薛 薇，張 鋒，凡 靜，王 博，李 娜

(1.西安交通大學城市學院 計算機系，西安 710018；2.西安交通大學 電氣學院，西安 710049)

0 引言

邊緣檢測是計算機視覺與圖像處理的交叉研究問題，其目的在于對數(shù)字圖像中亮度發(fā)生明顯變化的節(jié)點對象進行標注。一般來說，數(shù)字節(jié)點表現(xiàn)出的顯著變化行為能夠反映出圖像屬性的變化規(guī)律，且對于變化規(guī)律的定義并不局限于連續(xù)性、非連續(xù)性、場景變化等某一特定方向[1]。RBF神經網絡中文全稱為徑向基函數(shù)神經網絡模型，常保持三層前饋型連接模式，既可以用于對數(shù)據(jù)樣本進行分類，也可以對函數(shù)表達式的取值結果進行逼近處理。相較于其他類型的人工神經網絡體系，RBF神經網絡的連接結構更加簡單，能夠在快速學習數(shù)據(jù)信息的同時，提升網絡體系的泛化運行能力[2]。從某種程度來說，邊緣檢測思想與RBF神經網絡的設計原則具有相似性，將二者結合能夠精準提取目標對象中的隱藏信息，且在選擇目標對象時，并不設置明確的取樣條件。

遙感影像由衛(wèi)星相片、航空像片兩部分組成，特指能夠記錄地物電磁波水平的照片與膠片。能供計算機元件直接處理的遙感圖像一定是數(shù)字圖像，而通過攝影方式所獲取的圖像大多為模擬狀態(tài)，因此在錄入圖像信息時，需借助掃描儀等設備對其進行模/數(shù)轉換處理。為了提升遙感影像的分辨率，相關學者紛紛對遙感圖像處理方法做出了研究。文獻[3]提出少樣本條件下基于生成對抗網絡的遙感圖像數(shù)據(jù)增強處理方法，通過全局決策的方式，對幀節(jié)點對象特征進行識別，再借助訓練集單位，實施對目標信息的融合與檢測處理。文獻[4]提出基于偏好型支持向量機的遙感圖像云檢測技術，從灰度特征與紋理特征的角度著手，對遙感圖像的幀特征信息進行識別，可以通過偏好訓練的方式，確定節(jié)點對象所處位置，并實施針對性識別與處理。然而上述兩種方法的應用并不足以解決分辨率超限的問題，因此達不到100%精準識別的目標。針對上述問題，設計基于邊緣檢測及RBF神經網絡的遙感圖像幀特征動態(tài)識別方法。

1 遙感圖像邊緣檢測

遙感圖像邊緣檢測的實現(xiàn)，需要根據(jù)微分算子取值，求解OTSU閾值，從而對邊緣節(jié)點追蹤參數(shù)進行精準計算，本章節(jié)將針對上述內容展開深入研究。

1.1 微分算子

微分算子從微分思想的角度，對遙感圖像中幀特征參量的梯度水平進行描述，如果所采集到遙感圖像具有數(shù)字圖像的表現(xiàn)特征，那么只要保障微分算子求解結果按照灰度變化梯度規(guī)則進行排序，就可以實現(xiàn)對遙感圖像幀特征對象的精準識別[5-6]。對于微分算子的求解需要以導向量系數(shù)為基礎，具體計算式如下：

(1)

所謂微分就是指無限縮小，在識別遙感圖像幀特征時，只有確保對象樣本的取樣空間足夠小，才能夠避免既定特征參量在單一識別區(qū)間內頻繁出現(xiàn)，因此對于微分算子的計算，還要保障幀特征參量的取值空間小于數(shù)字化圖像的最小分辨率條件[7]。設i1、i2表示兩個隨機選取的微分取樣參數(shù)，且i1≠i2的不等式條件恒成立，δ表示幀特征對象在單一樣本空間內的取樣標準值，I表示遙感圖像的幀特征定義結果，e、u表示兩個不相等的幀特征對象梯度參數(shù)，聯(lián)立式(1)，可將遙感圖像微分算子表達式定義為：

(2)

