一种基于脉冲耦合神经网络的房屋变化检测方法与流程
本发明涉及遥感影像处理技术领域，尤其涉及一种基于脉冲耦合神经网络的房屋变化检测方法。
背景技术：
随着社会的发展和城市化进程的推进，城市改建与扩张日益加剧。如何及时、准确地检测出城市中发生土地利用变化的区域，为城市规划与可持续发展提供依据，成为目前亟待解决的问题。遥感影像变化检测为解决这一问题提供了有效的技术途径。
遥感影像的变化检测就是从不同时刻对同一地区所获取的遥感影像进行分析并确定各种地物随时间变化的过程，其实质是地物变化引起地表波谱反射特性的变化，进而导致不同时刻之间的遥感影像像元光谱响应的变化。脉冲耦合神经网络(pulsecoupledneuralnetwork，简称pcnn)是根据小型哺乳动物大脑视觉皮层的工作机制而研究出来的一种新型神经网络系统。区别于其他神经网络结构，pcnn只包含一层神经元，不需要分别构造输入、隐含、输出层，且输出信号为二值脉冲信号。
现有技术中运用pcnn算法对遥感影像的变化进行检测的主要步骤为：首先对多时相高分辨率影像进行差分，将差分影像中的每一个像元作为一个神经元，然后将像元的差分光谱值作为神经元的外部输入，再通过定义像元与其领域像元的相邻属性进行pcnn迭代，当完成指定次数的迭代之后，提取当前迭代下的点火像元，并将其视为变化区域。该方法造成了对某些地物变化“过敏感”和对其他类别地物变化“欠敏感”，检测精度低，对同一地物的领域像元重复考察，对算法的实施造成了冗余的负担，检测效率不高。
技术实现要素：
(一)要解决的技术问题
本发明的目的是提供一种基于脉冲耦合神经网络的房屋变化检测方法，解决了现有技术中的房屋变化检测方法检测精度低和检测效率不高的技术问题。
(二)技术方案
为了解决上述技术问题，一方面，本发明提供基于脉冲耦合神经网络的房屋变化检测方法，包括：
分别对第一时相影像l1和第二时相影像l2进行影像配准；
分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
进一步地，所述第一处理单元和所述第二处理单元可以是像元或对象。
进一步地，所述影像配准采用的是基于最邻近采样的多项式法。
进一步地，所述相对辐射校正采用的是二元线性回归分析法。
进一步地，所述分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2具体为：
采用形态学房屋指数mbi法分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2。
进一步地，所述根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域具体为：
计算所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号之间的相关性，若所述相关性大于预设阈值，则所述第一房屋区域和所述第二房屋区域之间发生了变化，其中，所述相关性为所述第一房屋区域多维脉冲信号对应的第一函数曲线与所述第二房屋区域多维脉冲信号对应的第二函数曲线之间的吻合程度。
进一步地，所述房屋变化区域通过二值变化结果图的形式展示。
另一方面，本发明提供一种基于脉冲耦合神经网络的房屋变化检测装置，包括：
影像配准模块，用于分别对第一时相影像l1和第二时相影像l2进行影像配准；
相对辐射校正模块，用于分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
第一提取模块，用于分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
分割模块，用于将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
第二提取模块，用于以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
计算模块，用于根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
再一方面，本发明提供一种用于基于脉冲耦合神经网络的房屋变化检测的电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
又一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
(三)有益效果
本发明提供的基于脉冲耦合神经网络的房屋变化检测方法，通过以处理单元为神经元用脉冲耦合神经网络影像分析法从处理后的形态学房屋特征影像中提取房屋区域多维脉冲信号，最终确定变化的房屋区域，检测结果更加精准，检测效率更高。
附图说明
图1为依照本发明实施例的基于脉冲耦合神经网络的房屋变化检测方法的示意图；
图2为依照本发明实施例的pcnn原始模型的结构示意图；
图3为依照本发明实施例的第一组数据中的第一时相影像l1；
图4为依照本发明实施例的第一组数据中的第二时相影像l2；
