非线性模糊化SOM图像分类的方法在含噪声图像融合中的应用.docVIP

非线性模糊化SOM图像分类的方法在含噪声图像融合中的应用 第24卷第6期 2009年12月 成都信息工程学院 JOURNALOFCHENGDUUNIVERSITYOFINFDRMATIoNTECHNoU3GY V01.24No.6 Dec.2009 文章编号2009)06.0553.04 非线性模糊化SOM图像分类的方法 在含噪声图像融合中的应用 李政,杨玲,郭德全,程昌玉 (成都信息工程学院电子工程学院,四川成都610225) 摘要:采用一维的自组织特征映射(SOM)进行图像的像素分类,分类的输出个数采用了用等灰度图法确定的 办法;对分类后的图像每个像素的归一化权值采用非线性模糊化得到隶属度矢量,用模糊化的隶属度矢量和SOM 训练得到的归一化权值数组实现以两幅含有噪声图像的融合.给出详细图像仿真试验数据,验证了这种模糊化方 法在实现多幅含噪图像的融合在一定的范围内是有效的. 关键词:信号与信息处理;数字图像处理;YOM;非线性模糊化;像素分类;含噪图像融合 中图分类号:TP391文献标识码:A 1引言 随着遥感传感器的应用,从单一的可见光传感器到多通道光谱红外再到高光谱等传感器,相应的数据呈现爆 炸性的增长.越来越多的数据不断困扰着使用者,如何从众多的数据中得到尽可能多的信息呢?任何一种获取 技术得到的数据都有一定的应用范围,所包含的噪声也不相同….来自同一目标物的多幅图像,由于不同噪声 的干扰,所摄取的图像会有不同程度的失真和变质.图像融合是将两个或者两个以上的传感器在同一时刻获取 的关于某个具体场景的图像或者图像序列信息加以综合,生成一个新的关于此场景的解释,而这个解释是从单一 的传感器获取的信息中无法得到的.图像融合是减少不确定性J.. 自组织神经(SOM)以及其延伸出的神经网络模型是一种最流行的神经网络算法,已经成了很多领域标准的 分析工具.在这里采用一维的自组织神经(SOM)网络融合图像数据.使用一维的像素特征直接进行二维图像 的信号处理,能够完成多幅带有噪声图像的融合,而且对图像中物体的区分是有效的. 有许多计算方法都是用来处理现实世界的问题:模 糊逻辑,模糊控制理论,人工智能,基因算法,神经网络. 所有这些都和思考有联系,把人工神经网络(ANN)放进 一 个特定的情况是一件困难的事情.神经网络在下面 的情况中却可以应用,很多噪声没有明确定义的数据, 不能直接定义为高斯,其统计学特征不固定,自然数据 之间的功能联系往往是非线性,这样的情况下神经网络 的计算方法比传统的方法更高效和经济.对于来自不 同传感器针对同一个物体的图像,其噪声种类,噪声强 度都是不一致的.来自不同传感器的大量数据,既具有 互补性,又具有大量的冗余性.同一来源的各遥感图具 输入层SelfOrganizingMapLayer \/\\s// 图1SOM神经网络数学模型 权值 有相关性,而干扰不具有这样的相关性,通过融合技术可以得到被检测对象的更多的信息.因此这里的图像处理 模型是对两幅有不同噪声的图像直接用SOFM进行融合,试图得到比任何一个单一的来源含噪声的图像更优良 的图像.文中使用的是一种非线性的模糊化方法,不同于此方面的线性模糊化方法.如同Kohonen的S0M数 学模型中有很多可供选择的步幅函数,临域函数,可以是线性的也可以是非线性的.而这些数学基础的建立直接 影响到图像处理的效果,不同的模型差异会有不同的输出结果.SoM包含两个过程,神经元竞争学习过程和输 出神经元的侧反馈过程,图l是SOM(自组织映射网络)的数学模型_3J. 算法按照如下的步骤展开j: 收稿日期:2009.03.23;修订日期:2009—03,31 554成都信息工程学院第24卷 (1)随即设置初始全向量w(0),J=l,…,M (2)按照迭代节拍k=1,2,3,…,K,进行下列迭代运算: 对于每一个节拍k由训练集中依次或者随机地抽取一个样本输入向量并且表示为, 然后由下列的迭代公式由已知的wj(k一1j求w(k-7, =+盘(k)*d(j,(足),k)[一卿],=1,…,M; 式子中a(k)为步幅函数,d(J,J(k),k)为距离函数. (3)当k=K,迭代结束并输出wj(k-7,J=1,…,M作为学习得到的诸神经元权向量. 2用SOFM神经网络进行遥感图像的分类 由于每一幅图像的获取方式不同造成了图像间的差异,例如:背景的灰度选择,物体间的对比度,以及具有不 同的色度等,所以在进行融合之前有必要对每一幅图像进行归一化.采用一维自组织神经网络的方法,每个输入 节点和输出节点有可变权值相连,输出节点都有一个拓扑临域.其临域大小和变化幅度(学习步幅)随时间变化. Kohonen采用的是无监督的聚类算法,相邻的输人与其输出对应相近.在确定输出节点的