改进型脉冲耦合神经网络高分辨率SAR图像分割

北京大学学报（自然科学版）

改进型脉冲耦合神经网络高分辨率SAR图像分割

汪华章¹,宰文姣²

1. 西南民族大学电气信息工程学院, 成都 610041; 2. 四川师范大学工学院, 成都 610101;

收稿日期:2012-03-01 出版日期:2013-03-20 发布日期:2013-03-20

High Resolution SAR Image Segmentation Using Improved PCNN

WANG Huazhang¹, ZAI Wenjiao²

1. Institute of Electrical and Information Engineering, Southwest University for Nationalities, Chengdu 610041; 2. Institute of Engineer, Sichuan Normal University, Chengdu 610101;

Received:2012-03-01 Online:2013-03-20 Published:2013-03-20

摘要/Abstract

摘要： 针对高分辨率SAR (合成孔径雷达)图像噪声强, 目标分割难度大的特点, 提出一种改进的脉冲耦合神经网络(pulse coupled neural network, PCNN)模型的SAR图像分割算法。首先根据SAR图像中相干斑噪声的特点, 采用复小波进行去噪。然后, 在传统PCNN模型的基础上, 对神经元的输入信号, 尤其是链接系数和阈值的非线性衰减子因子进行了改进和简化, 同时对链接强度系数β进行理论上的近似推导, 并减少人工设置的参数。最后, 通过最佳阈值对其结果进行二值化处理得到感兴趣的目标图像。实验结果表明, 改进后的算法运行效率提高, 自适应性增强。与传统算法相比, 区域一致性提高0.013, 区域的对比度提高0.015, 效果优于传统的PCNN算法, 为高分辨率SAR图像分割提供了一种新策略。

关键词: 高分辨率, SAR图像分割, 相干斑噪声, PCNN模型

Abstract: An improved PCNN (pulse coupled neural network) model of SAR (synthetic aperture radar) image segmentation was proposed, which aimed at the characteristics of strong noise and difficult segmentation for high resolution SAR image. At first, it used a complex wavelet to reduce noise according to SAR image speckle noise characteristics. Then, it improved and simplified the input signal, especially for the link coefficient and decay factor of threshold based on traditional PCNN model. It gave a theoretical approximate derivation and reduced the artificial setting of parameters. Finally, it adopted the appropriate threshold to quantify the segmentation result to get binary image of object. The experimental results show that proposed algorithm improves the operational efficiency and enhances adapting ability. Compared with traditional methods, the regional consistency is improved by 0.013, the contrast of the region is improved 0.015. The proposed PCNN model is superior to the traditional PCNN algorithm and can provide a new strategy for high resolution SAR image segmentation.

Key words: high resolution, SAR image segmentation, speckle noise, PCNN model

中图分类号:

TP394

汪华章,宰文姣. 改进型脉冲耦合神经网络高分辨率SAR图像分割[J]. 北京大学学报（自然科学版）.

WANG Huazhang,ZAI Wenjiao. High Resolution SAR Image Segmentation Using Improved PCNN[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2013/V49/I2/176

[1]	方海泉, 蒋云钟, 冶运涛, 曹引. 基于深度学习和多次棋盘分割法的高分辨率影像河流提取[J]. 北京大学学报自然科学版, 2019, 55(4): 692-698.
[2]	史忠奎, 李培军, 罗伦, 阳柯. 基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法[J]. 北京大学学报（自然科学版）, 2018, 54(1): 105-114.
[3]	蔡彩,李培军,郭建聪. 基于分水岭变换及分层区域合并的城市高分辨率影像分割[J]. 北京大学学报（自然科学版）, 2014, 50(2): 323-330.
[4]	郭舟,杜世宏,张方利. 基于高分辨率遥感影像的城市建设区提取[J]. 北京大学学报（自然科学版）, 2013, 49(4): 635-642.
[5]	刘楚雄,郝维城. 高分辨率化学-生物地层学数值旋回模拟???以广西中-上泥盆统为例[J]. 北京大学学报（自然科学版）, 2010, 46(4): 563-570.
[6]	张友,邓荣敬,刘念周,徐备. 柴达木盆地西部上干柴沟组上段高分辨率层序地层学研究[J]. 北京大学学报（自然科学版）, 2006, 42(4): 431-438.
[7]	程承旗,喻新,郭仕德,马廷. 城市居住单元建筑拥挤度环境遥感分析——以厦门市为例[J]. 北京大学学报（自然科学版）, 2005, 41(6): 875-881.