《測繪學報》
構建與學術的橋樑 拉近與權威的距離
MRELBP特徵、Franklin矩和SVM相結合的遙感圖像建築物識別方法
周建偉1, 吳一全1,2
1.南京航空航天大學電子信息工程學院, 江蘇 南京 211106;2.城市空間信息工程北京市重點實驗室, 北京 100038
收稿日期：2019-03-14；修回日期：2019-06-27
基金項目：國家自然科學基金（61573183）; 城市空間信息工程北京市重點實驗室開放基金（2014203）
第一作者簡介：周建偉(1994—), 男, 碩士生, 研究方向為遙感圖像分類等。E-mail:[email protected]
通信作者：吳一全, E-mail:[email protected]
摘要：為了進一步提高遙感圖像建築物區域的識別精度, 提出了一種基於中值穩健擴展局部二值模式（median robust extended local binary pattern, MRELBP）、Franklin矩和布穀鳥優化支持向量機（support vector machine, SVM）的分類方法。首先, 通過MRELBP特徵算子計算圖像塊的紋理特徵向量, 並根據Franklin矩得到形狀特徵向量, 組合圖像塊的紋理特徵向量和形狀特徵向量得到綜合特徵向量; 然後, 利用訓練樣本對SVM進行訓練, 同時由布穀鳥搜索算法對SVM的核函數參數和懲罰因子進行優化; 最後, 通過訓練好的SVM得到建築物區域識別結果。通過30組試驗的結果表明, 與基於三原色（red green blue, RGB）和SVM的分類方法、基於LBP和SVM的分類方法、基於Zernike矩和SVM的分類方法相比, 本文提出的方法所識別的遙感圖像建築物區域準確度更高。
關鍵詞：遙感圖像 建築物區域識別 MRELBP特徵 Franklin矩 支持向量機 布穀鳥搜索算法
Building area recognition method of remote sensing image based on MRELBP feature, Franklin moment and SVM
ZHOU Jianwei1, WU Yiquan1,2
1. College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China;2. Beijing Key Laboratory of Urban Spatial Information Engineering, Beijing 100038, China
Foundation support: The National Natural Science Foundation of China(No. 61573183); The Beijing Key Laboratory of Urban Spatial Information Engineering Open Foundation(No. 2014203)
First author: ZHOU Jianwei(1994—), male, postgraduate, majors in remote sensing image classification.E-mail:[email protected].
Corresponding author: WU Yiquan, E-mail:[email protected].
Abstract: To further improve the recognition accuracy of remote sensing image building area recognition, a classification method based on median robust extended local binary pattern(MRELBP) feature, Franklin moment and optimized support vector machine(SVM) by cuckoo search is proposed. Firstly, calculate the texture feature vector of the image block with MRELBP feature operator and use Franklin moment obtain the shape feature vector, the texture feature vector and the shape feature vector are combined into a comprehensive feature vector. Then train the SVM with training image samples, meanwhile, use cuckoo search to optimize the kernel function parameter as well as the penalty factor. Lastly, input the recognizing image into the SVM to get the result of building area recognition. The results of 30 groups of experiments show that, compared with the classification method based on RGB and SVM, the classification method based on LBP and SVM and the classification method based on Zernike moment and SVM, the accuracy of the remote sensing image building area identified by the proposed method is higher.
