基于LVQ神经网络的建筑物提取

黄冰晶+谢明鸿+李润青

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；建筑物提取；LVQ神经网络；特征提取

DOIDOI：10.11907/rjdk.171955

中图分类号：TP317.4

文献标识码：A 文章编号：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。Dragut L[4]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Kushwaha[5]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 W[6]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，LVQ）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。

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512×512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。endprint

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，结果如图9所示。

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。

由单层感知器与BP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）。

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。

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（GLCM）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：

[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神經网络的手写字母识别[J].吉首大学学报：自然科学版，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.

[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] 刘艳妮.基于LVQ神经网络和灰度共生矩陣的遥感图像分类及其应用[D].成都：成都理工大学，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，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.

[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.

（责任编辑：何 丽）endprint