵之和作為原始圖像和分割后圖像之間的交叉熵，并通過迭代的方法得到最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n；

初始分割模塊：對簡化的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型參數(shù)賦值，并基于所述最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n對遙感圖像進(jìn)行分割，形成包括目標(biāo)的初始分割結(jié)果；

形態(tài)分割模塊：利用形態(tài)學(xué)處理方法對上述初始分割結(jié)果計(jì)算各個目標(biāo)物的面積并與預(yù)先設(shè)定的面積值進(jìn)行對比，去除小于該面積的目標(biāo)物后得到最終的分割結(jié)果。

并且上述初始分割模塊具體包括以下單元：

接受域單元，輸入影像，接受信號后將其通過兩條通道傳輸，其中一條通道稱為f通道，另一條為l通道，fij通道僅接收單個神經(jīng)元nij的值，即神經(jīng)元nij的值是與之相關(guān)聯(lián)像素的灰度值，lij接收周圍8個神經(jīng)元的輸入，即當(dāng)前神經(jīng)元受到3×3鄰域內(nèi)像素的影響；

調(diào)制域單元，輸入的連接強(qiáng)度系數(shù)βij決定了神經(jīng)元的捕獲能力，當(dāng)前神經(jīng)元nij與已點(diǎn)火的神經(jīng)元差異較小時(shí)，像素在圖像中表現(xiàn)出相同的灰度值，推斷相似性增大，當(dāng)其值較大，即神經(jīng)元耦合連接強(qiáng)度大，點(diǎn)火區(qū)域同步發(fā)出脈沖，反之，神經(jīng)元耦合連接強(qiáng)度值越小，神經(jīng)元將推后點(diǎn)火甚至不點(diǎn)火；

脈沖發(fā)生域單元，接受脈沖，神經(jīng)元的閾值通過反饋迅速提高，當(dāng)動態(tài)閾值eij超過uij時(shí)，停止發(fā)放脈沖，輸出值為0，閾值開始指數(shù)下降，當(dāng)閾值低于uij時(shí)，脈沖又產(chǎn)生，神經(jīng)元被點(diǎn)火，輸出一個脈沖，值為1，以此往復(fù)迭代，一直到迭代次數(shù)結(jié)束，輸出分割后包括目標(biāo)的二值圖像。

本發(fā)明與現(xiàn)有技術(shù)相比有如下優(yōu)點(diǎn)：

(1)本發(fā)明利用pcnn算法對圖像分割，較其他的神經(jīng)網(wǎng)絡(luò)相比，不需要經(jīng)過學(xué)習(xí)，從而使其時(shí)間效率比其他神經(jīng)網(wǎng)絡(luò)高；

(2)本發(fā)明利用典型的簡化pcnn算法對高分辨率農(nóng)村公路遙感影像進(jìn)行分割，同時(shí)有效地避免pcnn的參數(shù)過多的現(xiàn)象，從而使其操作過程簡便；

(3)本發(fā)明中利用形態(tài)學(xué)方法對簡化的pcnn所得到的初始分割結(jié)果獲取每個目標(biāo)物的面積，并通過算法內(nèi)部給出的面積值，對初始分割結(jié)果進(jìn)行進(jìn)一步分割，有效減輕了簡化pcnn的“過分割”現(xiàn)象；

(4)本發(fā)明所得到的分割結(jié)果通過與經(jīng)典算法中的區(qū)域生長法和hough變換直線檢測方法比較，在分割簡單(即噪聲少)的遙感圖像時(shí)，三者都能有效地分割出農(nóng)村公路，但是本發(fā)明分割后的農(nóng)村公路較前兩者邊緣更為平滑；對復(fù)雜(即噪聲較多)的遙感圖像分割時(shí)，區(qū)域生長法和hough變換直線檢測方法會出現(xiàn)過分割或欠分割現(xiàn)象，而本發(fā)明的方法能夠降低周圍噪聲產(chǎn)生的影響，避免出現(xiàn)過分割或欠分割的現(xiàn)象。