图5为采用本发明实施例的以像元为处理单元按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果；
图6为采用本发明实施例的以像元为处理单元按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果；
图7为采用本发明实施例的以像元为处理单元按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果；
图8为现有技术中采用差分法以像元为处理单元对第一组数据进行处理得到的检测结果；
图9为现有技术中采用差分法以对象为处理单元对第一组数据进行处理得到的检测结果；
图10为采用本发明实施例的以对象为处理单元按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果；
图11为采用本发明实施例的以对象为处理单元按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果；
图12为采用本发明实施例的以对象为处理单元按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果；
图13为在像元层上采用不同方法对第一组数据的检测结果的对比；
图14为在对象层上采用不同方法对第一组数据的检测结果的对比；
图15为依照本发明实施例的第二组数据中的第一时相影像l1；
图16为依照本发明实施例的第二组数据中的第二时相影像l2；
图17为采用本发明实施例的以像元为处理单元按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果；
图18为采用本发明实施例的以像元为处理单元按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果；
图19为采用本发明实施例的以像元为处理单元按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果；
图20为现有技术中采用差分法以像元为处理单元对第二组数据进行处理得到的检测结果；
图21为现有技术中采用差分法以对象为处理单元对第二组数据进行处理得到的检测结果；
图22为采用本发明实施例的以对象为处理单元按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果；
图23为采用本发明实施例的以对象为处理单元按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果；
图24为采用本发明实施例的以对象为处理单元按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果；
图25为在像元层上采用不同方法对第二组数据的检测结果的对比；
图26为在对象层上采用不同方法对第二组数据的检测结果的对比；
图27为依照本发明实施例的基于脉冲耦合神经网络的房屋变化检测装置的示意图；
图28为本发明实施例提供的用于基于脉冲耦合神经网络的房屋变化检测的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
图1为依照本发明实施例的基于脉冲耦合神经网络的房屋变化检测方法的示意图，如图1所示，本发明实施例提供一种基于脉冲耦合神经网络的房屋变化检测方法，包括：
步骤s10、分别对第一时相影像l1和第二时相影像l2进行影像配准；
步骤s20、分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
步骤s30、分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
步骤s40、将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
步骤s50、以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
步骤s60、根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
具体的，首先，需要通过遥感影像技术获取同一地区不同时刻的两时相高分辨率光学影像，第一时相高分辨率光学影像l1和第二时相高分辨率光学影像l2，简称第一时相影像l1和第二时相影像l2，第一时相影像l1为较早获取的影像，第二时相影像l2为较晚获取的影像。由于地物变化引起地表波谱反射特性的变化，进而导致不同时刻之间的遥感影像像元光谱响应的变化，所以第一时相影像l1和第二时相影像l2中会记录同一地区不同时刻房屋的变化情况。
然后，分别对第一时相影像l1和第二时相影像l2进行影像配准，再对经过影像配准后的第一时相影像l1和经过影像配准后的第二时相影像l2进行相对辐射校正处理。
然后，从经过相对辐射校正后的第一时相影像l1中提取第一形态学房屋特征影像mbi1，从经过相对辐射校正后的第二时相影像l2中提取第二形态学房屋特征影像mbi2。
