1、基于 LVQ 神经网络的建筑物提取 黄冰晶 谢明鸿 李润青 昆明理工大学信息工程与自动化学院 摘 要： 传统的遥感影像目标检测方法大多利用人工提取特征, 难以用于背景复杂的高分辨率遥感影像。以高分辨率遥感影像建筑物图像为研究对象, 设计了一种基于 LVQ 神经网络的建筑物提取方法。对图像提取其颜色、纹理与形状特征, 构成图像特征矢量并将其特征归一化, 利用 LVQ 神经网络识别并提取出建筑物。通过与其它典型神经网络识别方法进行实验比较, 结果表明该算法相对于单层感知器识别率提高了 10.0%, 比 BP 神经网络识别率提高了 22.5%, 能取得更理想的提取效果。关键词： 高分辨率遥感影像;
2、建筑物提取; LVQ 神经网络; 特征提取; 作者简介：黄冰晶 (1993-) , 女, 安徽怀宁人, 昆明理工大学信息工程与自动化学院硕士研究生, 研究方向为图像处理、人工智能与模式识别;作者简介：谢明鸿 (1976-) , 男, 云南昭通人, 博士, 昆明理工大学信息工程与自动化学院高级工程师, 研究方向为雷达遥感应用、图像处理、模式识别;作者简介：李润青 (1991-) , 男, 江苏泰州人, 昆明理工大学信息工程与自动化学院硕士研究生, 研究方向为图像处理、人脸识别。收稿日期：2017-06-23基金：云南省教育厅重点项目 (KKJD201403003) Building Extrac
3、tion Based on LVQ Neural NetworkHUANG Bing-jing XIE Ming-hong LI Run-qing Faculty of Information Engineering and Automation, Kunming University of Science and Technology; Abstract： Traditional detection methods of remote sensing images mostly use the feature of artificial extraction and are difficul
4、t 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 t
5、o 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 recogn
6、ition 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.Keyword： high-resolution remote sensing image; building extraction; LVQ neural network; feature extraction; Received： 2017-06-23
7、0 引言近年, 遥感技术迅猛发展推动了遥感影像空间分辨率快速提高, 高分辨率影像在遥感技术应用数据来源中占很大比重。建筑物作为遥感影像一类重要且具有显著特征的目标, 在测绘、城市规划、军事侦察、打击效果评估等军事与民用领域具有重要作用, 研究高分辨率遥感影像建筑物自动提取技术具有现实意义与理论价值1-3。城区建筑物提取是目前研究重点, 如何从高分辨率遥感影像中进行高精度建筑物提取成为主要研究内容。基于遥感影像的建筑物提取, 20 多年来学者做了大量研究。 等使用eCognition 软件研究了多尺度分割的自动参数化, 并应用于建筑物分割与提取, 取得了较高提取精度。该方法优点是能有效减少椒盐效
8、应影响, 减小了类内方差, 能有效利用影像结构、形状属性, 可与 GIS 系统结合得到矢量化输出结果;缺点是 FNEA 无法找到尺度参数确定方法, 主观因素太多;高分辨率影像用不同尺度分割会出现不同特征, 如一个较小尺度不适合提取对象的结构形状特征, 这些参数需人为确定。Chaudhuri 与 Kushwaha5等提出了高分辨率目标影像中利用空间与光谱特征提取建筑物, 缺点是建筑物密度较大时提取不精确, 不能提取部分被遮挡的建筑物;Zhai W6等用建筑物纹理信息融合偏振信息提取建筑物, 存在较小建筑物漏提及过度依靠参数等问题。传统遥感影像目标检测方法大多利用人工提取特征, 难以用于背景复杂高
9、分辨率遥感影像。鉴于此, 本文采用了神经网络分类器与颜色、纹理、形状特征相结合方法进行建筑物提取。为精确表达高分辨率遥感影像中建筑物内容, 本文先对采集的输入图像进行灰度化操作;采用 HSI 空间、灰度共生矩阵 (Gray Level Co-occurrence Matrix, GLCM) 、OBIA (Object Based on Image Analysis) 3 种典型方法分别提取图像颜色、纹理、形状特征, 共同构成高分辨率遥感影像内容特征矢量;为避免不同特征间数值悬殊对分类的影响, 对特征进行标准化;利用学习向量量化 (Learning Vector Quantization, LV