Key words: remote sensing image building area recognition MRELBP feature Franklin moment support vector machine cuckoo search
在遙感圖像地物信息分類中, 建築物是重要的一類地物, 也是地形圖的主要組成部分。建築物區域的準確識別直接影響地面測繪的自動化水平, 其識別和定位對圖像理解、繪圖以及為其他目標提供參考有重要的意義[1-2]。衛星遙感成像技術的迅速發展, 使得利用遙感圖像對建築物區域進行識別成為重要的研究課題[3]。其主要的研究內容包含建築物遙感圖像的特徵提取及分類兩方面。
目前, 常用的建築物遙感圖像特徵提取方法有兩類：①紋理特徵提取方法。伴隨著遙感圖像的質量不斷提高, 獲取的圖像紋理特徵更加顯著, 基於圖像紋理特徵的建築物識別方法已經應用於遙感圖像中。文獻[4]利用灰度共生矩陣進行加權計算得到紋理特徵, 並識別損毀建築物信息, 有效地避免了空白地區的干擾, 但是在計算灰度共生矩陣時存在大量冗餘, 影響了計算效率; 文獻[5]通過偽交叉變異函數(pseudo cross variogram, PCV)和多變量變異函數(multivariate variogram, MV)分別提取多時間紋理及多頻帶紋理, 並利用導出的多尺度的空間和時相紋理信息探測建築物, 提升了建築物區域識別的精度; 文獻[6]利用共線性方程和校正後的紋理座標計算原始圖像中的紋理, 同時添加了遮擋檢測, 避免了當前建築物紋理被其他物體遮擋時的錯誤紋理提取, 最後的識別結果較為準確; 文獻[7]則提出了基於局部二值模式(local binary pattern, LBP)高程紋理分析的建築物識別方法, 可以很好地區分植被點和建築點, 最終運用形態學操作填充建築物的孔洞, 對建築物區域進行了準確的識別。然而, 上述LBP方法受噪聲干擾大, 並且存在難以捕獲宏觀信息的問題。而中值穩健擴展局部二值模式(median robust extended local binary pattern, MRELBP)對灰度變化、旋轉變化以及噪聲均有較強的穩健性, 特徵維數較低且計算複雜度小[8], 因此可望在紋理數據集上獲得優異的分類性能。②形狀特徵提取方法。遙感圖像中的建築物目標形狀規則, 可通過形狀特徵進行識別。文獻[9]首先對圖像進行邊緣檢測, 然後採用不變矩作為特徵向量, 以此構成了建築物識別系統; 文獻[10]將Zernike矩運用到遙感圖像分類中, 與僅使用光譜信息的方法相比, 明顯提升了分類的精度; 但因Zernike矩涉及高階多項式, 會引起計算的不穩定性, 且特徵空間的尺寸擴展受到約束; 文獻[11]提出了一類新的正交矩-Franklin矩, Franklin函數僅由一次分段多項式組成, 避免了高階多項式的計算, 且同時具有複雜度低及數值穩定等優點, 因此, Franklin矩具有更好的特徵表達能力。但是, 基於形狀特徵的方法易受遮擋、陰影等因素的干擾, 使得建築物形態不夠完整。為此, 嘗試聯合建築物圖像的紋理特徵和形狀特徵, 期望獲得更為完善的建築物遙感圖像特徵。
此外, 關於建築物遙感圖像分類方面, 主要方法有隨機森林分類法、神經網絡分類法和支持向量機(support vector machine, SVM)分類法。文獻[12]使用5個紋理描述符表示區域紋理特徵, 並應用隨機森林分類器來識別建築物; 文獻[13]提取建築物的多尺度紋理信息, 並利用卷積神經網絡的可擴展性以完成建築物區域的分類; 文獻[14]結合詞袋模型, 利用基於知識規則的SVM分類方法對建築物頂面損毀區域進行識別, 準確性較高。對於高維、有限的樣本, SVM的泛化能力要優於隨機森林及神經網絡[15], 因此選用SVM分類器作為分類方法, 但其中的核參數和懲罰因子需要人工設置, 設置不當會影響識別的準確性。近幾年提出的布穀鳥搜索(cuckoo search, CS)[16]算法相比於其他群智能優化算法, 具有簡便、調整參數少、沿較優路徑搜索、收斂速度快等優點, 目前已被應用於函數優化[17]、分佈式雲計算[18]、預測問題[19]等應用領域。因此, 利用CS算法搜索最佳核參數和懲罰因子, 有望提升建築物區域識別的準確性。