然后，将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元。
然后，以多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法从第一形态学房屋特征影像mbi1中提取第一房屋区域多维脉冲信号，以多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法从第二形态学房屋特征影像mbi2中提取第二房屋区域多维脉冲信号。
具体的，采用分形网络进化法(fractalnetevolutionapproach，简称fnea)分别对所述第一形态学房屋特征影像mbi1和所述第二形态学房屋特征影像mbi2进行自下而上的影像分割，采用异质性最小的区域合并策略。当分割开始时，以每个像元为最小单元，运用局部最佳相互适配原则，将最小单元逐步合并为较大的处理单元。
需要说明的是，上述示例性方法中选择了分形网络进化法对形态学房屋影像进行分割处理，而在实际应用中不限于此，选择何种算法对形态学房屋影像进行分割处理可以视情况而定。
以便于从第一形态学房屋特征影像mbi1中提取第一房屋区域多维脉冲信号，从第二形态学房屋特征影像mbi2中提取第二房屋区域多维脉冲信号时采用的脉冲耦合神经网络影像分析法是以合并后的处理单元作为神经元。
图2为依照本发明实施例的pcnn原始模型的结构示意图，如图2所示，模型是由若干个pcnn神经元构成的反馈型网络，影像的每一个处理单元可以看做成一个神经元，将其内部机制分为输入部与连接部两个部分，输入部通过突出权重矩阵m与邻域神经元相联系，连接部通过突出权重矩阵w与邻域神经元相联系。其中，输入部同时接收外部输入信号sij与自身衰减信号，而连接部只接收自身衰减信号。两部分在第n次迭代后的输出信号分别表示为：
其中，fij表示在二维神经网络中位于坐标(i,j)处的神经元的输入部输出结果，该坐标为神经元的几何中心，而lij为其对应的连接部输出结果，二者均通过指数衰减的方式继承前次迭代的输出结果。sij为神经元输入部接收的外部信号。ykl[n-1]表示神经元(i,j)的邻域神经元之一(k,l)在前次迭代(第n-1次)的输出值，相邻神经元之间的联系分别通过权重矩阵m和w在两个部分中实现。vf和vl为正则化常数，分别用于调整前次迭代中邻域神经元的输出对当前迭代目标神经元输入部与连接部的影响。
将输入部与连接部的输出值进行加权合并，并得到神经元的内态u，合并过程由连接权重beita控制：
uij[n]＝fij[n]{1+βlij[n]}
将该神经元内态与一动态阈值θ进行比较，获得该神经元的二值脉冲输出信号：
一旦当前神经元点火(即u>0)，动态阈值急剧增大，使其大于神经元内态u；进而在后续迭代中，该阈值逐渐衰减，直到下一次神经元点火。该动态阈值的描述如下：
当阈值θ的初始为0时，所有接受外部输入sij的神经元会在第一次迭代中点火；而当θ的初始值大于0时，神经元在前几次迭代中不会发生点火，直到θ衰减到小于某次迭代下的某一个神经元内态u时，该神经元才发生第一次点火。
最后，根据第一房屋区域多维脉冲信号和第二房屋区域多维脉冲信号确定房屋变化区域。
进一步地，所述第一处理单元和所述第二处理单元可以是像元或对象。
具体的，采用pcnn从形态学房屋特征影像中提取房屋区域多维脉冲信号是可以以像元为神经元，也可以以对象为神经元，具体采用何种方式，可以视情况而定。
当以像元为神经元时，采用fnea分别对所述第一形态学房屋特征影像mbi1和所述第二形态学房屋特征影像mbi2进行影像分割，分割后的到处理单元是像元。
当以对象为神经元时，采用fnea分别对所述第一形态学房屋特征影像mbi1和所述第二形态学房屋特征影像mbi2进行自下而上的影像分割，采用异质性最小的区域合并策略。当分割开始时，以每个像元为最小单元，运用局部最佳相互适配原则，将最小单元逐步合并为较大的处理单元，合并后的一个处理单元作为一个对象。
本发明实施例下文将对以对象为神经元和以像元为神经元两种方式的实验效果进行对比。
进一步地，所述影像配准采用的是基于最邻近采样的多项式法。
进一步地，所述相对辐射校正采用的是二元线性回归分析法。
具体的，在提取第一形态学房屋特征影像mbi1和第二形态学房屋特征影像mbi2之前需要对第一时相影像l1和第二时相影像l2进行影像配准和相对辐射校正的预处理。
影像配准采用基于最邻近采样的多项式法，用遥感影像处理软件envi4.6完成。首先，在第一时相影像l1和第二时相影像l2中选取标示相同地理位置的影像控制点，然后利用一维多项式方法与最邻近采样方法对第一时相影像l1和第二时相影像l2进行配准，并要求影像配准后的均方根误差(root-mean-squareerrors，rmse)小于1个像元。
相对辐射校正采用的是基于二元线性回归分析的方法，首先要在第一时相影像l1和第二时相影像l2中选取一幅作为基准影像，然后对另一副影像的光谱特征进行变换，使其具有与基准影像基本相同的辐射量级。在光谱特征的变换过程中，需要选取伪不变特征，即辐射地面控制点。