10、Q) 神经网络算法进行特征分类与识别, 将影像分为建筑物与非建筑物 2 类, 完成高分辨率遥感影像建筑物提取。实验表明, 本算法取得了较为理想的识别效果, 能够有效提取建筑物, 验证了算法可行性与有效性。1 建筑物提取算法本文建筑物提取方法流程如图 1 所示。图 1 建筑物提取流程 下载原图1.1 图像特征提取及标准化1.1.1 基于 HSI 的颜色特征提取方法本部分利用 HSI 颜色空间, 较 RGB 系统更接近于人们视觉习惯对彩色的感知, 将图像转换到此空间进行特征检测7。根据标记样本, 分别抽取样本图像在HSI 空间色度、饱和度、亮度信息作为 LVQ 神经网络判别分类依据。采用几何推导法
11、从 RGB 颜色空间求得 HSI 颜色空间的 H、S、I, 具体计算公式如下8:其中, 分别计算出样本在 HSI 颜色空间的 H、S、I 值。1.1.2 基于灰度共生矩阵的纹理特征提取方法纹理特性一般为图像灰度在空间的变化与重复, 灰度共生矩阵建立在估计图像二阶组合条件概率密度函数基础上, 用灰度值取得共生特性度量纹理指标主要有:对比度, 角矩、熵、同质性9-10。利用式 (5) 能够较好反映居民点、道路等建设用地对比度指标、度量影像中对比强烈程度、监测图像反差边缘及边缘效应。其中, i, j 表示像元灰度, d 为 i, j 像元对间距, 为两像元连接方向。共生矩阵用两个位置的像素联合概率密
12、度定义, 不仅反映了亮度分布特性, 也反映了具有相同或接近亮度像素间位置分布特性, 是有关亮度变化的二阶统计特征。灰度共生矩阵反映图像灰度关于方向、相邻间隔、变化幅度的综合信息, 是分析图像局部模式与排列规则的基础。共生矩阵是在 方向相隔一定 d 像元距离时, 灰度级 i 为始点, 出现灰度级为j 的概率, 即为矩阵元素, 可记为 设 f (x, y) 为图像中像素坐标为 (x, y) 的点对应灰度值, L 表示图像灰度级, L r、L c为图像行、列维数。得到像素对 f (x, y) =i 与 f (x, y) =j 在 4 个方向共生矩阵分别定义如下:其中, #表示该集合中元素数目。另外,
13、 通过 P (i, j|d, =P (i, j|d, ) /R) , 可获得归一化共生矩阵, 为归一化常数。距离 d=1 时, 实验表明效果较好。方向选择一般有 4 种取值:0、45、90、135, 分别计算这 4 个方向灰度共生矩阵确定的纹理特征值, 以各方向特征值均值作为纹理向量中各分量。1.1.3 基于 OBIA 的形状特征提取方法本文使用的基元形状特征主要采用以下 3 个指标表达11:式 (10) 计算基元面积平方根 Sqrt (A) 与周长 P 比值, 根据几何知识可以得出:周长一定时, 长宽比越大, 该值越小。式 (11) 计算多边形周长 P 与端点个数 Pnts 比值, 该值说明
14、特征基元多边形每条线段平均长度, 值越大说明线段平均长度越大;反之, 说明线段零碎。式 (12) 反映形状紧凑程度 Cmp, 采用特征基元面积 A 与外接矩形面积 EA 比值。1.2 特征标准化在提取颜色特征、纹理特征与形状特征基础上, 将 3 者共同构成表征遥感影像建筑物图像特征矢量12。为避免不同特征间数值悬殊对识别结果造成影响, 本文采用以下方法对建筑物提取进行特征标准化。(1) 标准差变换。其中, (2) 极差转换。1.3 基于 LVQ 神经网络的遥感影像建筑物识别LVQ 神经网络属有监督学习算法, 在分类性能方面能很好解决现存某些问题, 是在有监督状态下对竞争层进行训练的一种学习算法
15、13。它广泛应用于模式识别与优化领域, 将竞争学习思想与有监督学习算法相结合, 克服了自组织网络采用无监督学习算法导致缺乏分类信息的弱点。LVQ 神经网络由 3 层神经元组成, 即输入层、隐含层、输出层。本文采用的 LVQ 神经网络结构如图 2 所示。在此, 定义一个变量, 假定网络输入层输入向量14-15为 X= (x1, x2, , xm) , 其中 M 为输入层神经元数目;输入层与竞争层间连接权值矩阵:W= (w 1, w2, , wp) , W= (wi1, wi2, , wiM) 。w ij中, i=1, 2, , p, j=1, 2, , M, 表示输入层第 i 个神经元与第 j
16、个神经元间连接权值, p 为竞争层神经元数目, 竞争层输出向量为 V= (v1, v2, , vp) , 竞争层与输出层神经元间连接权值矩阵为 W= (w1, w2, , wN) , 其中 wk= (wk1, wk2, , wkp) 。w kr中, k=1, 2, , N, r=1, 2, , p, 表示竞争层第 k 个神经元与输出层第 r 个神经元间连接权值, N 为输出层神经元数目。竞争层每个神经元通过学习原型向量, 对输入空间进行分类16。将竞争层学习得到的类称为子类, 将输出层学习得到的类称为目标类。LVQ 神经网络是一种混合网络结构, 输入层 m 个神经元 x1, x2, , xm对
