《测绘学报》
构建与学术的桥梁 拉近与权威的距离
MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法
周建伟1, 吴一全1,2
1.南京航空航天大学电子信息工程学院, 江苏 南京 211106;2.城市空间信息工程北京市重点实验室, 北京 100038
收稿日期：2019-03-14；修回日期：2019-06-27
基金项目：国家自然科学基金（61573183）; 城市空间信息工程北京市重点实验室开放基金（2014203）
第一作者简介：周建伟(1994—), 男, 硕士生, 研究方向为遥感图像分类等。E-mail:[email protected]
通信作者：吴一全, E-mail:[email protected]
摘要：为了进一步提高遥感图像建筑物区域的识别精度, 提出了一种基于中值稳健扩展局部二值模式（median robust extended local binary pattern, MRELBP）、Franklin矩和布谷鸟优化支持向量机（support vector machine, SVM）的分类方法。首先, 通过MRELBP特征算子计算图像块的纹理特征向量, 并根据Franklin矩得到形状特征向量, 组合图像块的纹理特征向量和形状特征向量得到综合特征向量; 然后, 利用训练样本对SVM进行训练, 同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化; 最后, 通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明, 与基于三原色（red green blue, RGB）和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比, 本文提出的方法所识别的遥感图像建筑物区域准确度更高。
关键词：遥感图像 建筑物区域识别 MRELBP特征 Franklin矩 支持向量机 布谷鸟搜索算法
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
在遥感图像地物信息分类中, 建筑物是重要的一类地物, 也是地形图的主要组成部分。建筑物区域的准确识别直接影响地面测绘的自动化水平, 其识别和定位对图像理解、绘图以及为其他目标提供参考有重要的意义[1-2]。卫星遥感成像技术的迅速发展, 使得利用遥感图像对建筑物区域进行识别成为重要的研究课题[3]。其主要的研究内容包含建筑物遥感图像的特征提取及分类两方面。
目前, 常用的建筑物遥感图像特征提取方法有两类：①纹理特征提取方法。伴随着遥感图像的质量不断提高, 获取的图像纹理特征更加显著, 基于图像纹理特征的建筑物识别方法已经应用于遥感图像中。文献[4]利用灰度共生矩阵进行加权计算得到纹理特征, 并识别损毁建筑物信息, 有效地避免了空白地区的干扰, 但是在计算灰度共生矩阵时存在大量冗余, 影响了计算效率; 文献[5]通过伪交叉变异函数(pseudo cross variogram, PCV)和多变量变异函数(multivariate variogram, MV)分别提取多时间纹理及多频带纹理, 并利用导出的多尺度的空间和时相纹理信息探测建筑物, 提升了建筑物区域识别的精度; 文献[6]利用共线性方程和校正后的纹理坐标计算原始图像中的纹理, 同时添加了遮挡检测, 避免了当前建筑物纹理被其他物体遮挡时的错误纹理提取, 最后的识别结果较为准确; 文献[7]则提出了基于局部二值模式(local binary pattern, LBP)高程纹理分析的建筑物识别方法, 可以很好地区分植被点和建筑点, 最终运用形态学操作填充建筑物的孔洞, 对建筑物区域进行了准确的识别。然而, 上述LBP方法受噪声干扰大, 并且存在难以捕获宏观信息的问题。而中值稳健扩展局部二值模式(median robust extended local binary pattern, MRELBP)对灰度变化、旋转变化以及噪声均有较强的稳健性, 特征维数较低且计算复杂度小[8], 因此可望在纹理数据集上获得优异的分类性能。②形状特征提取方法。遥感图像中的建筑物目标形状规则, 可通过形状特征进行识别。