基于脉冲耦合神经网络的遥感图像自动目标识别方法研究

摘要

脉冲耦合神经网络(PulseCoupledNeuralNetwork,简称PCNN)作为第三代人工神经网络,比传统人工神经网络更好地模仿了生物神经网络,尤其适合图像处理,是目前的研究热点和重点。但在应用时仍有一些难题未解决,需解决这些难题,而且有必要进一步拓宽PCNN的应用范围。另一方面,在高科技军事对抗中,遥感图像战略目标自动识别技术有着重要的应用前景,同时也是因成像质量和目标特征的复杂性,使其成为研究的难点。本文的工作主要是对PCNN理论及其在图像处理中的应用做了深入的研究,提出双级并行点火脉冲耦合神经网络模型(Double-levelParallelizedFiringPulseCoupledNeuralNetwork,简称DLPFPCNN),详细阐述其运行行为和工作原理,指出其适用范围。新模型针对低对比度、低信噪比、背景灰度呈均匀缓慢变化的图像在分割上的难题而设计,将DLPFPCNN新模型应用于不同领域中的图像分割,获得了较常规方法和常用改进方法更好的效果,证明了DLPFPCNN新模型的有效性。然后将DLPFPCNN新模型应用于遥感图像水上桥梁目标和港口目标识别的水域分割阶段,分割出完整的水域,以便于后续的识别,取得了令人满意的效果,证明DLPFPCNN新模型适合于遥感图像处理。并结合水上桥梁和港口目标具有的直线性特征和先验知识进行识别,最终达到目标自动识别的目的。另外,针对遥感图像中水域的特征,提出最佳分割结果自动判定方法——最小类内方差法,得到满意的效果。

目录

摘要

ABSTRACT

第一章 绪论

1.1 研究背景及意义

1.1.1 PCNN技术背景

1.1.2 遥感技术的应用

1.1.3 问题的提出

1.2 PCNN模型及遥感图像战略目标自动识别的发展现状

1.3 目标识别概述

1.3.1 目标识别的一般策略

1.3.2 目标识别的关键技术

1.3.3 目标识别的一般过程

1.4 本文的主要工作

1.5 本文的主要贡献及创新点

第二章 PCNN模型的基本原理及其在图像处理中的应用

2.1 PCNN基本模型

2.2 PCNN运行机制

2.2.1 PCNN的工作过程

2.2.2 PCNN的运行行为

2.3 PCNN的特性分析

2.4 对PCNN模型的常见改进

2.5 PCNN模型在图像处理中的应用

第三章 双级并行点火PCNN新模型

3.1 问题的提出

3.2 双级并行点火PCNN模型基本原理

3.2.1 系统结构

3.2.2 预处理

3.2.3 基于并行点火PCNN模型的图像分割

3.3 基于DLPFPCNN模型图像分割实验

第四章 基于DLPFPCNN的遥感图像水上桥梁目标识别

4.1 背景

4.2 水上桥梁目标的先验知识

4.3 桥梁识别算法及流程

4.4 基于简化PCNN模型的图像预处理

4.4.1 简化PCNN模型结构

4.4.2 基于简化PCNN模型和中值滤波法的噪声滤波器

4.5 基于DLPFPCNN新模型的水域分割

4.5.1 DLPFPCNN模型结构

4.5.2 DLPFPCNN应用于水域分割

4.5.3 最小类内方差准则判定最佳分割结果

4.6 水域分割后续处理(形态学运算及聚类)

4.6.1 算法流程

4.6.2 数学形态学介绍

4.6.3 形态腐蚀运算

4.6.4 聚类

4.6.5 形态膨胀运算

4.7 桥梁轮廓粗检测

4.7.1 粗检测流程

4.7.2 去除形状不规则的伪目标

4.7.3 轮廓跟踪

4.7.4 直线段检测

4.7.5 基于梯度信息的桥梁边缘粗检测

4.8 基于先验知识的桥梁识别

4.8.1 识别流程

4.8.2 连续直线点统计

4.8.3 直线拟合

4.8.4 桥梁边缘配对

4.8.5 桥梁区域填充并计算桥梁形心坐标

4.8.6 识别结果与分析

第五章 基于DLPFPCNN的遥感图像港口目标识别

5.1 背景

5.2 港口目标的特征和先验知识

5.2.1 港口图像的特征

5.2.2 港口目标的先验知识

5.3 港口目标识别算法

5.3.1 基于改进PCNN模型的预处理

5.3.2 基于DLPFPCNN的水域分割

5.3.3 防波堤轮廓粗检测

5.3.4 基于先验知识的港口识别

第六章 总结与展望

6.1 本文工作总结

6.2 研究工作展望

致谢

参考文献

作者攻硕期间取得的成果