基於以上分析, 本文提出了一種基於MRELBP特徵、Franklin矩和布穀鳥優化SVM的遙感圖像建築物區域識別方法。首先利用MRELBP作為紋理特徵算子, 依據Franklin矩描述形狀特徵, 並將兩種特徵綜合; 然後運用SVM對綜合特徵向量樣本進行訓練和分類, 並利用CS算法優化SVM的核參數和懲罰因子; 最後給出分類結果, 並與基於三原色(red green blue, RGB)的SVM分類方法[20]、基於LBP的SVM分類方法[21]、基於Zernike矩的SVM分類方法[10]進行了比較分析, 證明了本文方法具有更高的準確性。
1 建築物遙感圖像的紋理和形狀特徵提取1.1 基於MRELBP的紋理特徵提取
LBP是一種用來描述圖像局部紋理特徵的算子, 其特徵識別率高及計算複雜度低[22]。但傳統的LBP方法受噪聲干擾較大, 且存在難以捕獲宏觀信息的問題, 在提取紋理時, LBP方法採用中心像素的灰度值作為閾值進行比較, 而MRELBP作為一種新的描述算子, 利用中值濾波器響應代替傳統LBP裡的單個像素灰度值, 最大化表示對噪聲的穩健性。對每個像素點採用3種描述方式, 即中心像素描述、鄰域像素描述及徑向像素差異描述, 分別記作RELBP_CI、RELBP_NI、RELBP_RD, 最後將3種描述子級聯得到最終的紋理特徵, 3種描述方式定義如下：
(1) 中心像素描述為
(1)
式中, ϕ(Xc,ω)表示以xc為中心像素的鄰域通過大小為ω×ω的濾波器ϕ後的響應;μω表示整幅圖像中所有ϕ(Xc,ω)的均值;s(x)是符號函數,
(2) 鄰域像素描述為
(2)
式中, ϕ(Xr,p,ωr,n)表示以xr,p,n為中心,r為半徑的鄰域像素通過大小為ωr×ωr的濾波器ϕ後的響應;μr,p,ωr表示該鄰域內所有像素經過濾波器ϕ後的響應的均值,p表示鄰域像素個數。
(3) 徑向像素差異描述為
(3)
式中, ϕ(Xr－1,p,ωr－1,n)表示以xr－1,p,n為中心,r－1為半徑的鄰域像素通過大小為ωr－1×ωr－1的濾波器ϕ後的響應。
因此得到圖像的紋理特徵向量為
(4)
1.2 基於Franklin矩的形狀特徵提取
1.2.1 Franklin函數
Franklin提出的一類定義在L2[0, 1]上的連續正交函數系稱為Franklin函數[23]。它為一類新的一次正交樣條函數, 通過一組線性無關的截斷冪基在正交化後獲得。現考慮式(5)所示的線性無關組{αj(x), 0≤x≤1}
(5)
式中,
t′≤2i－1的最大值。並且引入截斷單項式記號u+k
(6)
將上述線性無關組{αj(x), 0≤x≤1}通過Gram-Schmidt正交化之後, 便可以得到Franklin函數系{ϕn(x)}, {ϕn(x)}的前5項基函數的表達式, 如式(7)所示
(7)
1.2.2 Franklin矩
依據Franklin函數的定義, 可以給出圖像函數f(x,y), 0≤x,y≤1的第(n+m)階Franklin矩如下
(8)
令圖像尺寸為N×N, 將圖像歸一化到單位正方形[0, 1]×[0, 1]上, 每個像素的座標記作(xi,yj),i,j=0, 1, …,N－1。式(8)可重新寫成
(9)
式中,
ϕn(x)ϕm(y)在對應像素上的積分;
根據變量分離原則, 可以得到ωnm(xi,yi)
(10)
參考Franklin基函數的形式, 可將ϕn(x)在[xi－
k2jy+b2j, 則
(11)
將式(11)代入式(9)即可精確計算獲得該圖像的Franklin矩
(12)
從式(12)可以看出, Franklin矩只涉及一次多項式的計算, 因此計算的複雜度低。此外, 由於Franklin矩屬於正交矩, 對圖像來說是無冗餘分解的, 即圖像的各Franklin矩之間是相互獨立的, 能夠確保用更少的Franklin矩來對圖像進行更有效的特徵描述, 滿足減少特徵維數的要求。
由Franklin矩構造圖像的形狀特徵向量
(13)
