[發(fā)明專利]一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的房屋變化檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710937428.2
• 申請(qǐng)日: 2017-09-30
• 公開(kāi)（公告）號(hào): CN107578040A
• 公開(kāi)（公告）日: 2018-01-12
• 發(fā)明（設(shè)計(jì)）人: 湯玉奇;韓特;朱紫薇;蘇瑞雪;孫莉
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/62
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司11002
• 代理人: 王瑩,吳歡燕

技術(shù)領(lǐng)域

本發(fā)明涉及遙感影像處理技術(shù)領(lǐng)域，尤其涉及一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的房屋變化檢測(cè)方法。

背景技術(shù)

隨著社會(huì)的發(fā)展和城市化進(jìn)程的推進(jìn)，城市改建與擴(kuò)張日益加劇。如何及時(shí)、準(zhǔn)確地檢測(cè)出城市中發(fā)生土地利用變化的區(qū)域，為城市規(guī)劃與可持續(xù)發(fā)展提供依據(jù)，成為目前亟待解決的問(wèn)題。遙感影像變化檢測(cè)為解決這一問(wèn)題提供了有效的技術(shù)途徑。

遙感影像的變化檢測(cè)就是從不同時(shí)刻對(duì)同一地區(qū)所獲取的遙感影像進(jìn)行分析并確定各種地物隨時(shí)間變化的過(guò)程，其實(shí)質(zhì)是地物變化引起地表波譜反射特性的變化，進(jìn)而導(dǎo)致不同時(shí)刻之間的遙感影像像元光譜響應(yīng)的變化。脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，簡(jiǎn)稱PCNN)是根據(jù)小型哺乳動(dòng)物大腦視覺(jué)皮層的工作機(jī)制而研究出來(lái)的一種新型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。區(qū)別于其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，PCNN只包含一層神經(jīng)元，不需要分別構(gòu)造輸入、隱含、輸出層，且輸出信號(hào)為二值脈沖信號(hào)。

現(xiàn)有技術(shù)中運(yùn)用PCNN算法對(duì)遙感影像的變化進(jìn)行檢測(cè)的主要步驟為：首先對(duì)多時(shí)相高分辨率影像進(jìn)行差分，將差分影像中的每一個(gè)像元作為一個(gè)神經(jīng)元，然后將像元的差分光譜值作為神經(jīng)元的外部輸入，再通過(guò)定義像元與其領(lǐng)域像元的相鄰屬性進(jìn)行PCNN迭代，當(dāng)完成指定次數(shù)的迭代之后，提取當(dāng)前迭代下的點(diǎn)火像元，并將其視為變化區(qū)域。該方法造成了對(duì)某些地物變化“過(guò)敏感”和對(duì)其他類別地物變化“欠敏感”，檢測(cè)精度低，對(duì)同一地物的領(lǐng)域像元重復(fù)考察，對(duì)算法的實(shí)施造成了冗余的負(fù)擔(dān)，檢測(cè)效率不高。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問(wèn)題

本發(fā)明的目的是提供一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的房屋變化檢測(cè)方法，解決了現(xiàn)有技術(shù)中的房屋變化檢測(cè)方法檢測(cè)精度低和檢測(cè)效率不高的技術(shù)問(wèn)題。

(二)技術(shù)方案

為了解決上述技術(shù)問(wèn)題，一方面，本發(fā)明提供基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的房屋變化檢測(cè)方法，包括：

分別對(duì)第一時(shí)相影像L1和第二時(shí)相影像L2進(jìn)行影像配準(zhǔn)；

分別對(duì)所述經(jīng)過(guò)影像配準(zhǔn)后的第一時(shí)相影像L1和所述經(jīng)過(guò)影像配準(zhǔn)后的第二時(shí)相影像L2進(jìn)行相對(duì)輻射校正；

