基于LVQ神經(jīng)網(wǎng)絡(luò)的建筑物提取

1、基于lvq神經(jīng)網(wǎng)絡(luò)的建筑物提取黃冰晶謝明鴻李潤青昆明理工大學(xué)信息工程與自動化學(xué)院摘要：傳統(tǒng)的遙感影像目標(biāo)檢測方法大多利用人工提取特征，難以用于背景復(fù)雜的高 分辨率遙感影像。以高分辨率遙感影像建筑物圖像為研究對象，設(shè)計了一種基于 lvq神經(jīng)網(wǎng)絡(luò)的建筑物提取方法。對圖像提取其顏色、紋理與形狀特征，構(gòu)成圖 像特征矢量并將其特征歸一化，利用lvq神經(jīng)網(wǎng)絡(luò)識別并提取出建筑物。通過與 其它典型神經(jīng)網(wǎng)絡(luò)識別方法進行實驗比較，結(jié)果表明該算法相對于單層感知器 識別率提高了 10.0%,比bp神經(jīng)網(wǎng)絡(luò)識別率提高了 22. 5%,能取得更理想的提取 效果。關(guān)鍵詞：高分辨率遙感影像;建筑物提取;lvq神經(jīng)網(wǎng)絡(luò);特征提

2、取;作者簡介：黃冰晶（1993-），女，安徽懷寧人，昆明理工大學(xué)信息工程與自動 化學(xué)院碩上研究牛，研究方向為圖像處理、人工智能與模式識別；作者簡介：謝明鴻（1976-）,男，云南昭通人，博士，昆明理工大學(xué)信息工程 與自動化學(xué)院高級工程師，研究方向為雷達遙感應(yīng)用、圖像處理、模式識別；作者簡介：李潤青（1991-）,男，江蘇泰州人，昆明理工大學(xué)信息工程與自動 化學(xué)院碩士研究牛，研究方向為圖像處理、人臉識別。收稿日期：2017-06-23基金：云南省教育廳重點項目（kkjd201403003）building extraction based on lvqneural networkhuang bi

3、ng-jing xie ming-hong li run-qingfaculty of information engineering andautomation, kunming university of science andtechnology;abstract：traditional detection methods of remote sensing images mostly use the feature of artificial extraction and are difficult to be applied to high-rcsolution remotc scn

4、sing images with complex backgrounds. based on the high resolution remote sensing of the image building, we proposed a building ext rac tion met hod based on lvq neural network. first, extract the feature of the color, texture and shape, as the three combine to form the feature vector of the image a

5、nd be normalized;second, utilize the lvq nc ural nctw ork to ide ntify and ext rac t the build in gs. compared with other typical neural network identification methods, the results show that the proposed algorithm can achieve more ideal extraction effect as the recognition rate of lvq neural network

6、 is 10. 1 percentage points higher than that of the single layer sensor and 22. 5 percentage points higher than that of the bp neural network.keyword：high-resolution remote sensing image; bu訂ding extraction; lvq neurnl network; feature extraction;received： 2017-06-230引言近年，遙感技術(shù)迅猛發(fā)展推動了遙感影像空間分辨率快速提高，高分

7、辨率影像 在遙感技術(shù)應(yīng)用數(shù)據(jù)來源中占很大比重。建筑物作為遙感影像一類重要且具有顯 著特征的目標(biāo)，在測繪、城市規(guī)劃、軍事偵察、打擊效果評估等軍事與民用領(lǐng)域 具有重要作用，研究高分辨率遙感影像建筑物自動提取技術(shù)具有現(xiàn)實意義與理 論價值1-3。城區(qū)建筑物提取是目前研究重點，如何從高分辨率遙感影像中進 行高精度建筑物提取成為主要研究內(nèi)容?；谶b感影像的建筑物提取，20多年來學(xué)者做了大量研究。等使用ecognition軟件研究了多尺度分割的自動參數(shù)化，并應(yīng)用于建筑物分割與提取, 取得了較高提取精度。該方法優(yōu)點是能有效減少椒鹽效應(yīng)影響，減小了類內(nèi)方差, 能有效利用影像結(jié)構(gòu)、形狀屬性，可與gis系統(tǒng)結(jié)合得到

