基于人工神经网络的城市遥感影像增强方法

目前已经有多种神经网络模型应用于影像增强和去噪处理，如BP神经网络、小波网络、模糊神经网络和脉冲耦合神经网络等。这些算法都是用非线性模型表示预处理的影像，再用神经网络算法求解最优解。与传统的影像增强方法相比，人工神经网络方法具有高度并行处理、自适应、非线性映射、泛化等优势，因此人工神经网络在影像增强和去噪方面得到了广泛应用。

PCNN是目前影像增强领域中最常用的人工神经网络，它是由Eckhorn(1999)提出的一种基于猫的视觉皮层神经元细胞模型建立的简化神经网络模型，是目前公认的第三代人工神经网络。PCNN不需要预先学习或训练就能从复杂背景下提取有效信息。PCNN的单个神经元的模型如图7-28所示。

PCNN能较好地去除椒盐噪声和脉冲噪声。PCNN用于影像平滑时，网络与影像结构大小相同，且影像的每个像素对应一个神经元，神经元之间无连接。PCNN去噪的基本思想是:若像素点(x，y)是被噪声污染的像素点，则其灰度值与其周围相邻像素点的灰度值存在差异。因此，可根据各神经元与其邻域内其他神经元的点火顺序来判断该神经元对应的像素点是否被噪声污染。若1个神经元点火，而邻域内其他神经元不点火，则认为点火的神经元对应的像素被噪声污染；若1个神经元不点火，而邻域内其他神经元都点火，则也可认为该神经元对应的像素点被噪声污染。再利用适当的算法对噪声点进行相应的处理，从而达到去噪的目的，同时也能很好地保留影像的边缘信息。PCNN去噪的流程如图7-29所示。

(www.xing528.com)

图7-28　PCNN的单个神经元模型

图7-29　PCNN影像去噪流程图