文献[9]首先对图像进行边缘检测, 然后采用不变矩作为特征向量, 以此构成了建筑物识别系统; 文献[10]将Zernike矩运用到遥感图像分类中, 与仅使用光谱信息的方法相比, 明显提升了分类的精度; 但因Zernike矩涉及高阶多项式, 会引起计算的不稳定性, 且特征空间的尺寸扩展受到约束; 文献[11]提出了一类新的正交矩-Franklin矩, Franklin函数仅由一次分段多项式组成, 避免了高阶多项式的计算, 且同时具有复杂度低及数值稳定等优点, 因此, Franklin矩具有更好的特征表达能力。但是, 基于形状特征的方法易受遮挡、阴影等因素的干扰, 使得建筑物形态不够完整。为此, 尝试联合建筑物图像的纹理特征和形状特征, 期望获得更为完善的建筑物遥感图像特征。
此外, 关于建筑物遥感图像分类方面, 主要方法有随机森林分类法、神经网络分类法和支持向量机(support vector machine, SVM)分类法。文献[12]使用5个纹理描述符表示区域纹理特征, 并应用随机森林分类器来识别建筑物; 文献[13]提取建筑物的多尺度纹理信息, 并利用卷积神经网络的可扩展性以完成建筑物区域的分类; 文献[14]结合词袋模型, 利用基于知识规则的SVM分类方法对建筑物顶面损毁区域进行识别, 准确性较高。对于高维、有限的样本, SVM的泛化能力要优于随机森林及神经网络[15], 因此选用SVM分类器作为分类方法, 但其中的核参数和惩罚因子需要人工设置, 设置不当会影响识别的准确性。近几年提出的布谷鸟搜索(cuckoo search, CS)[16]算法相比于其他群智能优化算法, 具有简便、调整参数少、沿较优路径搜索、收敛速度快等优点, 目前已被应用于函数优化[17]、分布式云计算[18]、预测问题[19]等应用领域。因此, 利用CS算法搜索最佳核参数和惩罚因子, 有望提升建筑物区域识别的准确性。
基于以上分析, 本文提出了一种基于MRELBP特征、Franklin矩和布谷鸟优化SVM的遥感图像建筑物区域识别方法。首先利用MRELBP作为纹理特征算子, 依据Franklin矩描述形状特征, 并将两种特征综合; 然后运用SVM对综合特征向量样本进行训练和分类, 并利用CS算法优化SVM的核参数和惩罚因子; 最后给出分类结果, 并与基于三原色(red green blue, RGB)的SVM分类方法[20]、基于LBP的SVM分类方法[21]、基于Zernike矩的SVM分类方法[10]进行了比较分析, 证明了本文方法具有更高的准确性。
1 建筑物遥感图像的纹理和形状特征提取1.1 基于MRELBP的纹理特征提取
LBP是一种用来描述图像局部纹理特征的算子, 其特征识别率高及计算复杂度低[22]。但传统的LBP方法受噪声干扰较大, 且存在难以捕获宏观信息的问题, 在提取纹理时, LBP方法采用中心像素的灰度值作为阈值进行比较, 而MRELBP作为一种新的描述算子, 利用中值滤波器响应代替传统LBP里的单个像素灰度值, 最大化表示对噪声的稳健性。对每个像素点采用3种描述方式, 即中心像素描述、邻域像素描述及径向像素差异描述, 分别记作RELBP_CI、RELBP_NI、RELBP_RD, 最后将3种描述子级联得到最终的纹理特征, 3种描述方式定义如下：
(1) 中心像素描述为
(1)
式中, ϕ(Xc,ω)表示以xc为中心像素的邻域通过大小为ω×ω的滤波器ϕ后的响应;μω表示整幅图像中所有ϕ(Xc,ω)的均值;s(x)是符号函数,
(2) 邻域像素描述为
(2)
式中, ϕ(Xr,p,ωr,n)表示以xr,p,n为中心,r为半径的邻域像素通过大小为ωr×ωr的滤波器ϕ后的响应;μr,p,ωr表示该邻域内所有像素经过滤波器ϕ后的响应的均值,p表示邻域像素个数。
(3) 径向像素差异描述为
(3)
式中, ϕ(Xr－1,p,ωr－1,n)表示以xr－1,p,n为中心,r－1为半径的邻域像素通过大小为ωr－1×ωr－1的滤波器ϕ后的响应。
因此得到图像的纹理特征向量为
(4)
1.2 基于Franklin矩的形状特征提取
1.2.1 Franklin函数
Franklin提出的一类定义在L2[0, 1]上的连续正交函数系称为Franklin函数[23]。它为一类新的一次正交样条函数, 通过一组线性无关的截断幂基在正交化后获得。现考虑式(5)所示的线性无关组{αj(x), 0≤x≤1}
(5)