进一步地，所述分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2具体为：
采用形态学房屋指数mbi法分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2。
具体的，对于提取第一形态学房屋特征影像mbi1和第二形态学房屋特征影像mbi2采用的是形态学房屋指数mbi法，根据房屋屋顶在其邻域范围内表现出的较亮的光谱特征，该指数利用多尺度、多方向的形态学操作来描述房屋的光谱、结构特征，并利用一系列线性结构算子(structureelement，se)对白高帽变换结果进行差分形态学轮廓重建(differentialmorphologicalprofile，dmp)重建。其具体实施过程如下：
其中，dmpw_th(d,s)＝|mpw_th(d,(s+δs))-mpw_th(d,s)|
b＝b(x,y)＝max1≤k≤k(bandk(x,y))
bandk(x,y)表示像元(x,y)在第k个波段上的光谱值，k是多光谱波段的数量，dmpw_th(d,s)是根据亮度影像进行白高帽变换计算出的，
进一步地，所述根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域具体为：
计算所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号之间的相关性，若所述相关性大于预设阈值，则所述第一房屋区域和所述第二房屋区域之间发生了变化，其中，所述相关性为所述第一房屋区域多维脉冲信号对应的第一函数曲线与所述第二房屋区域多维脉冲信号对应的第二函数曲线之间的吻合程度。
具体的，计算第一房屋区域多维脉冲信号和第二房屋区域多维脉冲信号之间的相关性可以采用欧氏距离(euclideandistance，edis)、绝对值距离(city-blockdistance，ctdis)或者光谱信息散度(spectralinformationdiversity,sid)，其对应的计算公式分别为：
xi和yi分别表示在前后时期上当前处理单元的光谱特征值，n表示多时相高分辨率影像的波段数。
然后根据第一房屋区域多维脉冲信号和第二房屋区域多维脉冲信号相关性的大小确定房屋变化区域，若相关性大于预设阈值，则所述第一房屋区域和所述第二房屋区域之间发生了变化，若相关性小于等于预设阈值，则所述第一房屋区域和所述第二房屋区域之间未发生变化，其中，所述相关性为所述第一房屋区域多维脉冲信号对应的第一函数曲线与所述第二房屋区域多维脉冲信号对应的第二函数曲线之间的吻合程度。
进一步地，所述房屋变化区域通过二值变化结果图的形式展示。
具体的，检测出的房屋变化区域需要通过二值变化结果图的形式展示出来，以便更加直观的看出房屋变化的具体位置。
下面以两个具体的例子来比较本发明实施例与现有技术的检测效果：
例1：
图3为依照本发明实施例的第一组数据中的第一时相影像l1，如图3所示，该影像为2002年4月获取的quickbird卫星多光谱影像数据，试验区域为武汉大学及其周边区域，影像大小为400*400像元。图4为依照本发明实施例的第一组数据中的第二时相影像l2，如图4所示，该影像为2005年4月获取的quickbird卫星多光谱影像数据，试验区域为武汉大学及其周边区域，影像大小为400*400像元。
图5为采用本发明实施例的以像元为处理单元按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果，图6为采用本发明实施例的以像元为处理单元按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果，图7为采用本发明实施例的以像元为处理单元按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果，图8为现有技术中采用差分法以像元为处理单元对第一组数据进行处理得到的检测结果，图9为现有技术中采用差分法以对象为处理单元对第一组数据进行处理得到的检测结果。
图10为采用本发明实施例的以对象为处理单元按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果，图11为采用本发明实施例的以对象为处理单元按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果，图12为采用本发明实施例的以对象为处理单元按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果。