8、矢量化輸出結(jié)果;缺點 是fnea無法找到尺度參數(shù)確定方法，主觀因素太多；高分辨率影像用不同尺度 分割會岀現(xiàn)不同特征，如一個較小尺度不適合提取對象的結(jié)構(gòu)形狀特征，這些 參數(shù)需人為確定。chaudhuri與kushwaha5提出了高分辨率口標(biāo)影像屮利用 空間與光譜特征提取建筑物，缺點是建筑物密度較大時提取不精確，不能提取 部分被遮擋的建筑物；zhai *回等用建筑物紋理信息融合偏振信息提取建筑物， 存在較小建筑物漏提及過度依靠參數(shù)等問題。傳統(tǒng)遙感影像目標(biāo)檢測方法大多利用人工提取特征，難以用于背景復(fù)雜高分辨 率遙感影像。鑒于此，本文采用了神經(jīng)網(wǎng)絡(luò)分類器與顏色、紋理、形狀特征相結(jié) 合方法進行建筑物提取

9、。為精確表達高分辨率遙感影像中建筑物內(nèi)容，本文先對 采集的輸入圖像進行灰度化操作;采用hs1空間、灰度共生矩陣(gray level co-occurrence matrix, glcm) 、 obia (object based on image analysis) 3 種典型方法分別提取圖像顏色、紋理、形狀特征，共同構(gòu)成高分辨率遙感影像內(nèi) 容特征矢量;為避免不同特征間數(shù)值懸殊對分類的影響，對特征進行標(biāo)準(zhǔn)化;利 用學(xué)習(xí)向量量化(learning vector quantization, lvq)神經(jīng)網(wǎng)絡(luò)算法進行特 征分類與識別，將影像分為建筑物與非建筑物2類，完成高分辨率遙感影像建 筑物提取

10、。實驗表明，木算法取得了較為理想的識別效果，能夠有效提取建筑物, 驗證了算法可行性與有效性。1建筑物提取算法本文建筑物提取方法流程如圖1所示。圖1建筑物提取流程下載原圖1. 1圖像特征提取及標(biāo)準(zhǔn)化1. 1. 1基于hsi的顏色特征提取方法本部分利用hsi顏色空間，較rgb系統(tǒng)更接近于人們視覺習(xí)慣對彩色的感知，將 圖像轉(zhuǎn)換到此空間進行特征檢測也。根據(jù)標(biāo)記樣木，分別抽取樣木圖像在hsi 空間色度、飽和度、亮度信息作為lvq神經(jīng)網(wǎng)絡(luò)判別分類依據(jù)。采用幾何推導(dǎo)法從rgb顏色空間求得iisi顏色空間的ii、s、i,具體計算公式如 下宜：其中,分別計算出樣木在hsi顏色空間的h、s、i值。1.1.2基于灰

11、度共生矩陣的紋理特征提取方法紋理特性一般為圖像灰度在空間的變化與重復(fù)，灰度共生矩陣建立在估計圖像 二階組合條件概率密度函數(shù)基礎(chǔ)上，用灰度值取得共生特性度量紋理指標(biāo)主要 有:對比度，角矩、嫡、同質(zhì)性9-10。利用式(5)能夠較好反映居民點、道路 等建設(shè)用地對比度指標(biāo)、度量影像中對比強烈程度、監(jiān)測圖像反差邊緣及邊緣效 應(yīng)。其中，i, j表示像元灰度，d為i, j像元對間距，0為兩像元連接方向。共牛矩陣用兩個位置的像素聯(lián)合概率密度定義，不僅反映了亮度分布特性，也 反映了具有相同或接近亮度像素間位置分布特性，是有關(guān)亮度變化的二階統(tǒng)計 特征?；叶裙采仃嚪从硤D像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息

