一种基于SVM的高分辨率光学影像建筑物角点识别方法

摘要

本发明公开了一种基于SVM的高分辨率光学影像建筑物角点识别方法。该方法的过程包括：对高分辨率的光学影像进行正射校正，通过NDVI去除植被对分类结果的影响，用二值法支持向量机分类将影像中“建筑物块”标记出来，对“建筑物块”区域用candy算子进行边缘检测，通过hough变换获得建筑物节点点集结构图表，并用SVM对点集进行分类以获得建筑物角点。本发明能极大提高光学影像建筑物角点的识别精度，提高高空间分辨率影像中建筑物等人工目标的信息提取率。

说明书

技术领域

本发明涉及高分遥感影像识别领域，特别涉及一种高空间分辨率光学影像建筑物角点的识别与提取的方法。

背景技术

高分遥感影像中建筑物的提取与形状标绘是未来智慧城市构建的关键因素，而在建筑物的提取过程中，建筑物角点识别是重要一环。近年来，卫星遥感影像的空间分辨率已经达到了亚米级，而从统计学理论发展起来的支持向量机在模式识别与分类领域也取得了很好的推广应用，各学科之间的融合与计算机算法技术飞速发展，为建筑物角点的识别提供了新的研究手段。

遥感技术日趋成熟，应用的领域不断扩大，但高分遥感影像的计算机解译与判读技术，却与实际应用的需求还有较大差距。高空间分辨率遥感影像中的建筑物识别提取是遥感应用与摄影测量以及计算机视觉等领域的前沿课题，有着十分重要的理论意义和应用市场价值。遥感影像建筑物角点的识别技术是遥感影像建筑物自动解译与信息提取的核心技术，因此，对遥感影像建筑物角点的识别研究是关键。本专利通过SVM模式识别与分类方法，识别提取建筑物的角点点集。由于采用结构风险最小化准则，该方法具有强大的非线性和高维处理能力，同时在使训练样本分类误差极小化的同时尽量提高分类器的泛化能力，进而提高建筑物角点识别的精度。

发明内容

本发明的目的是提供一种高分辨率遥感影像中建筑物角点识别提取方法，能够使高分辨率遥感影像中建筑物的角点识别并提取出来。

具体步骤为：

(1)根据获得的高分辨率遥感影像和对应的DEM图，先通过正射校正处理，使得校正后的遥感影像含有高程信息。

(2)通过NDVI(Normalized Difference Vegetation Index归一化差分植被指数)使高分辨率遥感影像中的植被从图像中分离出来，以提高以下步骤(3)的分类精度。

(3)对校正后的高分辨率遥感影像进行区域分类，分类结果为“建筑物块”和“非建筑物块”分区两部分。通过二进制支持向量机分类方法，这一过程能通过matlab或IDL等图像矩阵处理编程工具实现。在SVM分类过程中，用灰度值做特征向量。在进行SVM分类时，一次检测一个建筑物区域，使检测到的“建筑物块”用整数矩阵的形式表示出来，非建筑物区域像素值则全部设置为0。这样可以有效减少不相关对象的干扰性，可以提高步骤(7)的分类精度。

(4)对“建筑物块”分区用candy算子进行边缘特征提取，提取结果为长短不一的线段集合。根据坎尼(candy)提出的判断边缘检测算子的三个准则，利用泛函数求导的方法可导出一个由边缘定位精度和信噪比乘积组成的表达式,则可以根据信噪比准则、定位精度准则、单边缘响应准则这三个准则用candy算子进行边缘提取。

(5)对candy算子提取的线段，通过hough变换获得相对应的正交线段，先将每一个像素定义成为一个参数空间，而待检测的直线则定义为在参数空间的局部极大值，将检测到的直线之间的交点按照一定顺序编码输出，制成建筑物节点点集结构图。

(6)从步骤(5)中的建筑物节点点集结构图中随机选择部分点作为SVM训练的样本点，根据高分辨率遥感影像中建筑物的特征信息，结合专家经验，综合选择建筑物角点的灰度值D，阴影S，高程值H，角点对应影像上像素点的R,G,B值作为分类特征，能得到每个角点的特征向量x_i＝[D>T,针对不同的高分辨率遥感影像图的信息，能选择不同的特征向量，也能根据需要选择不同数量的特征向量。

(7)根据建筑物节点点集是非线性的特征，能通过一个非线性函数φ(·)将样本点的特征向量数据x_i映射到一个高维线性特征空间，给定建筑物节点的样本集(x_i,y_i)，其中i＝1,2,...,n,n为样本数，x_i∈R^d为建筑物角点样本的特征向量，y_i∈(-1,1)为特征向量的分类标识，分别表示非建筑物角点和建筑物角点。在这个高维线性空间中构造最优分类超平面。