1.3 圖像的紋理和形狀綜合特徵向量
為了更好地表徵建築物遙感圖像的特徵, 將上述得到的紋理特徵向量和形狀特徵向量組合, 構成圖像的綜合特徵向量
(14)
2 基於布穀鳥優化的SVM2.1 支持向量機
支持向量機的基本模型定義為特徵空間中具有最大間隔的線性分類器[24]。假設訓練樣本數據為{(xi,yi),i=1, 2, …,n}, 則支持向量機線性分類函數為g(x)=wT·x+b, 其中“·”表示向量點積,w表示權值向量,b表示偏置向量。可以將求取最優平面問題轉換為一個凸二次規劃問題來求解
(15)
支持向量機通過引入核函數, 把訓練樣本從原始空間投影到一個高維空間, 求解最優線性分類面, 最終完成對所有數據的分類。本文采用徑向基函數(radial basis function, RBF)作為分類器的核函數
(16)
式中, σ2為核參數。
在實際中通常很難找到適合的核函數使得訓練集在特徵空間中線性可分, 此外, 即使發現了這樣的核函數, 也難以判斷是否由於過擬合造成的。為了解決這一問題, 通過引入了鬆弛變量ξ以及懲罰因子C來避免, 則問題求解轉化為
(17)
本文需要對支持向量機的二分類問題進行擴展, 使其適用於遙感圖像建築物區域識別的多分類問題。針對M類的分類問題, 常用的分類算法有一對一和一對多兩種方式。其中一對一需要訓練M(M－1)/2個分類器, 而一對多方式只需要訓練M個分類器, 適用於中小規模的分類問題, 因此, 本文選擇一對多方式, 即每類樣本的分類器正樣本是本類, 負樣本就是其他類, 最終的結果由間隔最大的分類器決定。
在式(16)和式(17)中, 核函數中的核參數σ2以及懲罰因子C對SVM分類器產生的影響較大, 因此通過CS算法對其進行尋優, 以期達到最佳的分類效果。
2.2 基於CS算法的SVM參數選擇
CS算法受自然界中布穀鳥的寄巢產卵特點和部分生物的萊維飛行模式的啟示所提出。其主要思想是通過隨機遊走方式產生候選鳥巢以及採用貪婪策略更新鳥巢位置, 最終使鳥巢位置達到或者接近全局最優解。CS算法假定以下3個條件：
(1) 布穀鳥每次僅僅產一隻卵, 孵化時鳥巢的選擇是隨機的。
(2) 對於每組鳥巢, 最好的可以留至下一代。
(3) 可以用來放卵的鳥巢數目一定, 鳥巢主人察覺布穀鳥卵的概率為Pα。
基於上述3個假定, 更新鳥巢位置方式如下:
(1) Levy飛行隨機行走
(18)
式中, xit和xit+1分別為第i個鳥巢在第t代和第t+1代的位置;α表示步長控制量; ⊕為點對點乘法;n為鳥巢個數, 即可行解個數;L(λ)為Levy隨機搜索路徑。
文獻[25]證明了可以採用Mantegana算法實現式(18)的等價計算, 即
(19)
式中, α通常取0.01;β取1.5;xbestt為第t代最優鳥巢位置;u~N(0,σu2),v~N(0,σv2), 其中σv=1,σu按式(20)計算
(20)
式中, Γ表示伽馬函數。
(2) 偏好隨機遊走。隨機產生一個滿足[0, 1]均勻分佈的隨機數r, 將其與Pα∈[0, 1]進行比較, 若r>Pa, 則按式(21)計算新解; 反之, 若r≤Pa, 則保持不變, 即xit+1=xit
(21)
式中, xjt與xkt表示第t代的隨機解。
通過上述兩種方式所得的新解均採用貪婪選擇操作, 即得到新解後, 將新解和原解的適應度函數值進行比較, 與原解相比, 若新解較優, 那麼將新解取代原解, 反之保留原解。
利用CS算法優化核參數σ2以及懲罰因子C的具體步驟如下：
(1) 初始化算法的基本參數：用鳥巢位置代表優化參數(C,σ2), 並且以隨機方式生成n=20個鳥巢的初始位置, 發現概率Pa=0.25, 最大迭代次數Tmax=100。
(2) 將訓練數據的交叉驗證準確率作為適應度函數值, 計算每組鳥巢的適應度函數值並得到初始最優值。
(3) 根據式(19)和式(20)更新當前鳥巢, 求出當前所有鳥巢的適應度函數值, 並與上一代相比保留更優適應度函數值的鳥巢位置。
(4) 根據式(21)採用發現概率更新鳥巢的位置, 仍舊用適應度函數值較優的位置取代原位置, 並得到當代最優的適應度函數值, 與上一代最優適應度函數值比較, 記錄一組最優適應度函數值的鳥巢位置。