式中,
t′≤2i－1的最大值。并且引入截断单项式记号u+k
(6)
将上述线性无关组{αj(x), 0≤x≤1}通过Gram-Schmidt正交化之后, 便可以得到Franklin函数系{ϕn(x)}, {ϕn(x)}的前5项基函数的表达式, 如式(7)所示
(7)
1.2.2 Franklin矩
依据Franklin函数的定义, 可以给出图像函数f(x,y), 0≤x,y≤1的第(n+m)阶Franklin矩如下
(8)
令图像尺寸为N×N, 将图像归一化到单位正方形[0, 1]×[0, 1]上, 每个像素的坐标记作(xi,yj),i,j=0, 1, …,N－1。式(8)可重新写成
(9)
式中,
ϕn(x)ϕm(y)在对应像素上的积分;
根据变量分离原则, 可以得到ωnm(xi,yi)
(10)
参考Franklin基函数的形式, 可将ϕn(x)在[xi－
k2jy+b2j, 则
(11)
将式(11)代入式(9)即可精确计算获得该图像的Franklin矩
(12)
从式(12)可以看出, Franklin矩只涉及一次多项式的计算, 因此计算的复杂度低。此外, 由于Franklin矩属于正交矩, 对图像来说是无冗余分解的, 即图像的各Franklin矩之间是相互独立的, 能够确保用更少的Franklin矩来对图像进行更有效的特征描述, 满足减少特征维数的要求。
由Franklin矩构造图像的形状特征向量
(13)
1.3 图像的纹理和形状综合特征向量
为了更好地表征建筑物遥感图像的特征, 将上述得到的纹理特征向量和形状特征向量组合, 构成图像的综合特征向量
(14)
2 基于布谷鸟优化的SVM2.1 支持向量机
支持向量机的基本模型定义为特征空间中具有最大间隔的线性分类器[24]。假设训练样本数据为{(xi,yi),i=1, 2, …,n}, 则支持向量机线性分类函数为g(x)=wT·x+b, 其中“·”表示向量点积,w表示权值向量,b表示偏置向量。可以将求取最优平面问题转换为一个凸二次规划问题来求解
(15)
支持向量机通过引入核函数, 把训练样本从原始空间投影到一个高维空间, 求解最优线性分类面, 最终完成对所有数据的分类。本文采用径向基函数(radial basis function, RBF)作为分类器的核函数
(16)
式中, σ2为核参数。
在实际中通常很难找到适合的核函数使得训练集在特征空间中线性可分, 此外, 即使发现了这样的核函数, 也难以判断是否由于过拟合造成的。为了解决这一问题, 通过引入了松弛变量ξ以及惩罚因子C来避免, 则问题求解转化为
(17)
本文需要对支持向量机的二分类问题进行扩展, 使其适用于遥感图像建筑物区域识别的多分类问题。针对M类的分类问题, 常用的分类算法有一对一和一对多两种方式。其中一对一需要训练M(M－1)/2个分类器, 而一对多方式只需要训练M个分类器, 适用于中小规模的分类问题, 因此, 本文选择一对多方式, 即每类样本的分类器正样本是本类, 负样本就是其他类, 最终的结果由间隔最大的分类器决定。
在式(16)和式(17)中, 核函数中的核参数σ2以及惩罚因子C对SVM分类器产生的影响较大, 因此通过CS算法对其进行寻优, 以期达到最佳的分类效果。
2.2 基于CS算法的SVM参数选择
CS算法受自然界中布谷鸟的寄巢产卵特点和部分生物的莱维飞行模式的启示所提出。其主要思想是通过随机游走方式产生候选鸟巢以及采用贪婪策略更新鸟巢位置, 最终使鸟巢位置达到或者接近全局最优解。CS算法假定以下3个条件：
(1) 布谷鸟每次仅仅产一只卵, 孵化时鸟巢的选择是随机的。
(2) 对于每组鸟巢, 最好的可以留至下一代。
(3) 可以用来放卵的鸟巢数目一定, 鸟巢主人察觉布谷鸟卵的概率为Pα。
基于上述3个假定, 更新鸟巢位置方式如下:
(1) Levy飞行随机行走
(18)
式中, xit和xit+1分别为第i个鸟巢在第t代和第t+1代的位置;α表示步长控制量; ⊕为点对点乘法;n为鸟巢个数, 即可行解个数;L(λ)为Levy随机搜索路径。
文献[25]证明了可以采用Mantegana算法实现式(18)的等价计算, 即
(19)
式中, α通常取0.01;β取1.5;xbestt为第t代最优鸟巢位置;u~N(0,σu2),v~N(0,σv2), 其中σv=1,σu按式(20)计算
(20)