图13为在像元层上采用不同方法对第一组数据的检测结果的对比，图中，edis为采用pcnn按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果，ctdis为采用pcnn按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果，sid为采用pcnn按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果，mbi_diff为现有技术中采用差分法以像元为处理单元对第一组数据进行处理得到的检测结果。图14为在对象层上采用不同方法对第一组数据的检测结果的对比，图中，edis为采用pcnn按照欧氏距离计算相关性对第一组数据进行处理得到的检测结果，ctdis为采用pcnn按照绝对值距离计算相关性对第一组数据进行处理得到的检测结果，sid为采用pcnn按照光谱信息散度计算相关性对第一组数据进行处理得到的检测结果，mbi_diff为现有技术中采用差分法以对象为处理单元对第一组数据进行处理得到的检测结果。
其中，检测性能用正检率(correctness)、完整率(completeness)、检测质量(quality)、误检率(commission)、漏检率(omission)和f指数(f-score)六个指标来衡量。正捡率、完整率、检测质量和f指数都是在0到1之间，且越接近1，说明检测效果越好。漏检率和误检率也属于0到1之间，且越接近0，说明效果越好。综合以上六个指标，本发明实施例提供的技术方案的检测效果好于现有技术中的检测效果。
例2：
图15为依照本发明实施例的第二组数据中的第一时相影像l1，如图15所示，该影像为2002年4月获取的quickbird卫星多光谱影像数据中较大的影像区域，影像大小为400*1000像元。图16为依照本发明实施例的第二组数据中的第二时相影像l2，如图16所示，该影像为2010年3月获取的quickbird卫星多光谱影像数据中较大的影像区域，影像大小为400*1000像元。
图17为采用本发明实施例的以像元为处理单元按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果，图18为采用本发明实施例的以像元为处理单元按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果，图19为采用本发明实施例的以像元为处理单元按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果，图20为现有技术中采用差分法以像元为处理单元对第二组数据进行处理得到的检测结果，图21为现有技术中采用差分法以对象为处理单元对第二组数据进行处理得到的检测结果。
图22为采用本发明实施例的以对象为处理单元按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果，图23为采用本发明实施例的以对象为处理单元按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果，图24为采用本发明实施例的以对象为处理单元按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果。
图25为在像元层上采用不同方法对第二组数据的检测结果的对比，图中，edis为采用pcnn按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果，ctdis为采用pcnn按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果，sid为采用pcnn按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果，mbi_diff为现有技术中采用差分法以像元为处理单元对第二组数据进行处理得到的检测结果。图26为在对象层上采用不同方法对第二组数据的检测结果的对比，图中，edis为采用pcnn按照欧氏距离计算相关性对第二组数据进行处理得到的检测结果，ctdis为采用pcnn按照绝对值距离计算相关性对第二组数据进行处理得到的检测结果，sid为采用pcnn按照光谱信息散度计算相关性对第二组数据进行处理得到的检测结果，mbi_diff为现有技术中采用差分法以对象为处理单元对第二组数据进行处理得到的检测结果。
其中，检测性能用正检率(correctness)、完整率(completeness)、检测质量(quality)、误检率(commission)、漏检率(omission)和f指数(f-score)六个指标来衡量。正捡率、完整率、检测质量和f指数都是在0到1之间，且越接近1，说明检测效果越好。漏检率和误检率也属于0到1之间，且越接近0，说明效果越好。综合以上六个指标，本发明实施例提供的技术方案的检测效果好于现有技术中的检测效果。
本发明实施例提供的基于脉冲耦合神经网络的房屋变化检测方法，通过以处理单元为神经元用脉冲耦合神经网络影像分析法从处理后的形态学房屋特征影像中提取房屋区域多维脉冲信号，最终确定变化的房屋区域，检测结果更加精准，检测效率更高。
实施例2：
图27为依照本发明实施例的基于脉冲耦合神经网络的房屋变化检测装置的示意图，如图27所示，本发明实施例提供一种基于脉冲耦合神经网络的房屋变化检测装置，本发明实施例提供一种基于脉冲耦合神经网络的房屋变化检测装置与上述实施例提供的方法相对应，该装置包括：影像配准模块10、相对辐射校正模块20、第一提取模块30、分割模块40、第二提取模块50和计算模块60，其中，影像配准模块10用于分别对第一时相影像l1和第二时相影像l2进行影像配准；
