基于LVQ神經(jīng)網(wǎng)絡的建筑物提取

黃冰晶+謝明鴻+李潤青

摘要：傳統(tǒng)的遙感影像目標檢測方法大多利用人工提取特征，難以用于背景復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，設計了一種基于LVQ神經(jīng)網(wǎng)絡的建筑物提取方法。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)絡識別并提取出建筑物。通過與其它典型神經(jīng)網(wǎng)絡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)絡識別率提高了22.5%，能取得更理想的提取效果。

關鍵詞：高分辨率遙感影像；建筑物提??；LVQ神經(jīng)網(wǎng)絡；特征提取

DOIDOI：10.11907/rjdk.171955

中圖分類號：TP317.4

文獻標識碼：A 文章編號：1672-7800（2017）012-0197-05

Abstract：Traditional detection methods of remote sensing images mostly use the feature of artificial extraction and are difficult to be applied to high-resolution remote sensing images with complex backgrounds. Based on the high resolution remote sensing of the image building， we proposed a building extraction method 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 and be normalized； second， utilize the LVQ neural network to identify and extract the buildings. 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 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.

Key Words：high-resolution remote sensing image； building extraction； LVQ neural network； feature extraction

0 引言

近年，遙感技術迅猛發(fā)展推動了遙感影像空間分辨率快速提高，高分辨率影像在遙感技術應用數(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，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。

基于遙感影像的建筑物提取，20多年來學者做了大量研究。Dragut L[4]等使用eCognition軟件研究了多尺度分割的自動參數(shù)化，并應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出現(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Kushwaha[5]等提出了高分辨率目標影像中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 W[6]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)遙感影像目標檢測方法大多利用人工提取特征，難以用于背景復雜高分辨率遙感影像。鑒于此，本文采用了神經(jīng)網(wǎng)絡分類器與顏色、紋理、形狀特征相結(jié)合方法進行建筑物提取。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HSI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，對特征進行標準化；利用學習向量量化（Learning Vector Quantization，LVQ）神經(jīng)網(wǎng)絡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。實驗表明，本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。

2 實驗結(jié)果與分析

2.1 實驗數(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512×512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。endprint

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，目標區(qū)域范圍全表示為黑色，非目標區(qū)域直接設為255，由實驗可知，圖中很多建筑物信息都被遺漏，導致提取效果不理想。

經(jīng)過LVQ神經(jīng)網(wǎng)絡處理，建筑物形狀大小較完整，幾乎提取出了所有建筑物，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。

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

為比較本文方法與傳統(tǒng)方法效果，使用單層感知器與BP神經(jīng)網(wǎng)絡方法進行處理，提取效果如圖10、圖11所示。

由單層感知器與BP神經(jīng)網(wǎng)絡提取結(jié)果可見，圖像中仍有零星斑點，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

本文實驗目的是建筑物提取，通過實驗比較其它典型神經(jīng)網(wǎng)絡方法識別率，結(jié)果表明LVQ神經(jīng)網(wǎng)絡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）。

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。

3 結(jié)語

本文將人工智能與機器學習中LVQ神經(jīng)網(wǎng)絡算法引入遙感影像建筑物提取，對圖像進行預處理，利用基于HSI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者進行特征標準化后將圖像分為建筑物與非建筑物兩類，在此基礎上用LVQ神經(jīng)網(wǎng)絡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：

[1] HUANG X， ZHANG L. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas[J]. IEEE Selected Topics in Applied Earth Observations & Remote Sensing，2012，5（1）：161-172.

[2] DIKMEN M， HALICI U. A learning-based resegmentation method for extraction of buildings in satellite images[J]. IEEE Geoscience & Remote Sensing Letters，2014，11（12）：2150-2153.

[3] GILANI S， AWRANGJEB M， LU G. An automatic Building extraction and regularisation technique using LiDAR point cloud data and orthoimage[J]. Remote Sensing，2016，8（3）：27.

[4] Dragut，L， CSILLIK O， EISANK C， et al. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. Isprs Journal of Photogrammetry & Remote Sensing Official Publicationof the International Society for Photogrammetry &Remote Sensing，2014，88（100）：119-127.

[5] CHAUDHURI D， KUSHWAHA N K， SAMAL A， et al.Automatic building detection from high-resolution satellite images based on morphology and internal gray variance[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2016，9（5）：1767-1779.

[6] ZHAI W， SHEN H， HUANG C， et al. Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery[J]. Remote Sensing Letters，2016， 7（1）：31-40.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡的手寫字母識別[J].吉首大學學報：自然科學版，2010，31（2）：41-43.

[8] SAHAR L， FAUST N. A parcel focused approach to building extraction[J]. Surveying & Land Information Science，2016（11）：85-98.endprint

[9] 包晗，康泉勝，周明.一種基于LVQ神經(jīng)網(wǎng)絡與圖像處理的火焰識別算法[J].中國安全科學學報，2011，21（6）：60-64.

[10] ZUNLIN FAN， DUYAN BI， LINYUAN HE， et al. Low-level structure feature extraction for image processing via stacked sparse denoisingautoencoder[J]. Neurocomputing，2017（7）：12-20.

[11] BLASCHKE T， HAY G J， KELLY M， et al. Geographic object-based image analysis-towards a new paradigm[J]. Isprs Journal of Photogrammetry & Remote Sensing，2014，87（100）：180-191.

[12] 劉艷妮.基于LVQ神經(jīng)網(wǎng)絡和灰度共生矩陣的遙感圖像分類及其應用[D].成都：成都理工大學，2009.

[13] DEEPAKRISHNA S， EDIRIWEERA S， GUNATILAKE A A J K. Automatic feature extraction from satellite images using lvq neural network [C].Asian Conference on Remote Sensing，2016.

[14] LI X， ZHANG Y. Digital image edge detection based on LVQ neural network[C].IEEE Conference on Industrial Electronics and Applications，2016：1251-1255.

[15] 焦蓬蓬，郭依正，衛(wèi)星，等.基于LVQ神經(jīng)網(wǎng)絡的醫(yī)學圖像識別研究[J].科學技術與工程，2012，12（18）：225-227.

[16] MA′SUM M A， SANABILA H R， JATMIKO W， et al. Multi codebook LVQ-based artificial neural network using clustering approach[C].International Conference on Advanced Computer Science and Information Systems，2015：263-26.

（責任編輯：何 麗）endprint