(5) 若最優適應度值未符合要求或未達到最大迭代次數, 那麼回到步驟(2), 反之繼續。
(6) 輸出最優參數(Cb,σb2), 即為最優解。
3 本文方法流程圖與步驟
綜上所述, 本文提出的基於MRELBP特徵、Franklin矩和布穀鳥優化SVM的遙感圖像建築物區域識別方法流程如圖 1所示。
圖 1 本文方法流程 Fig. 1 Flowchart of proposed method
圖選項
具體的步驟為：
(1) 對原始圖像的每個像素點利用檢測窗口劃分成圖像塊, 利用MRELBP特徵描述算子得到圖像塊的紋理特徵向量。
(2) 計算圖像塊的Franklin矩不變量, 構造出形狀特徵向量, 並將其與紋理特徵向量組合成像素點的綜合特徵向量。
(3) 從各類中選取50%的像素點, 將其綜合特徵向量作為訓練樣本, 剩餘像素點的綜合特徵向量作為測試樣本, 採用布穀鳥搜索算法優化核參數σ2以及懲罰因子C, 最終得到最優的SVM模型。
(4) 利用獲得的最優SVM分類器對整幅建築物遙感圖像進行分類, 獲得最後的分類圖, 識別出建築物區域。
4 試驗結果與分析
本文試驗選取了2015年2月的高分二號遙感衛星拍攝的遙感圖像, 其空間分辨率為1 m。利用本文提出的基於MRELBP特徵、Franklin矩和布穀鳥優化SVM的分類方法對30組建築物遙感圖像進行了試驗, 並與基於RGB的SVM分類方法、基於LBP的SVM分類方法、基於Zernike矩的SVM分類方法進行了對比, 對比方法中SVM的參數同樣使用布穀鳥算法進行優化。受篇幅限制, 現以其中3幅大小均為256×256像素, 場景不同的建築物遙感圖像的分類識別結果為例加以說明, 其中建築物遙感圖像1中建築物區域佔比較少, 建築物遙感圖像2的建築物區域佔比較多, 建築物遙感圖像3的建築物區域分佈比較散。圖 2-圖 4分別給出了3幅建築物遙感原始圖像(a)、地面真實標記圖(b)、基於RGB的SVM分類方法(c)、基於LBP的SVM分類方法(d)、基於Zernike矩的SVM分類方法(e)及本文提出方法(f)分類後的圖像, 並利用分類精度評定各個分類方法的優劣。本文試驗結果是在Intel(R) Core(TM) i5 CPU 2.50 GHz/4 GB、Matlab R2015b環境中得到的。
圖 2 建築物遙感圖像1及其分類識別結果 Fig. 2 Remote sensing image of building area 1 and its classification and recognition results
圖選項
圖 3 建築物遙感圖像2及其分類識別結果 Fig. 3 Remote sensing image of building area 2 and its classification and recognition results
圖選項
圖 4 建築物遙感圖像3及其分類識別結果 Fig. 4 Remote sensing image of building area 3 and its classification and recognition results
圖選項
在本文試驗中, 在對建築物遙感圖像特徵提取時, 需設置相關參數, 在經過試驗和比較後, 設置如下參數：基於RGB的SVM分類方法提取每個像素的RGB值構成原始圖像的三維特徵向量。在其他方法中, 則先通過檢測窗口將每個像素劃分成圖像塊進而提取圖像塊的特徵, 檢測窗口大小為7×7像素。基於LBP的SVM分類方法中, 設置圖像塊中每個像素的鄰域半徑為1, 鄰域成員個數為8, 並統計整個圖像塊的LBP模式的頻率直方圖, 得到圖像塊的256維紋理特徵向量; 基於Zernike矩的SVM分類方法計算了圖像塊的8階矩, 構成圖像塊的25維形狀特徵向量; 本文方法中計算MRELBP特徵時, 對圖像塊中每個像素分別取半徑為1、2、3的鄰域, 每個鄰域上取8個成員, 分別計算RELBP_CI、RELBP_NI、RELBP_RD, 統計3個不同半徑鄰域的直方圖, 並將其級聯得到123維紋理特徵向量, 利用Franklin矩計算圖像塊的5階矩, 形狀特徵向量為12維, 則綜合特徵向量為135維。計算得到特徵向量後, 從每類選取50%數據作為訓練樣本對SVM分類器進行訓練, 得到最優分類面, 最後完成整幅圖像的分類和識別。