如果幀特征對象不存在于遙感圖像邊緣區(qū)域之內，那么微分算子的取值將與數(shù)字圖像的灰度水平無關，故而為使微分算子表達式影響遙感圖像的邊緣檢測結果，只能在同一邊緣區(qū)域內對幀特征對象進行取樣。

1.2 OTSU閾值

OTSU閾值就是在數(shù)據(jù)樣本保持最大類間距情況下求解所得的方差結果，在識別遙感圖像幀特征參數(shù)時，對于該項物理指標的求解，不要求數(shù)據(jù)樣本的取值來源于同一個數(shù)值區(qū)間，所以即便是在邊緣檢測區(qū)域內，運算主機也可以根據(jù)OTSU閾值的取值結果，判斷幀特征對象的數(shù)值變化情況[8-9]。由于微分算子只能反映出遙感圖像的灰度變化規(guī)則，沒有在非邊界與非統(tǒng)一背景的情況下對幀特征參數(shù)的方差結果進行要求，所以在求解OTSU閾值時，還要將幀特征參數(shù)在非邊界與非統(tǒng)一背景情況下的取值結果考慮在內。

非邊界情況下的幀特征參數(shù)取值條件：

(3)

非統(tǒng)一背景情況下的幀特征參數(shù)取值條件：

(4)

聯(lián)立式(2)～(4)，推導OTSU閾值定義式如下：

(5)

式中，ΔQ表示邊緣檢測區(qū)域內遙感圖像幀特征數(shù)據(jù)的取值總量，φ表示方差統(tǒng)計參數(shù)。OTSU閾值等于零表示實施遙感圖像邊緣檢測的過程中，主機元件可以對幀特征參數(shù)進行無差別識別。

1.3 邊緣節(jié)點追蹤參數(shù)

節(jié)點追蹤是一種動態(tài)搜索思想，對于遙感圖像邊緣區(qū)域的檢測，采用節(jié)點追蹤的方式對幀特征參量進行動態(tài)識別，既可以避免數(shù)據(jù)樣本出現(xiàn)相互覆蓋的情況，也能夠實現(xiàn)對某一個或某一類樣本對象的精準識別[10-11]。對于邊緣節(jié)點追蹤參數(shù)的計算涉及對幀特征參量覆蓋率、數(shù)據(jù)樣本利用價值的求解，具體計算式如下：

(6)

遙感圖像邊緣檢測還要求數(shù)據(jù)樣本取值的唯一性，因此在求解邊緣節(jié)點追蹤參數(shù)時，還要求幀特征參量覆蓋率、數(shù)據(jù)樣本利用價值的取值必須屬于同一個樣本區(qū)間[12]。設λ表示遙感圖像幀特征參量在單位檢測區(qū)域內的動態(tài)匹配系數(shù)，s表示實時追蹤向量，D表示單位時間內的幀特征對象檢測總量，聯(lián)立式(6)，可將邊緣節(jié)點追蹤參數(shù)計算結果表示為：

(7)

為在同一邊緣區(qū)域內完成對遙感圖像幀特征參量的取值，要求γ≠0、W≠0的不等式取值條件同時成立。

2 RBF神經網絡識別模型

2.1 RBF神經網絡機制

RBF神經網絡機制是一個集成的數(shù)據(jù)處理結構，能夠借助神經網絡終端將已輸入的遙感圖像幀特征樣本改寫成指令執(zhí)行文件，從而得到多樣化的動態(tài)識別結果，以便于網絡主機在實施邊緣檢測的過程中，能夠較好解決分辨率超限的問題[13]。遙感圖像分辨率超限是一個普遍存在的問題，對于網絡主機而言，其在完成邊緣檢測時，如果能夠利用RBF神經網絡機制提取大量的幀特征參量，就可以在長、寬、高3個方向上對圖像幀特征對象模型進行模擬，從而在精準識別特征參量的同時，控制分辨率指標的波動變化行為[14]。RBF神經網絡機制的具體作用原理如圖1所示。

圖1 RBF神經網絡機制的作用原理

規(guī)定dmin表示遙感圖像幀特征對象建模參數(shù)的最小取值，dmax表示建模參數(shù)的最大取值，且二者屬于遙感圖像的同一邊緣檢測區(qū)域，ι表示圖像幀特征參量的神經性表達參數(shù)。在上述物理量的支持下，聯(lián)立式(7)，推導RBF神經網絡機制作用表達式如式(8)所示。