附圖說明

圖1為一種改進(jìn)簡化pcnn模型的高分辨率遙感圖像分割流程圖；

圖2為一種像素點(diǎn)與pcnn神經(jīng)元的對應(yīng)關(guān)系圖；

圖3為一種pcnn神經(jīng)元的基本模型示意圖；

圖4-1為本實(shí)施例的圖像分割裝置軟件界面示意圖；

圖4-2為本實(shí)施例的圖像分割裝置載入待分割圖像后的示意圖；

圖4-3為本實(shí)施例的圖像分割裝置輸入?yún)?shù)后的示意圖；

圖4-4為本實(shí)施例的圖像分割裝置圖像分割后的示意圖；

具體實(shí)施方式

實(shí)施例1：

下面結(jié)合附圖通過實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。

本發(fā)明基于改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的圖像分割方法在農(nóng)村公路遙感圖像分割中的實(shí)現(xiàn)流程如圖1所示，圖1包括8個單元。

一種基于改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的高分辨率遙感圖像分割方法，其步驟是：

單元100為對圖像進(jìn)行灰度化處理：對農(nóng)村公路高分辨率遙感圖像采用加權(quán)平均的算法將圖像轉(zhuǎn)換為灰度圖像，即t＝0.2989r+0.5870g+0.1140b，其中，t表示灰度圖像的灰度值，r、g、b分別表示彩色圖像的紅、綠、藍(lán)波段的dn值。

單元101為顯示變換后圖像。

單元102是利用最小交叉熵方法計(jì)算最優(yōu)迭代次數(shù)：計(jì)算目標(biāo)之間的目標(biāo)交叉熵以及背景之間的背景交叉熵，并用其和作為原圖像和分割圖像之間的交叉熵；通過對圖像最優(yōu)閾值計(jì)算，從而進(jìn)一步得出最優(yōu)迭代次數(shù)。最小交叉熵原理如下：

設(shè)有兩個概率分布m＝{m1，m2，…，mn}和v＝{v1，v2，…，vn}，若用交叉熵表示它們之間的信息量差距，則其對稱形式如下公式所示：

其中，式中m和v分別表示處理前原始圖像和分割結(jié)果圖像，當(dāng)m和v相等時(shí)，d等于零；

用于確定最優(yōu)分割閾值的最小交叉熵方法是以m和v分別表示處理前原始圖像和分割結(jié)果圖像，然后計(jì)算分割目標(biāo)之間的目標(biāo)交叉熵以及背景之間的背景交叉熵，將目標(biāo)交叉熵與背景交叉熵之和作為原始圖像和分割后圖像之間的交叉熵，其定義為，如下公式所示：

式中：其中t為圖像灰度值；h(t)為圖像的灰度統(tǒng)計(jì)直方圖；z為圖像灰度上限；t為閾值初值；μ1(t)和μ2(t)均為類內(nèi)均值，分別表示在該閾值下目標(biāo)和背景的平均灰度值；在計(jì)算中，z對公式d(m:v:t)采用歸一化處理，由于它是在假定一個閾值情況下的原始圖像和分割結(jié)果圖像之間的信息量差異的度量結(jié)果，所以能夠在圖像灰度范圍內(nèi)搜索t值，而使公式d(m:v:t)最小的t值為最佳分割閾值，其對應(yīng)的迭代次數(shù)為最優(yōu)迭代次數(shù)。

其中：

單元103為設(shè)置相關(guān)參數(shù)，即對典型簡化的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型參數(shù)賦值，包括閾值衰減時(shí)間常數(shù)alpha，連接強(qiáng)度系數(shù)beta和輸入閾值threshold：一般alpha，beta在0～1之間，threshold由于是根據(jù)alpha的值的改變而進(jìn)行調(diào)節(jié)，無固定范圍。其中alpha指的是控制著閾值的下降速度，alpha越大，閾值衰減得越快，模型運(yùn)行次數(shù)越少。相反，alpha越小，閾值衰減得越慢，模型運(yùn)行次數(shù)越多；beta指對周圍神經(jīng)元影響中心神經(jīng)元點(diǎn)火周期的程度起著調(diào)節(jié)作用。在鏈接域未被調(diào)制前起到對其按比例縮放的作用，且較大的鏈接系數(shù)能引起較大范圍的脈沖同步；threshold是指根據(jù)alpha的值的改變而進(jìn)行設(shè)置，無固定范圍。