相对辐射校正模块20用于分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
第一提取模块30用于分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
分割模块40用于将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
第二提取模块50用于以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
计算模块60用于根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
具体的，首先，需要通过遥感影像技术用获取模块获取同一地区不同时刻的两时相高分辨率光学影像，第一时相高分辨率光学影像l1和第二时相高分辨率光学影像l2，简称第一时相影像l1和第二时相影像l2，第一时相影像l1为较早获取的影像，第二时相影像l2为较晚获取的影像。由于地物变化引起地表波谱反射特性的变化，进而导致不同时刻之间的遥感影像像元光谱响应的变化，所以第一时相影像l1和第二时相影像l2中会记录同一地区不同时刻房屋的变化情况。
然后，通过影像配准模块10分别对第一时相影像l1和第二时相影像l2进行影像配准，再通过相对辐射校正模块20对经过影像配准后的第一时相影像l1和经过影像配准后的第二时相影像l2进行相对辐射校正处理。
然后，通过第一提取模块30从经过相对辐射校正后的第一时相影像l1中提取第一形态学房屋特征影像mbi1，从经过相对辐射校正后的第二时相影像l2中提取第二形态学房屋特征影像mbi2。
然后，通过分割模块40将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元。
然后，通过第二提取模块50以多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法从第一形态学房屋特征影像mbi1中提取第一房屋区域多维脉冲信号，以多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法从第二形态学房屋特征影像mbi2中提取第二房屋区域多维脉冲信号。
最后，通过计算模块60根据第一房屋区域多维脉冲信号和第二房屋区域多维脉冲信号确定房屋变化区域。
本发明实施例提供的基于脉冲耦合神经网络的房屋变化检测装置，通过以处理单元为神经元用脉冲耦合神经网络影像分析法从处理后的形态学房屋特征影像中提取房屋区域多维脉冲信号，最终确定变化的房屋区域，检测结果更加精准，检测效率更高。
实施例3：
图28为本发明实施例提供的用于基于脉冲耦合神经网络的房屋变化检测的电子设备的结构示意图，如图28所示，所述设备包括：处理器(processor)801、存储器(memory)802和总线803；
其中，处理器801和存储器802通过所述总线803完成相互间的通信；
处理器801用于调用存储器802中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
分别对第一时相影像l1和第二时相影像l2进行影像配准；
分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
实施例4：
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
分别对第一时相影像l1和第二时相影像l2进行影像配准；
分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
实施例5：
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
分别对第一时相影像l1和第二时相影像l2进行影像配准；
分别对所述经过影像配准后的第一时相影像l1和所述经过影像配准后的第二时相影像l2进行相对辐射校正；
分别提取所述经过相对辐射校正后的第一时相影像l1的第一形态学房屋特征影像mbi1和所述经过相对辐射校正后的第二时相影像l2的第二形态学房屋特征影像mbi2；
将所述第一形态学房屋特征影像mbi1分割成多个第一处理单元，将所述第二形态学房屋特征影像mbi2分割成多个第二处理单元；
以所述多个第一处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第一形态学房屋特征影像mbi1的第一房屋区域多维脉冲信号，以所述多个第二处理单元为神经元采用脉冲耦合神经网络影像分析法提取所述第二形态学房屋特征影像mbi2的第二房屋区域多维脉冲信号；
根据所述第一房屋区域多维脉冲信号和所述第二房屋区域多维脉冲信号确定房屋变化区域。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！