17、应提取特征标准化后的特征矢量;竞争层有 k 个神经元, 分成若干组且呈一维线阵排列;输出层每个神经元只与竞争层中一组神经元连接, 连接权值固定为 0.75。LVQ 神经网络训练过程中, 输入层与竞争层间连接权值被逐渐调整成聚类中心。一个输入样本被送至 LVQ 网络时, 竞争层通过竞争学习规则产生获胜神经元, 将输入样本分为建筑物与非建筑物两类。图 2 LVQ 神经网络结构 下载原图2 实验结果与分析2.1 实验数据结果分析本实验数据为云南省昆明市呈贡区某区域分辨率为 0.61m 卫星影像, 影像大小为 512512 像素, 原始影像中除感兴趣建筑物外, 还包含较多背景区域及道路、树木等非感兴趣
18、区域, 如图 3 所示。此图为城区影像, 建筑物提取主要干扰为类似光谱特征的空地与道路。读入原始卫星影像, 将图像转化为灰度图 (见图 4) , 直方图见图 5。将灰度图转化为二值图像 (见图 6) , 直方图见图 7。经颜色、纹理、形状特征提取后结果如图 8 所示, 目标区域范围全表示为黑色, 非目标区域直接设为 255, 由实验可知, 图中很多建筑物信息都被遗漏, 导致提取效果不理想。经过 LVQ 神经网络处理, 建筑物形状大小较完整, 几乎提取出了所有建筑物, 提取效率明显改善。此过程要特别注意权值选取, 不同权值将会影响提取结果, 多次实验证明, 权值取 0.75, 提取效果较好, 结
19、果如图 9 所示。图 3 原始卫星影像 下载原图图 4 原始图像灰度图 下载原图图 5 原始图像灰度直方图 下载原图图 6 图像二值化 下载原图由实验提取结果可知, 本算法对存在阴影的城区影像建筑物提取效率较高, 提取建筑物清晰、贴近实际。2.2 实验方法比较为比较本文方法与传统方法效果, 使用单层感知器与 BP 神经网络方法进行处理, 提取效果如图 10、图 11 所示。图 7 二值图像灰度直方图 下载原图图 8 特征提取后结果 下载原图图 9 LVQ 神经网络最终提取结果 下载原图图 1 0 单层感知器最终提取结果 下载原图图 1 1 BP 神经网络最终提取结果 下载原图由单层感知器与 B
20、P 神经网络提取结果可见, 图像中仍有零星斑点, 图像模糊, 很难区分建筑物边界, 影响提取精度, 对建筑物提取产生干扰。2.3 算法评价2.3.1 定量评价本文实验目的是建筑物提取, 通过实验比较其它典型神经网络方法识别率, 结果表明 LVQ 神经网络算法用于高分辨率遥感影像建筑物提取可以有效提高建筑物识别准确性, 只有少量误提、漏提现象, 由此可见该方法具有较好鲁棒性与有效性 (见表 1、图 12) 。表 1 几种算法识别率比较 下载原表 图 1 2 几种算法识别率比较 下载原图为更直观表达以上实验数据, 现将 3 种方法分别取 100 幅、200 幅、300 幅识别率平均值比较。LVQ
21、神经网络相比单层感知器识别率提高了 (94.9-84.9) 100%=10.0%;LVQ 神经网络相比 BP 神经网络识别率提高了 (94.9-72.4) 100%=22.5%。2.3.2 定性评价定性评价是通过最直观视觉对所观察信息进行分析评价。实验中使用的遥感影像分辨率较高, 可直接对地物进行目视判读, 看其是否为建筑物。将目视判读结果作为参考数据对本文算法提取结果进行评价, 结果见表 2。表 2 本文算法提取建筑物成功率 下载原表 3 结语本文将人工智能与机器学习中 LVQ 神经网络算法引入遥感影像建筑物提取, 对图像进行预处理, 利用基于 HSI 的颜色特征、基于灰度共生矩阵 (GLC
22、M) 的纹理特征及基于 OBIA 中使用的基元形状特征, 对 3 者进行特征标准化后将图像分为建筑物与非建筑物两类, 在此基础上用 LVQ 神经网络进行识别并对提取建筑物优化处理。通过与其它典型神经网络识别方法实验比较, 验证了算法可行性与鲁棒性, 结果表明本方法用于建筑物提取不仅具有较高识别率且计算量小。参考文献1HUANG X, ZHANG L.Morphological building/shadow index for building extraction from high-resolution imagery over urban areasJ.IEEE Selected Top
23、ics in Applied Earth Observations&Remote Sensing, 2012, 5 (1) :161-172. 2DIKMEN M, HALICI U.A learning-based resegmentation method for extraction of buildings in satellite imagesJ.IEEE Geoscience&Remote Sensing Letters, 2014, 11 (12) :2150-2153. 3GILANI S, AWRANGJEB M, LU G.An automatic Building ext