式中, Γ表示伽马函数。
(2) 偏好随机游走。随机产生一个满足[0, 1]均匀分布的随机数r, 将其与Pα∈[0, 1]进行比较, 若r>Pa, 则按式(21)计算新解; 反之, 若r≤Pa, 则保持不变, 即xit+1=xit
(21)
式中, xjt与xkt表示第t代的随机解。
通过上述两种方式所得的新解均采用贪婪选择操作, 即得到新解后, 将新解和原解的适应度函数值进行比较, 与原解相比, 若新解较优, 那么将新解取代原解, 反之保留原解。
利用CS算法优化核参数σ2以及惩罚因子C的具体步骤如下：
(1) 初始化算法的基本参数：用鸟巢位置代表优化参数(C,σ2), 并且以随机方式生成n=20个鸟巢的初始位置, 发现概率Pa=0.25, 最大迭代次数Tmax=100。
(2) 将训练数据的交叉验证准确率作为适应度函数值, 计算每组鸟巢的适应度函数值并得到初始最优值。
(3) 根据式(19)和式(20)更新当前鸟巢, 求出当前所有鸟巢的适应度函数值, 并与上一代相比保留更优适应度函数值的鸟巢位置。
(4) 根据式(21)采用发现概率更新鸟巢的位置, 仍旧用适应度函数值较优的位置取代原位置, 并得到当代最优的适应度函数值, 与上一代最优适应度函数值比较, 记录一组最优适应度函数值的鸟巢位置。
(5) 若最优适应度值未符合要求或未达到最大迭代次数, 那么回到步骤(2), 反之继续。
(6) 输出最优参数(Cb,σb2), 即为最优解。
3 本文方法流程图与步骤
综上所述, 本文提出的基于MRELBP特征、Franklin矩和布谷鸟优化SVM的遥感图像建筑物区域识别方法流程如图 1所示。
图 1 本文方法流程 Fig. 1 Flowchart of proposed method
图选项
具体的步骤为：
(1) 对原始图像的每个像素点利用检测窗口划分成图像块, 利用MRELBP特征描述算子得到图像块的纹理特征向量。
(2) 计算图像块的Franklin矩不变量, 构造出形状特征向量, 并将其与纹理特征向量组合成像素点的综合特征向量。
(3) 从各类中选取50%的像素点, 将其综合特征向量作为训练样本, 剩余像素点的综合特征向量作为测试样本, 采用布谷鸟搜索算法优化核参数σ2以及惩罚因子C, 最终得到最优的SVM模型。
(4) 利用获得的最优SVM分类器对整幅建筑物遥感图像进行分类, 获得最后的分类图, 识别出建筑物区域。
4 试验结果与分析
本文试验选取了2015年2月的高分二号遥感卫星拍摄的遥感图像, 其空间分辨率为1 m。利用本文提出的基于MRELBP特征、Franklin矩和布谷鸟优化SVM的分类方法对30组建筑物遥感图像进行了试验, 并与基于RGB的SVM分类方法、基于LBP的SVM分类方法、基于Zernike矩的SVM分类方法进行了对比, 对比方法中SVM的参数同样使用布谷鸟算法进行优化。受篇幅限制, 现以其中3幅大小均为256×256像素, 场景不同的建筑物遥感图像的分类识别结果为例加以说明, 其中建筑物遥感图像1中建筑物区域占比较少, 建筑物遥感图像2的建筑物区域占比较多, 建筑物遥感图像3的建筑物区域分布比较散。图 2-图 4分别给出了3幅建筑物遥感原始图像(a)、地面真实标记图(b)、基于RGB的SVM分类方法(c)、基于LBP的SVM分类方法(d)、基于Zernike矩的SVM分类方法(e)及本文提出方法(f)分类后的图像, 并利用分类精度评定各个分类方法的优劣。本文试验结果是在Intel(R) Core(TM) i5 CPU 2.50 GHz/4 GB、Matlab R2015b环境中得到的。
图 2 建筑物遥感图像1及其分类识别结果 Fig. 2 Remote sensing image of building area 1 and its classification and recognition results
图选项
图 3 建筑物遥感图像2及其分类识别结果 Fig. 3 Remote sensing image of building area 2 and its classification and recognition results
图选项
图 4 建筑物遥感图像3及其分类识别结果 Fig. 4 Remote sensing image of building area 3 and its classification and recognition results