4.1 試驗結果
從圖 2可以看出, 對於建築物遙感圖像1, 基於RGB的SVM分類方法中由於河流相較其他類別顏色較明顯, 因此對河流的識別較好, 而對於建築物區域則由於相似顏色的干擾導致部分未識別出; 基於LBP的SVM分類方法中, 整體的分佈較差, 尤其是建築物區域的誤判漏判較多; 基於Zernike矩的SVM分類方法相對較好地識別出了土地和建築物區域, 但是植被和河流由於形狀特徵不明顯, 錯判成土地的較多; 本文方法則綜合了紋理特徵和形狀特徵, 總體分佈較為均勻, 每一類的判定都較為準確且建築物區域較為完整, 能較為全面地識別出建築物區域。
在圖 3中, 對於建築物遙感圖像2, 基於RGB的SVM分類方法中存在許多將道路等地面誤識別為建築物的現象, 且對於植被的識別較差; 基於LBP的SVM分類方法對於水體的識別效果變差, 且每類中都存在著一些錯判; 基於Zernike矩的SVM分類方法較好地識別出了土地, 但是在其他類中很多都識別成了土地, 建築物區域不太完整; 本文方法中錯判較少, 能夠較準確地識別出建築物區域。
在圖 4中, 對於建築物遙感圖像3的建築物區域識別難度較高。基於RGB的SVM分類方法中許多建築物區域未被正確識別, 同時對於植被區域誤識別的也較多; 基於LBP的SVM分類方法相比基於RGB的方法有所提高, 但同樣每類中都存在著一些誤判; 基於Zernike矩的SVM分類方法對於土地的識別較準確, 但是建築物區域中仍舊有部分識別錯誤; 本文方法則較準確地識別出建築物區域, 同時其他類別誤判也有所減少。
4.2 試驗分析
為了更好地定量評價各方法的分類效果, 利用總體分類精度(overall accuracy, OA)和Kappa係數作精度分析, 其中OA表示對每種類別的像素點, 被正確劃分的像素點數除以全部像素點數的值, 同時比較各方法運行時間。利用4種方法對建築物遙感圖像1、建築物遙感圖像2和建築物遙感圖像3進行10次獨立試驗並取平均, 表 1-表 3分別列出了分類後每一類的準確率、OA和Kappa係數, 4種方法的運行時間如表 4所示。OA及Kappa係數的定義如下
表 1 4種分類方法針對建築物遙感圖像1的分類精度Tab. 1 Classification accuracy based on four classification methods for image 1
(%)
類別
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
河流
94.92
94.83
88.10
98.21
建築物
37.04
42.31
80.86
89.37
土地
91.47
90.34
94.92
90.42
植被
66.77
87.65
71.40
90.52
OA
84.27
88.36
86.54
92.25
Kappa
80.46
85.25
83.84
89.28
表選項
表 2 4種分類方法針對建築物遙感圖像2的分類精度Tab. 2 Classification accuracy based on four classification methods for image 2
(%)
類別
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
水體
84.95
72.38
73.24
81.14
建築物
75.48
85.61
70.39
90.88
土地
84.64
95.16
97.75
96.23
植被
27.31
46.57
71.43
82.56
OA
78.92
87.42
85.78
91.63
Kappa
73.30
85.64
81.15
88.84
表選項