12、，是 分析圖像局部模式與排列規(guī)則的基礎(chǔ)。共生矩陣是在()方向相隔一定d像元距離時，灰度級i為始點，出現(xiàn)灰度級為j的概率，即為矩陣元素，可記為 設(shè)f (x, y)為圖像中像素坐標(biāo)為(x, y) 的點對應(yīng)灰度值，l表示圖像灰度級，匚、匚為圖像行、列維數(shù)。得到像素對f (x, y)二i與f (x，,)二j在4個方向共生矩陣分別定義如下：其中，#表示該集合中元素數(shù)目。另外，通過p (i, j|d, 0=p (i, j|d, 0) /r),可獲得歸一化共生矩陣，為歸一化常數(shù)。距離d二1吋，實驗表明效果較好。方向選擇一般有4種取值:0°、45°、90°、 135°

13、,分別計算這4個方向灰度共生矩陣確定的紋理特征值，以各方向特征值 均值作為紋理向量中各分量。1.1. 3基于0bia的形狀特征提取方法本文使用的基元形狀特征主要采用以下3個指標(biāo)表達11: 式(10)計算基元面積平方根sqrt (a)與周長p比值，根據(jù)幾何知識可以得出: 周長一定吋，長寬比越大，該值越小。式(11)計算多邊形周長p與端點個數(shù) pnts比值，該值說明特征基元多邊形每條線段平均長度，值越大說明線段平均 長度越大;反之，說明線段零碎。式(12)反映形狀緊湊程度cmp,采用特征基 元面積a與外接矩形面積ea比值。1. 2特征標(biāo)準(zhǔn)化在提取顏色特征、紋理特征與形狀特征基礎(chǔ)上，將3者共同構(gòu)成表

14、征遙感影像建 筑物圖像特征矢量12。為避免不同特征間數(shù)值懸殊對識別結(jié)果造成影響，本文 采用以下方法對建筑物提取進行特征標(biāo)準(zhǔn)化。(1) 標(biāo)準(zhǔn)差變換。其中,(2) 極差轉(zhuǎn)換。1.3基于lvq神經(jīng)網(wǎng)絡(luò)的遙感影像建筑物識別lvq神經(jīng)網(wǎng)絡(luò)屬有監(jiān)督學(xué)習(xí)算法，在分類性能方面能很好解決現(xiàn)存某些問題， 是在有監(jiān)督狀態(tài)下對競爭層進行訓(xùn)練的一種學(xué)習(xí)算法曲。它廣泛應(yīng)用于模式識 別與優(yōu)化領(lǐng)域，將競爭學(xué)習(xí)思想與有監(jiān)督學(xué)習(xí)算法相結(jié)合，克服了自組織網(wǎng)絡(luò) 采用無監(jiān)督學(xué)習(xí)算法導(dǎo)致缺乏分類信息的弱點。lvq神經(jīng)網(wǎng)絡(luò)由3層神經(jīng)元組成, 即輸入層、隱含層、輸岀層。木文釆用的lvq神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。在此，定義一個變量，假定網(wǎng)絡(luò)輸入

15、層輸入向量14-15為x二(x., x2,，xm), 其中m為輸入層神經(jīng)元數(shù)目；輸入層與競爭層間連接權(quán)值矩陣:皚(wb w2,二， wp) , w= (wib wi2, wim)。訂中,i=l, 2,，p, j=l, 2, , m,表示輸 入層第i個神經(jīng)元與第j個神經(jīng)元間連接權(quán)值，p為競爭層神經(jīng)元數(shù)日，競爭層 輸出向量為v二(vb v2,vp),競爭層與輸岀層神經(jīng)元間連接權(quán)值矩陣為w二 (w1, w2,，wj ,其中 wk二(wki, %, ,'%)。wkr 中，k二 1, 2,，n, r二 1,2,，p,表示競爭層第k個神經(jīng)元與輸出層第r個神經(jīng)元間連接權(quán)值，n為輸 出層神經(jīng)元數(shù)目。競