图选项
在本文试验中, 在对建筑物遥感图像特征提取时, 需设置相关参数, 在经过试验和比较后, 设置如下参数：基于RGB的SVM分类方法提取每个像素的RGB值构成原始图像的三维特征向量。在其他方法中, 则先通过检测窗口将每个像素划分成图像块进而提取图像块的特征, 检测窗口大小为7×7像素。基于LBP的SVM分类方法中, 设置图像块中每个像素的邻域半径为1, 邻域成员个数为8, 并统计整个图像块的LBP模式的频率直方图, 得到图像块的256维纹理特征向量; 基于Zernike矩的SVM分类方法计算了图像块的8阶矩, 构成图像块的25维形状特征向量; 本文方法中计算MRELBP特征时, 对图像块中每个像素分别取半径为1、2、3的邻域, 每个邻域上取8个成员, 分别计算RELBP_CI、RELBP_NI、RELBP_RD, 统计3个不同半径邻域的直方图, 并将其级联得到123维纹理特征向量, 利用Franklin矩计算图像块的5阶矩, 形状特征向量为12维, 则综合特征向量为135维。计算得到特征向量后, 从每类选取50%数据作为训练样本对SVM分类器进行训练, 得到最优分类面, 最后完成整幅图像的分类和识别。
4.1 试验结果
从图 2可以看出, 对于建筑物遥感图像1, 基于RGB的SVM分类方法中由于河流相较其他类别颜色较明显, 因此对河流的识别较好, 而对于建筑物区域则由于相似颜色的干扰导致部分未识别出; 基于LBP的SVM分类方法中, 整体的分布较差, 尤其是建筑物区域的误判漏判较多; 基于Zernike矩的SVM分类方法相对较好地识别出了土地和建筑物区域, 但是植被和河流由于形状特征不明显, 错判成土地的较多; 本文方法则综合了纹理特征和形状特征, 总体分布较为均匀, 每一类的判定都较为准确且建筑物区域较为完整, 能较为全面地识别出建筑物区域。
在图 3中, 对于建筑物遥感图像2, 基于RGB的SVM分类方法中存在许多将道路等地面误识别为建筑物的现象, 且对于植被的识别较差; 基于LBP的SVM分类方法对于水体的识别效果变差, 且每类中都存在着一些错判; 基于Zernike矩的SVM分类方法较好地识别出了土地, 但是在其他类中很多都识别成了土地, 建筑物区域不太完整; 本文方法中错判较少, 能够较准确地识别出建筑物区域。
在图 4中, 对于建筑物遥感图像3的建筑物区域识别难度较高。基于RGB的SVM分类方法中许多建筑物区域未被正确识别, 同时对于植被区域误识别的也较多; 基于LBP的SVM分类方法相比基于RGB的方法有所提高, 但同样每类中都存在着一些误判; 基于Zernike矩的SVM分类方法对于土地的识别较准确, 但是建筑物区域中仍旧有部分识别错误; 本文方法则较准确地识别出建筑物区域, 同时其他类别误判也有所减少。
4.2 试验分析
为了更好地定量评价各方法的分类效果, 利用总体分类精度(overall accuracy, OA)和Kappa系数作精度分析, 其中OA表示对每种类别的像素点, 被正确划分的像素点数除以全部像素点数的值, 同时比较各方法运行时间。利用4种方法对建筑物遥感图像1、建筑物遥感图像2和建筑物遥感图像3进行10次独立试验并取平均, 表 1-表 3分别列出了分类后每一类的准确率、OA和Kappa系数, 4种方法的运行时间如表 4所示。OA及Kappa系数的定义如下
表 1 4种分类方法针对建筑物遥感图像1的分类精度Tab. 1 Classification accuracy based on four classification methods for image 1
(%)
类别
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
河流
94.92
94.83
88.10
98.21
建筑物
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
表选项
表 2 4种分类方法针对建筑物遥感图像2的分类精度Tab. 2 Classification accuracy based on four classification methods for image 2
(%)
类别