(8)根据步骤(7)构造的最优分类超平面，构造出决策函数，本发明采用Gauss径向基核函数K(x_i,x)＝exp(-||x-x_i||²/2σ²)将特征向量映射到高维线性特征空间，为了提高样本点的分类精度，最简单的策略就是选择尽可能小的参数，但这样的结果就是增加计算时间成本，容易产生过拟合，使超平面的泛化能力下降。本发明通过梯度下降法确定核参数σ，梯度下降法的基本思想是，首先对参数设置一个很小的初值及迭代步长，然后不断试验直到能达到预先想要的分类效果，这时的取值即为参数的值。

(9)解决最优分类超平面的二次规划问题，能通过拉格朗日乘子法求解。根据Karush-Kuhn-Tueher条件(简称KKT条件)知，在最优点，拉格朗日乘子与约束的积为0,能由此判别α是否为最优。

(10)根据以上支持向量机对偶式及其约束条件解二次优化问题，能得到k(k-1)/2个决策函数用“一对一”方法解决建筑物节点点集分类问题，最后得到训练模型。

(11)用得到的训练模型对测试数据进行分类，将建筑物角点标记为+1，非建筑物角点标记为-1。将测试结果保存在[-1，1]区间内，结果为1所对应的点即为建筑物角点。

本发明的特点为：

1、选择选择相应的特征向量，根据不同的特征向量选择训练样本点，在构建不同的分类器训练模型时，可以根据需要选择不同类型、不同数量的特征向量，以提高分类器的泛化能力。

2、综合运用SVM，hough变换，边缘检测等方法对光学影像建筑物角点进行识别与提取，这种方法可以层层排除掉不相关信息，极大的提高精度。

3、先通过正射校正和NDVI综合作用的结果，达到去噪的目的，去除掉部分不相关信息，以提高后续步骤的精度。

4、使用2次SVM分类方法，并且通过MATLAB编程等实现。SVM是基于统计学理论基础上发展起来的，具有较高数学和理论基础的模式识别方法，开创光学影像建筑物的角点识别新方法，也极大的提高了光学影像建筑物的角点识别的精度。

本发明基于SVM的结构风险最小化原则，将SVM与hough变换和边缘检测等方法综合应用到高分辨率遥感影像中建筑物的角点识别与提取，这不仅为该领域的技术发展提供了新思路新方法，也极大的提高了对光学影像中建筑物角点提取的精度，使得曾经日积月累的遥感影像从数据灾难变成了数据宝地，有很深刻的探索空间和研究价值。

附图说明

图1是本发明基于SVM的高分辨率光学影像建筑物角点识别方法的原理图。

图2是本发明基于SVM的高分辨率光学影像建筑物角点识别方法的技术流程图。

具体实施方式

下面结合具体实施例对本发明做详细说明，以下实施例有助于本领域的技术人员更好的理解本发明。应当指出的是，本领域内的其他技术人员在不脱离于本发明和实例的基础上演变而来的其他实例，都属于本发明的保护范围。

实施例：

(1)通过ENVI、Erdas遥感影像数字处理软件对获得的高分辨率遥感影像和对应的DEM图进行正射校正处理，获得校正后的含有高程信息的高分辨率遥感影像。

(2)由于植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，根据这一特性将植被水体从影像中先分离出来，以提高分类精度。因此通过NDVI(Normalized Difference Vegetation Index归一化差分植被指数)使高分辨率遥感影像中的植被从影像中分离出来，用以提高以下步骤(3)的分类精度。其中NIR为近红外波段的反射值，R为红光波段的反射值。

NDVI＝(NIR-R)/(NIR+R) (-1<＝NDVI<＝1) (1)

NDVI为负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。

(3)对校正后的高分辨率遥感影像进行区域分类，分类结果为“建筑物块”和“非建筑物块”分区两部分。通过二进制支持向量机分类方法，这一过程能通过matlab或IDL等影像矩阵处理编程工具实现。在SVM分类过程中，用灰度值做特征向量。在进行SVM分类时，一次检测一个建筑物区域，使检测到的“建筑物块”用整数矩阵的形式表示出来，非建筑物区域像素值则全部设置为0。这样能有效减少不相关对象的干扰性，能提高步骤[7]的分类精度。

(4)对“建筑物块”分区用candy算子进行边缘特征提取，提取结果为长短不一的线段集合。根据坎尼(candy)提出的判断边缘检测算子的三个准则，利用泛函数求导的方法能导出一个由边缘定位精度和信噪比乘积组成的表达式,则根据这三个准则用candy算子进行边缘提取：

①信噪比准则。信噪比越大,提取边缘的质量越高。这里信噪比SNR定义为:

其中G(x)代表边缘函数,h(x)代表带宽为w的滤波器的脉冲响应。σ代表高斯噪声的均方差。

②定位精度准则。边缘定位精度L如下定义:

其中G'(x)和万(x)代表G(x)和h(x)的导数。L越大表明定位精度越高。

③单边缘响应准则。要保证对单边缘只有一个响应,检测算子的脉冲响应导数的零交叉点平均距离D_ZCU(f')应满足h'(x)为h(x)的二阶导数)：

(5)对candy算子提取的线段，通过hough变换获得相对应的正交线段，将正交线段的交点按照顺序编码，制成建筑物节点点集结构图。先将每一个像素定义成为一个参数空间，而待检测的直线则定义为在参数空间的局部极大值，该直线通过下面的公式导出：ρ＝xcosθ+ysinθ每一条参数化(θ，ρ)直线在影像空间都与交点相关。将上述参数化的直线的交点按照一定顺序编码输出，为建筑物节点点集结构图。

(6)从步骤(5)中的建筑物节点点集结构图中随机选择部分点作为SVM训练的样本点，训练SVM的泛化能力，最后得到分类器训练模型。训练模型构建过程如下：

(I)根据高分辨率遥感影像中建筑物的特征信息，结合专家经验，综合选择建筑物角点的灰度值D，阴影S，高程值H，角点对应影像上像素点的R,G,B值作为分类特征，得到每个角点的特征向量x_i＝[D>T,针对不同的高分辨率遥感影像图的信息，能选择不同的特征向量值。

(II)由于建筑物节点点集是非线性的，通过一个非线性函数φ(·)将样本点的特征向量数据x_i映射到一个高维线性特征空间，给定建筑物节点的样本集(x_i,y_i)，其中i＝1,2,...,n,n为样本数，x_i∈R^d为建筑物角点样本的特征向量，y_i∈(-1,1)为特征向量的分类标识，分别表示非建筑物角点和建筑物角点。在这个高维线性空间中构造最优分类超平面：

ω·φ(x)+b＝0 (5)

式中的ω∈R^(d),b∈R^(d)都进行了规范化。该分类超平面可以最大间隔的将{(x_i,yi)|x_i∈R^d,y_i＝-1,i＝1,2....,m₁}和{(x_j,y_j)|x_j∈R^d,y_j＝1,j＝1,2....,m₂}分开，m₁和m₂分别表示非建筑物角点和建筑物角点。

(III)sign(·)为符号函数。构造决策函数:

由于建筑物角点的点集线性不可分，需引入非负松驰变量ξ_i,i＝1,2,...,l,其中C为惩罚参数，C越大表示对错误分类的惩罚越大。则最优分类超平面问题可以描述为：

(IV)采用拉格朗日乘子法求解这个二次规划问题，即

其中，α_i,β_i为拉格朗日乘子0≤α_i,0≤β_i，由此得到

(V)将(8)(9)(10)带入(7)得到对偶最优化问题：

其中K(x_i,x_j)＝φ(x_i)·φ(x_j)为核函数。本实施例采用Gauss径向基核函数K(x_i,x)＝exp(-||x-x_i||²/2σ²)将特征向量映射到高维线性特征空间，为了提高样本点的分类精度，最简单的策略就是选择尽可能小的参数，但这样的结果就是增加计算时间成本，容易产生过拟合，使超平面的泛化能力下降。因此，合理选择核函数参数显得尤为重要。本发明通过梯度下降法确定核参数σ，梯度下降法的基本思想是，首先对参数设置一个很小的初值及迭代步长，然后不断试验直到能达到预先想要的分类效果，这时的取值即为参数的值。

具体算法为:

①置σ的初始值(一般这个值很小)；

②由分类错误率或者是错误率上界的梯度，计算参数的迭代步长dσ，然后进行迭代；

③当满足预设的迭代错误率时停止迭代，否则重复②。

(VI)由式(12)得决策函数和参数b分别为

其中N_NSV为标准支持向量数，JN为标准支持向量的集合,J为支持向量的集合。

(VII)根据Karush-Kuhn-Tueher条件(简称KKT条件)知，在最优点，拉格朗日乘子与约束的积为0,即

由于KKT条件是充要条件，利用式(15)可判别α是否为最优。

由式(12)～(14)知，尽管通过非线性函数将建筑物角点的样本数据映射到高维的特征空间，并在特征空间中构造最优分类超平面，但在求解最优化问题和计算决策函数时并不需要显式计算该非线性函数，而只需计算核函数，从而避免特征空间维数灾难问题。常见的核函数有线性函数K(x_i,x)＝x_i·x，多项式函数K(x_i,x)＝(x_i·x+1)^d，径向基函数K(x_i,x)＝exp(-||x-x_i||²/2σ²)，多层感知器函数K(x_i,x)＝tanh(kx_i·x+θ)等。

根据以上支持向量机对偶式及其约束条件解二次优化问题，能得到k(k-1)/2个决策函数用“一对一”方法解决建筑物节点点集分类问题，最后得到训练模型。

(7)用得到的训练模型对测试数据进行分类，将建筑物角点标记为+1，非建筑物角点标记为-1。将测试结果保存在[-1，1]区间内，结果为1所对应的点即为建筑物角点。

(8)通过以上实施例的详细步骤，对卫星遥感影像进行建筑物的提取及形状标绘。