16、爭層每個神經(jīng)元通過學(xué)習(xí)原型向量，對輸入空間進行分類 16。將競爭層學(xué)習(xí)得到的類稱為子類,將輸出層學(xué)習(xí)得到的類稱為目標(biāo)類。lvq 神經(jīng)網(wǎng)絡(luò)是一種混合網(wǎng)絡(luò)結(jié)構(gòu)，輸入層ni個神經(jīng)元x】，x2, : &對應(yīng)提取特征 標(biāo)準(zhǔn)化后的特征矢量;競爭層有k個神經(jīng)元，分成若干組且呈一維線陣排列;輸 出層每個神經(jīng)元只與競爭層中一組神經(jīng)元連接，連接權(quán)值固定為0. 75o lvq神經(jīng) 網(wǎng)絡(luò)訓(xùn)練過程中，輸入層與競爭層間連接權(quán)值被逐漸調(diào)整成聚類中心。一個輸入 樣木被送至lvq網(wǎng)絡(luò)時，競爭層通過競爭學(xué)習(xí)規(guī)則產(chǎn)牛獲勝神經(jīng)元，將輸入樣 本分為建筑物與非建筑物兩類。圖2 lvq神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下載原圖2實驗結(jié)果與分析2.1實驗

17、數(shù)據(jù)結(jié)果分析本實驗數(shù)據(jù)為云南省昆明市呈貢區(qū)某區(qū)域分辨率為0. 61m衛(wèi)星影像，影像大小 為512x512像素，原始影像中除感興趣建筑物外，還包含較多背景區(qū)域及道 路、樹木等非感興趣區(qū)域，如圖3所示。此圖為城區(qū)影像，建筑物提取主要干擾 為類似光譜特征的空地與道路。讀入原始衛(wèi)星影像，將圖像轉(zhuǎn)化為灰度圖（見圖4）,直方圖見圖5。將灰度圖 轉(zhuǎn)化為二值圖像（見圖6）,直方圖見圖7。經(jīng)顏色、紋理、形狀特征提取后結(jié) 果如圖8所示，目標(biāo)區(qū)域范圍全表示為黑色，非目標(biāo)區(qū)域直接設(shè)為255,由實驗 可知，圖中很多建筑物信息都被遺漏，導(dǎo)致提取效果不理想。經(jīng)過lvq神經(jīng)網(wǎng)絡(luò)處理，建筑物形狀大小較完整，幾乎提取出了所有建筑

18、物， 提取效率明顯改善。此過程要特別注意權(quán)值選取，不同權(quán)值將會影響提取結(jié)果， 多次實驗證明，權(quán)值取0. 75,提取效果較好，結(jié)果如圖9所示。圖3原始衛(wèi)星影像下載原圖圖6圖像二值化下載原圖由實驗提取結(jié)果可知，本算法對存在陰影的城區(qū)影像建筑物提取效率較高，提 取建筑物清晰、貼近實際。2.2實驗方法比較為比較木文方法與傳統(tǒng)方法效果，使用單層感知器與bp神經(jīng)網(wǎng)絡(luò)方法進行處理, 提取效果如圖10、圖11所示。圖7二值圖像灰度直方圖下載原圖圖8特征提取后結(jié)果下載原圖圖9 lvq神經(jīng)網(wǎng)絡(luò)最終提取結(jié)果下載原圖圖1 0單層感知器最終提取結(jié)果下載原圖圖1 1 bp神經(jīng)網(wǎng)絡(luò)最終提取結(jié)果下載原圖由單層感知器與bp神經(jīng)

19、網(wǎng)絡(luò)提取結(jié)果可見，圖像屮仍有零星斑點，圖像模糊, 很難區(qū)分建筑物邊界，影響提取精度，對建筑物提取產(chǎn)生干擾。2. 3算法評價 2. 3. 1定量評價本文實驗?zāi)康氖墙ㄖ锾崛?，通過實驗比較其它典型神經(jīng)網(wǎng)絡(luò)方法識別率，結(jié) 果表明lvq神經(jīng)網(wǎng)絡(luò)算法用于高分辨率遙感影像建筑物提取可以有效提高建筑 物識別準(zhǔn)確性，只有少量誤提、漏提現(xiàn)象，由此可見該方法具有較好魯棒性與有 效性(見表1、圖12) o表1幾種算法識別率比較下載原表圖1 2幾種算法識別率比較下載原圖為更直觀表達以上實驗數(shù)據(jù)， 率平均值比較?，F(xiàn)將3種方法分別取100幅、200幅、300幅識別lvq神經(jīng)網(wǎng)絡(luò)相比單層感知器識別率提高了(949-849)