單元104初始分割，利用簡化的pcnn方法對圖像進(jìn)行分割。簡化方法為濾除掉小的能量，得到新的局部能量圖。典型簡化的pcnn模型如下公式所示：

其中，ij為神經(jīng)元的標(biāo)號，n表示迭代次數(shù)，sij表示神經(jīng)元的外部刺激，fij表示神經(jīng)元的輸入部分，lij表示連接輸入，uij表示神經(jīng)元的內(nèi)部活動項(xiàng)，yij表示神經(jīng)元的輸出，eij表示動態(tài)閾值，表示閾值衰減時(shí)間常數(shù)，ve表示動態(tài)閾值的固有電勢，βij表示連接強(qiáng)度系數(shù)，wijkl表示加權(quán)系數(shù)矩陣，vl、ve表示放大系數(shù)常數(shù)。

神經(jīng)元的外部輸入是相對應(yīng)的圖像像素的灰度值，所以fij[n]＝sijlij是接收它周圍8個神經(jīng)元的輸入，加權(quán)系數(shù)矩陣輸入項(xiàng)和連接項(xiàng)共同決定的取值，連接系數(shù)可以調(diào)節(jié)當(dāng)前像素和周圍像素之間相互作用的大小，較大的連接系數(shù)會引起較大范圍的脈沖同步，從而影響中心神經(jīng)元的點(diǎn)火周期，這就是所謂的非線性相乘調(diào)制耦合特性。當(dāng)內(nèi)部活動項(xiàng)大于此時(shí)的動態(tài)閾值，則輸出1，反之，則輸出0。各神經(jīng)元的閾值按照上式的規(guī)律衰減，閾值衰減時(shí)間常數(shù)為αe。

單元105為獲得初始的分割結(jié)果。

單元106為形態(tài)學(xué)分割，通過獲取每塊目標(biāo)的面積值，算法內(nèi)部給出一個假定的面積值，當(dāng)目標(biāo)的面積值大于假定的面積值時(shí)，賦值為1，當(dāng)目標(biāo)的面積值小于假定的面積值時(shí)，賦值為0。通過以下公式進(jìn)行處理：

θ為方法內(nèi)設(shè)定的面積值，area為圖像中目標(biāo)面積的大小

單元107為分割后所得到的最終分割結(jié)果。

下面給出根據(jù)一幅農(nóng)村公路的高分辨率影像實(shí)施的例子，如圖4所示，主要步驟如下：

a單元加載圖像，輸入影像類型：geotiff(.gif)格式，點(diǎn)擊newimage按鈕選取目標(biāo)影像；

b單元設(shè)置參數(shù)，其中alpha，beta，threshold分別表示閾值衰減時(shí)間常數(shù)、連接強(qiáng)度系數(shù)、輸入的閾值；0<alpha<1，0<beta<1，threahold的大小范圍由alpha的值決定。從分割效果對比得出本實(shí)例參數(shù)設(shè)置分別為0.41，0.1，255；

c單元點(diǎn)擊run按鈕，運(yùn)行程序，將顯示灰度影像以及d單元顯示的分割后的結(jié)果：

d單元顯示分割后的結(jié)果。

本發(fā)明的實(shí)施例在pc平臺上實(shí)現(xiàn)，經(jīng)實(shí)驗(yàn)驗(yàn)證，該分割流程分割速度快，農(nóng)村公路邊界保持度高，能夠得到較理想的結(jié)果。

實(shí)施例2：

一種基于改進(jìn)簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的高分辨率遙感圖像分割裝置，具體包括：

灰度處理模塊：通過點(diǎn)擊newimage按鈕選擇要處理影像，對輸入的彩色遙感圖像進(jìn)行灰度化處理，使彩色圖像變?yōu)榛叶葓D像，并顯示變換后圖像；