(8)

神經網絡終端不具備過濾數(shù)據(jù)樣本信息的能力，所以網絡主機在錄入遙感圖像幀特征樣本時，必須過濾數(shù)據(jù)參量中的不合理信息。

2.2 神經性激活函數(shù)

激活函數(shù)在改變RBF神經網絡中遙感圖像幀特征參量的數(shù)學關系方面起到了關鍵影響作用。加入激活函數(shù)之前，前一神經網絡階層中遙感圖像幀特征參量的取值直接影響后一網絡階層中特征參量的數(shù)值表達結果，所以圖像幀特征參量在RBF神經網絡機制中總是呈現(xiàn)相對混亂的表現(xiàn)狀態(tài)[15-16]。加入激活函數(shù)之后，前一神經網絡階層中遙感圖像幀特征參量被激活函數(shù)進行了映射定義，因此后一網絡階層中特征參量指標的取值總是呈現(xiàn)非線性狀態(tài)，從某種程度來說，神經性激活函數(shù)具有非線性表達能力。設g表示前一神經網絡階層中遙感圖像幀特征參量的函數(shù)賦值結果，f表示后一網絡階層中遙感圖像幀特征參量的函數(shù)賦值結果，η表示圖像幀特征參量在RBF神經網絡中的傳輸效率，κ表示基于RBF神經網絡機制的函數(shù)激活參數(shù)，聯(lián)立式(8)，推導神經性激活函數(shù)表達式如下：

(9)

RBF神經網絡識別模型的構建除了影響網絡主機對于遙感圖像幀特征參量的邊緣檢測結果，還決定了樣本參數(shù)的實際取值結果能否適應幀特征參量的動態(tài)識別條件。

3 遙感圖像幀特征的動態(tài)識別

在邊緣檢測與RBF神經網絡模型的作用下，為實現(xiàn)對遙感圖像幀特征的動態(tài)識別，還應根據(jù)幀特征分割條件，確定超像素指標的取值范圍，并聯(lián)合動態(tài)合并條件，計算并行識別參量的具體數(shù)值結果。

3.1 幀特征分割

神經網絡主機對于遙感圖像幀特征的分割遵循如下處理流程：幀特征參量在網絡體系中保持動態(tài)分布的排列形式，對于RBF神經網絡模型而言，這種數(shù)據(jù)樣本 分布方式便于邊緣檢測算法的實施，能夠在保持幀特征參量樣本特性的同時，使網絡主機能夠對其進行精準識別[17-18]。為避免分辨率超限問題的發(fā)生，神經網絡主機在分割幀特征參量時還要遵循按需提取原則，且單一識別指令的執(zhí)行只能得到幀特征參量的預分割處理結果。具體的分割處理執(zhí)行步驟如圖2所示。

圖2 遙感圖像的幀特征分割步驟

聯(lián)立式(9)所示的神經性激活函數(shù)，可將遙感圖像的幀特征分割表達式定義為：

(10)

3.2 超像素指標

(11)

由于RBF神經網絡在識別遙感圖像幀特征時，只在邊緣區(qū)域內對數(shù)據(jù)樣本進行檢測，所以為避免全局提取事件的發(fā)生，應在求解超像素指標之前，計算邊緣區(qū)域內幀特征參量平均值的取值范圍。

3.3 動態(tài)合并條件

(12)

3.4 并行識別參量

(13)

RBF神經網絡對于遙感圖像幀特征參量的邊緣檢測，不會對數(shù)據(jù)樣本進行重復取樣，因此網絡主機運行所得到的幀特征參量動態(tài)識別結果具有唯一性。