分別提取所述經(jīng)過(guò)相對(duì)輻射校正后的第一時(shí)相影像L1的第一形態(tài)學(xué)房屋特征影像MBI1和所述經(jīng)過(guò)相對(duì)輻射校正后的第二時(shí)相影像L2的第二形態(tài)學(xué)房屋特征影像MBI2；

將所述第一形態(tài)學(xué)房屋特征影像MBI1分割成多個(gè)第一處理單元，將所述第二形態(tài)學(xué)房屋特征影像MBI2分割成多個(gè)第二處理單元；

以所述多個(gè)第一處理單元為神經(jīng)元采用脈沖耦合神經(jīng)網(wǎng)絡(luò)影像分析法提取所述第一形態(tài)學(xué)房屋特征影像MBI1的第一房屋區(qū)域多維脈沖信號(hào)，以所述多個(gè)第二處理單元為神經(jīng)元采用脈沖耦合神經(jīng)網(wǎng)絡(luò)影像分析法提取所述第二形態(tài)學(xué)房屋特征影像MBI2的第二房屋區(qū)域多維脈沖信號(hào)；

根據(jù)所述第一房屋區(qū)域多維脈沖信號(hào)和所述第二房屋區(qū)域多維脈沖信號(hào)確定房屋變化區(qū)域。

進(jìn)一步地，所述第一處理單元和所述第二處理單元可以是像元或?qū)ο蟆?/p>

進(jìn)一步地，所述影像配準(zhǔn)采用的是基于最鄰近采樣的多項(xiàng)式法。

進(jìn)一步地，所述相對(duì)輻射校正采用的是二元線性回歸分析法。

進(jìn)一步地，所述分別提取所述經(jīng)過(guò)相對(duì)輻射校正后的第一時(shí)相影像L1 的第一形態(tài)學(xué)房屋特征影像MBI1和所述經(jīng)過(guò)相對(duì)輻射校正后的第二時(shí)相影像L2的第二形態(tài)學(xué)房屋特征影像MBI2具體為：

采用形態(tài)學(xué)房屋指數(shù)MBI法分別提取所述經(jīng)過(guò)相對(duì)輻射校正后的第一時(shí)相影像L1的第一形態(tài)學(xué)房屋特征影像MBI1和所述經(jīng)過(guò)相對(duì)輻射校正后的第二時(shí)相影像L2的第二形態(tài)學(xué)房屋特征影像MBI2。

進(jìn)一步地，所述根據(jù)所述第一房屋區(qū)域多維脈沖信號(hào)和所述第二房屋區(qū)域多維脈沖信號(hào)確定房屋變化區(qū)域具體為：

計(jì)算所述第一房屋區(qū)域多維脈沖信號(hào)和所述第二房屋區(qū)域多維脈沖信號(hào)之間的相關(guān)性，若所述相關(guān)性大于預(yù)設(shè)閾值，則所述第一房屋區(qū)域和所述第二房屋區(qū)域之間發(fā)生了變化，其中，所述相關(guān)性為所述第一房屋區(qū)域多維脈沖信號(hào)對(duì)應(yīng)的第一函數(shù)曲線與所述第二房屋區(qū)域多維脈沖信號(hào)對(duì)應(yīng)的第二函數(shù)曲線之間的吻合程度。

進(jìn)一步地，所述房屋變化區(qū)域通過(guò)二值變化結(jié)果圖的形式展示。

另一方面，本發(fā)明提供一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的房屋變化檢測(cè)裝置，包括：

影像配準(zhǔn)模塊，用于分別對(duì)第一時(shí)相影像L1和第二時(shí)相影像L2進(jìn)行影像配準(zhǔn)；

相對(duì)輻射校正模塊，用于分別對(duì)所述經(jīng)過(guò)影像配準(zhǔn)后的第一時(shí)相影像L1和所述經(jīng)過(guò)影像配準(zhǔn)后的第二時(shí)相影像L2進(jìn)行相對(duì)輻射校正；