參數(shù)最優(yōu)值確定模塊：采用最小交叉熵方法計(jì)算分割目標(biāo)之間的目標(biāo)交叉熵，即道路之間的交叉熵以及除道路之外，即背景之間的背景交叉熵，將目標(biāo)交叉熵與背景交叉熵之和作為原始圖像和分割后圖像之間的交叉熵，并通過迭代的方法得到最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n，其具體計(jì)算如下公式所示：

式中：其中t為圖像灰度值；h(t)為圖像的灰度統(tǒng)計(jì)直方圖；z為圖像灰度上限；t為閾值初值；μ1(t)和μ2(t)均為類內(nèi)均值，分別表示在該閾值下目標(biāo)和背景的平均灰度值；在計(jì)算中，z對公式d(m:v:t)采用歸一化處理，由于它是在假定一個閾值情況下的原始圖像和分割結(jié)果圖像之間的信息量差異的度量結(jié)果，所以能夠在圖像灰度范圍內(nèi)搜索t值，而使公式d(m:v:t)最小的t值為最佳分割閾值，其對應(yīng)的迭代次數(shù)為最優(yōu)迭代次數(shù)。

其中：

初始分割模塊：對簡化的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型參數(shù)閾值衰減時(shí)間常數(shù)alpha，連接強(qiáng)度系數(shù)beta，輸入的閾值threshold賦值，其中0<alpha<1，0<beta<1，threahold的大小范圍由alpha的值決定，并基于所述最優(yōu)分割閾值及最優(yōu)迭代次數(shù)n對遙感圖像進(jìn)行分割，形成包括目標(biāo)即道路的初始分割結(jié)果；

形態(tài)分割模塊：利用形態(tài)學(xué)處理方法對上述初始分割結(jié)果計(jì)算各個目標(biāo)物的面積并與預(yù)先設(shè)定的面積值進(jìn)行對比，去除小于該面積的目標(biāo)物最后得到最終分割結(jié)果。通過以下公式進(jìn)行處理：

θ為方法內(nèi)設(shè)定的面積值，area為圖像中目標(biāo)面積的大小，

并且上述初始分割模塊具體包括以下單元：

接受域單元，輸入影像，接受信號后將其通過兩條通道傳輸，其中一條通道稱為f通道，另一條為l通道，fij通道僅接收單個神經(jīng)元nij的值，即神經(jīng)元nij的值是與之相關(guān)聯(lián)像素的灰度值，lij接收周圍8個神經(jīng)元的輸入，即當(dāng)前神經(jīng)元受到3×3鄰域內(nèi)像素的影響；

調(diào)制域單元，輸入的連接強(qiáng)度系數(shù)βij決定了神經(jīng)元的捕獲能力，當(dāng)前神經(jīng)元nij與已點(diǎn)火的神經(jīng)元差異較小時(shí)，像素在圖像中表現(xiàn)出相同的灰度值，推斷相似性增大，當(dāng)其值較大，即神經(jīng)元耦合連接強(qiáng)度大，點(diǎn)火區(qū)域同步發(fā)出脈沖，反之，神經(jīng)元耦合連接強(qiáng)度值越小，神經(jīng)元將推后點(diǎn)火甚至不點(diǎn)火；

脈沖發(fā)生域單元，接受脈沖，神經(jīng)元的閾值通過反饋迅速提高，當(dāng)動態(tài)閾值eij超過uij時(shí)，停止發(fā)放脈沖，輸出值為0，閾值開始指數(shù)下降，當(dāng)閾值低于uij時(shí)，脈沖又產(chǎn)生，神經(jīng)元被點(diǎn)火，輸出一個脈沖，值為1，以此往復(fù)迭代，一直到迭代次數(shù)結(jié)束，輸出分割后包括目標(biāo)的二值圖像。

應(yīng)當(dāng)指出，以上所述具體實(shí)施方式可以使本領(lǐng)域的技術(shù)人員更全面地理解本發(fā)明，但不以任何方式限制本發(fā)明。因此，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，仍然可以對本發(fā)明進(jìn)行修改或者等同替換；而一切不脫離本發(fā)明的精神和技術(shù)實(shí)質(zhì)的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明專利的保護(hù)范圍當(dāng)中。