4 實例分析

4.1 實驗流程

為驗證上文所設計識別方法的應用能力，設計如下對比實驗。

1)在圖1所示遙感圖像中，提取一個面積為3 000 μm× 3 000 μm的像素區(qū)域作為實驗用幀特征樣本參量；

2)利用基于邊緣檢測及RBF神經網絡的遙感圖像幀特征動態(tài)識別技術，對所選實驗區(qū)域內的幀特征樣本進行識別，所得實驗結果記為實驗組變量；

3)利用少樣本條件下基于生成對抗網絡的遙感圖像數(shù)據(jù)增強處理方法，對所選實驗區(qū)域內的幀特征樣本進行識別，所得實驗結果記為A對照組變量；

4)利用基于偏好型支持向量機的遙感圖像云檢測技術對所選實驗區(qū)域內的幀特征樣本進行識別，所得實驗結果記為B對照組變量；

5)統(tǒng)計所得變量數(shù)據(jù)，總結實驗規(guī)律；

圖3 遙感圖像的幀特征樣本提取

完成像素區(qū)域提取后，應對其進行無誤差復制，以確保實驗組、對照組所需識別的幀特征樣本參量保持一致。

4.2 參數(shù)描述

分辨率超限是影響網絡主機對于遙感圖像識別能力的主要因素。在既定像素區(qū)域內，主機元件分別從長、寬、高3個方向對遙感圖像進行識別，且3個方向上對于幀特征對象的識別精度都會影響分辨率超限問題的表現(xiàn)程度。由于分辨率超限是一種普遍存在的圖像識別問題，所以只有在識別精度保持為100%的情況下(完全精準識別)，才能夠避免該問題的出現(xiàn)。

圖4反映了本次實驗過程中所定義的坐標軸方向及長、寬、高3個方向上對于幀特征對象的選取。

圖4 識別方向定義

由于所選像素區(qū)域為正方形，且?guī)卣鲗ο蟊３志鶆蚍植紶顟B(tài)，所以在識別過程中，每一方向上幀特征對象的取樣長度都完全相等。

4.3 數(shù)據(jù)解析

每隔500 μm設置一個取樣點，在包含兩端零點的情況下，每一方向上設置7個取樣點。由于實驗過程中不會出現(xiàn)幀特征參量相互覆蓋的情況，所以只需確定每一取樣點處主機元件對于幀特征參量的識別位置是否與其真實位置保持一致，就可以判斷出所選用方法對遙感圖像幀特征參量的識別能力。

表1記錄了主機元件對幀特征參量的具體識別結果。

分析表1可知，在整個實驗過程中，實驗組方法作用下，長、寬、高3個方向上遙感圖像幀特征參量識別結果均與真實情況保持一致；A對照組方法作用下，第1、第2號取樣點在長、寬、高3個方向上的遙感圖像幀特征參量識別結果與真實情況保持一致，從第3個取樣點開始，識別結果與真實情況出現(xiàn)了偏差；B對照組方法作用下，第1、第2、第3號取樣點在長、寬、高3個方向上的遙感圖像幀特征參量識別結果與真實情況保持一致，從第4個取樣點開始，識別結果與真實情況出現(xiàn)了偏差。

表1 遙感圖像幀特征參量識別結果(單位:μm)

由于本次實驗所選像素區(qū)域面積有限，所以在第7個取樣點處，實驗識別結果剛好等于或大于真實情況，識別結果都會與真實情況相等，因此第7個取樣點處識別結果的參考價值相對較小。

綜上可知：少樣本條件下基于生成對抗網絡的遙感圖像數(shù)據(jù)增強處理方法、基于偏好型支持向量機的遙感圖像云檢測技術的應用，并不能保證長、寬、高3個方向的遙感圖像識別結果均與真實情況保持一致，故而其對于分辨率超限問題的解決能力也就相對有限；基于邊緣檢測及RBF神經網絡的遙感圖像幀特征動態(tài)識別技術的應用，在長、寬、高3個方向上都可以實現(xiàn)對遙感圖像的精準識別，這就表示該方法能夠有效解決分辨率超限問題，符合精準識別遙感圖像特征的實際應用需求。

5 結束語

遙感圖像幀特征動態(tài)識別技術對于數(shù)據(jù)樣本參量的識別借助RBF神經網絡，并可以根據(jù)邊緣檢測結果，對微分算子與OTSU閾值進行計算，由于神經性激活函數(shù)可以同時約束幀特征分割表達式與超像素指標求解結果，所以邊緣節(jié)點追蹤參數(shù)始終與并行識別參量保持數(shù)值匹配關系。相較于其他類型的識別應用技術，這種新型算法的應用，在長、寬、高3個方向上都實現(xiàn)了對遙感圖像幀特征對象的100%精準識別，分辨率超限問題能夠得到較好解決，在實用性方面具有突出作用價值。