20、 xi00%= 10. 0%;lvq神 經(jīng)網(wǎng)絡(luò)相比bp神經(jīng)網(wǎng)絡(luò)識別率提高了 (94. 9-72. 4) x 100%二22. 5%。2. 3.2定性評價定性評價是通過最直觀視覺對所觀察信息進行分析評價。實驗中使用的遙感影像 分辨率較高，可直接對地物進行目視判讀，看其是否為建筑物。將目視判讀結(jié)果 作為參考數(shù)據(jù)對本文算法提取結(jié)果進行評價，結(jié)果見表2。表2本文算法提取建筑物成功率 下載原表3結(jié)語本文將人工智能與機器學(xué)習(xí)屮lvq神經(jīng)網(wǎng)絡(luò)算法引入遙感影像建筑物提取，對 圖像進行預(yù)處理，利用基于hs1的顏色特征、基于灰度共生矩陣(glcm)的紋理 特征及基于obia中使用的基元形狀特征，對3者進行特征標(biāo)準(zhǔn)

21、化后將圖像分為 建筑物與非建筑物兩類，在此基礎(chǔ)上用lvq神經(jīng)網(wǎng)絡(luò)進行識別并對提取建筑物 優(yōu)化處理。通過與其它典型神經(jīng)網(wǎng)絡(luò)識別方法實驗比較，驗證了算法可行性與魯 棒性，結(jié)果表明本方法用于建筑物提取不僅具有較高識別率且計算量小。參考文獻1i1uang x, ziiang lmorphological bu訂ding/shadow index for bu訂ding extraction from high-resolution imagery over urban areasj1eee selected topics in applied earth observations&remote

22、 sensing, 2012, 51 :161-172.2 dtkmen m, haijci u.a learning-based resegmentation method forextraction of buildings in satellite imagesj. ieee gcoscicncc&remote sen sing let ters, 2014, 11 ( ：2150-2153 3 gilani s, awrangjeb m, lu g. an automatic building extraction and regularisation technique us

23、ing lidar point cloud data and orthoimagej. remote sensing, 2016, 8 (3) :27.4 i)烏姚 ragut, l, csillik 0, el sank c, et al. automated parameterisation for multi-scale image segmentation on multiple layersj. isprs journal of photogrammetry&remote sensing official publicationof the international soc

24、iety for photogrammetry&remote sensing, 2014, 88 (100) : 119-127.5 ciiah)ill；ri d, kusiiwaiia n k, samal a, ct al. automatic building detection from high-resolution satellite images based on morphology and internal gray vdrinncelj. ieee journal of selected topics in applied earth observations&am

25、p;remote sensing, 2016, 9 (5) :1767t7796 zhat w, shen h, huang c, et al. fusion of polarimetric and texture infonnation for urban building extraction from fully polarimetric sar imageryj. remote sensing letters, 2016, 7 (1) :31-40.7 段明秀，何迎生基于lvq神經(jīng)網(wǎng)絡(luò)的手寫字母識別j吉首大學(xué)學(xué)報：自然 科學(xué)版，2010, 31 (2) :41-43.8 sahar l

26、, faust n. a parcel focused approach to buildingcxtractionj surveying&land information science，2016 (11) :85-9&9 包啥，康泉勝，周明一種基于lvq神經(jīng)網(wǎng)絡(luò)與圖像處理的火焰識別算法j 中國安全科學(xué)學(xué)報，2011, 21 (6) :60-64.10 zunlin fan, duyan bi, linyuan he, et allow-level structure feature extraction for image processing via stacked sparsedenoisingautoencoderj