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
水体
84.95
72.38
73.24
81.14
建筑物
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
表选项
表 3 4种分类方法针对建筑物遥感图像3的分类精度Tab. 3 Classification accuracy based on four classification methods for image 3
(%)
类别
RGB-SVM
LBP-SVM
Zernike矩-SVM
本文方法
河流
76.11
34.48
70.72
82.37
建筑物
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
表选项
表 4 4种分类方法的运行时间比较Tab. 4 Comparison of four methods in optimal thresholds and running time
类别RGB-SVMLBP-SVMZernike矩-SVM本文方法运行时间/s24.3272.4635.8360.63表选项
(22)
(23)
式中, K是图像的像素总数;n表示类别数;pit、pic和pin分别表示第i类别中测试样本数、正确分类像素点数及总的像素点数。
从表 1中可以看出, 对于建筑物遥感图像1, 基于RGB的SVM和基于LBP的SVM对于建筑物区域的分类精度很低, 不利于有效识别; 而本文方法由于综合了纹理特征和形状特征, 对水体、植被、建筑物的分类精度均是最高的, 而且其中笔者较为关注的建筑物区域的分类精度明显提高, 总体的分类精度也比其他3种方法有所提高, 证明了该分类模型具有很好的分类精度。
从表 2中可以看出, 对于建筑物遥感图像2, 本文方法在土地、建筑物和植被的分类精度上最高, 且相比于其他方法, 本文方法总体分类精度也是最高, 其中受关注的建筑物的分类精度分别提高了15.24%, 4.51%, 19.85%。
从表 3中可以看出, 对于建筑物遥感图像3, 基于RGB的SVM分类方法和基于LBP的SVM分类方法无论是建筑物区域识别还是总体分类精度都偏低, 而基于Zernike矩的SVM分类方法则对建筑物区域的分类精度有所提高, 本文方法对建筑物区域的分类精度是最高的, 同时总体分类精度也是最高, 这也说明本文方法优于其他3种方法。
在算法的运行时间方面, 相比基于RGB的SVM分类方法和基于Zernike矩的SVM分类方法, 本文方法的运行时间较长, 但比基于LBP的SVM分类方法短, 并基本上可以满足需求。
通过上述的定量分析, 证明了本文方法可以有效地提高建筑物区域识别的精度, 是一种行之有效的遥感图像建筑物区域识别方法。
5 结论
本文主要针对光学全色遥感图像, 提出了一种基于MRELBP特征、Franklin矩和布谷鸟优化SVM的遥感图像建筑物区域识别方法。利用MRELBP特征算子得到的纹理特征向量和Franklin矩得到的形状特征向量相组合来构造综合特征向量; 同时将布谷鸟算法用于遥感图像建筑物区域识别中, 克服了人为设定SVM模型参数的不确定性, 进一步提升了SVM的分类精度。试验结果表明, 与基于RGB的SVM分类方法、基于LBP的SVM分类方法、基于Zernike矩的SVM分类方法进行比较分析, 本文方法具有更高的分类准确性, 为遥感图像建筑物区域识别提供了一个思路。
【引文格式】周建伟, 吴一全. MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法. 测绘学报，2020，49(3)：355-364. DOI: 10.11947/j.AGCS.2020.20190073
姚宜斌 l《测绘学报（英文版）》（JGGS）精选论文
论文推荐 | 施闯：北斗广域高精度时间服务原型系统
PPT | 刘先林院士：新时代 新测绘
资讯 | 工程硕博培养模式将迎新变化，工程博士被特别关注
SCI论文经典词和常用句型
重温经典 | 宁津生：基于卫星加速度恢复地球重力场的去相关滤波法
权威 | 专业 | 学术 | 前沿
微信投稿邮箱 | [email protected]
欢迎加入《测绘学报》作者QQ群： 751717395
进群请备注：姓名+单位+稿件编号