24、raction and regularisation technique using LiDAR point cloud data and orthoimageJ.Remote Sensing, 2016, 8 (3) :27. 4D 烏烑 ragut, L, CSILLIK O, EISANK C, et al.Automated parameterisation for multi-scale image segmentation on multiple layersJ.Isprs Journal of Photogrammetry&Remote Sensing Official Publ
25、icationof the International Society for Photogrammetry&Remote Sensing, 2014, 88 (100) :119-127. 5CHAUDHURI D, KUSHWAHA N K, SAMAL A, et al.Automatic building detection from high-resolution satellite images based on morphology and internal gray varianceJ.IEEE Journal of Selected Topics in Applied Ear
26、th Observations&Remote Sensing, 2016, 9 (5) :1767-1779. 6ZHAI W, SHEN H, HUANG C, et al.Fusion of polarimetric and texture information 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 神经网络的手写字母识别J.吉首大学学报:自然科学版, 2010, 31 (
27、2) :41-43. 8SAHAR L, FAUST N.A parcel focused approach to building extractionJ.Surveying&Land Information Science, 2016 (11) :85-98. 9包晗, 康泉胜, 周明.一种基于 LVQ 神经网络与图像处理的火焰识别算法J.中国安全科学学报, 2011, 21 (6) :60-64. 10ZUNLIN FAN, DUYAN BI, LINYUAN HE, et al.Low-level structure feature extraction for image proce
28、ssing via stacked sparse denoisingautoencoderJ.Neurocomputing, 2017 (7) :12-20. 11BLASCHKE T, HAY G J, KELLY M, et al.Geographic objectbased image analysis-towards a new paradigmJ.Isprs Journal of Photogrammetry&Remote Sensing, 2014, 87 (100) :180-191. 12刘艳妮.基于 LVQ 神经网络和灰度共生矩阵的遥感图像分类及其应用D.成都:成都理工大学,
29、 2009. 13DEEPAKRISHNA S, EDIRIWEERA S, GUNATILAKE A A J K.Automatic feature extraction from satellite images using lvq neural networkC.Asian Conference on Remote Sensing, 2016. 14LI X, ZHANG Y.Digital image edge detection based on LVQ neural networkC.IEEE Conference on Industrial Electronics and App
30、lications, 2016:1251-1255. 15焦蓬蓬, 郭依正, 卫星, 等.基于 LVQ 神经网络的医学图像识别研究J.科学技术与工程, 2012, 12 (18) :225-227. 16MASUM M A, SANABILA H R, JATMIKO W, et al.Multi codebook LVQ-based artificial neural network using clustering approachC.International Conference on Advanced Computer Science and Information Systems, 2015:263-26.