表 3 4種分類方法針對建築物遙感圖像3的分類精度Tab. 3 Classification accuracy based on four classification methods for image 3
(%)
類別
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
河流
76.11
34.48
70.72
82.37
建築物
51.94
47.32
78.83
89.96
土地
91.59
99.62
98.17
97.89
植被
51.47
59.67
71.44
80.39
OA
77.61
83.28
86.76
92.93
Kappa
74.63
81.58
82.64
89.27
表選項
表 4 4種分類方法的運行時間比較Tab. 4 Comparison of four methods in optimal thresholds and running time
類別RGB-SVMLBP-SVMZernike矩-SVM本文方法運行時間/s24.3272.4635.8360.63表選項
(22)
(23)
式中, K是圖像的像素總數;n表示類別數;pit、pic和pin分別表示第i類別中測試樣本數、正確分類像素點數及總的像素點數。
從表 1中可以看出, 對於建築物遙感圖像1, 基於RGB的SVM和基於LBP的SVM對於建築物區域的分類精度很低, 不利於有效識別; 而本文方法由於綜合了紋理特徵和形狀特徵, 對水體、植被、建築物的分類精度均是最高的, 而且其中筆者較為關注的建築物區域的分類精度明顯提高, 總體的分類精度也比其他3種方法有所提高, 證明了該分類模型具有很好的分類精度。
從表 2中可以看出, 對於建築物遙感圖像2, 本文方法在土地、建築物和植被的分類精度上最高, 且相比於其他方法, 本文方法總體分類精度也是最高, 其中受關注的建築物的分類精度分別提高了15.24%, 4.51%, 19.85%。
從表 3中可以看出, 對於建築物遙感圖像3, 基於RGB的SVM分類方法和基於LBP的SVM分類方法無論是建築物區域識別還是總體分類精度都偏低, 而基於Zernike矩的SVM分類方法則對建築物區域的分類精度有所提高, 本文方法對建築物區域的分類精度是最高的, 同時總體分類精度也是最高, 這也說明本文方法優於其他3種方法。
在算法的運行時間方面, 相比基於RGB的SVM分類方法和基於Zernike矩的SVM分類方法, 本文方法的運行時間較長, 但比基於LBP的SVM分類方法短, 並基本上可以滿足需求。
通過上述的定量分析, 證明了本文方法可以有效地提高建築物區域識別的精度, 是一種行之有效的遙感圖像建築物區域識別方法。
5 結論
本文主要針對光學全色遙感圖像, 提出了一種基於MRELBP特徵、Franklin矩和布穀鳥優化SVM的遙感圖像建築物區域識別方法。利用MRELBP特徵算子得到的紋理特徵向量和Franklin矩得到的形狀特徵向量相組合來構造綜合特徵向量; 同時將布穀鳥算法用於遙感圖像建築物區域識別中, 克服了人為設定SVM模型參數的不確定性, 進一步提升了SVM的分類精度。試驗結果表明, 與基於RGB的SVM分類方法、基於LBP的SVM分類方法、基於Zernike矩的SVM分類方法進行比較分析, 本文方法具有更高的分類準確性, 為遙感圖像建築物區域識別提供了一個思路。
【引文格式】周建偉, 吳一全. MRELBP特徵、Franklin矩和SVM相結合的遙感圖像建築物識別方法. 測繪學報，2020，49(3)：355-364. DOI: 10.11947/j.AGCS.2020.20190073
姚宜斌 l《測繪學報（英文版）》（JGGS）精選論文
論文推薦 | 施闖：北斗廣域高精度時間服務原型系統
PPT | 劉先林院士：新時代 新測繪
資訊 | 工程碩博培養模式將迎新變化，工程博士被特別關注
SCI論文經典詞和常用句型
重溫經典 | 寧津生：基於衛星加速度恢復地球重力場的去相關濾波法
權威 | 專業 | 學術 | 前沿
微信投稿郵箱 | [email protected]
歡迎加入《測繪學報》作者QQ群： 751717395
進群請備註：姓名+單位+稿件編號
