一种基于学习矢量量化算法的建筑物侧面信息提取方法

摘要

本发明公开了一种基于学习矢量量化算法的建筑物侧面信息提取方法，构建学习矢量量化神经网络训练集；设置采样参数和特征向量；初始化权值和学习率；计算欧式距离；记录输出层神经元类标签；对类标签进行权值更新；输出侧面信息聚类结果；抽样评估准确率，本发明采用学习矢量量化算法来实现建筑物侧面信息提取方法，利用少量权向量来表示数据的拓扑结构，使LVQ算法在模式识别领域具有更广泛的应用，同时在建筑物侧面信息提取上可以快速提升提取精度，并且，只需要在不同的区域进行数据标注和模型训练，就可以完成整个区域的建筑物侧面信息提取，整体准确率高，可以快速的进行区域拓展，方便快捷推广应用，信息提取精度高。

说明书

技术领域

本发明涉及建筑物信息提取技术领域，具体为一种基于学习矢量量化算法的建筑物侧面信息提取方法。

背景技术

随着多源遥感技术的发展，现阶段可快速便捷地获取同一地区、不同时相的高分辨率遥感影像，该影像具有更高分辨率的地物信息和更丰富的地物光谱信息，利用这些信息为进行建筑物侧面信息提取提供了空间数据支撑，而学习矢量量化算法是一种结构简单、功能强大的有监督式神经网络分类方法，己经成功应用到统计学、模式识别、机器学习等多个领域，作为一种最近邻原型分类器，LVQ在训练过程中通过对神经元权向量(原型)的不断更新，对其学习率的不断调整，能够使不同类别权向量之间的边界逐步收敛至贝叶斯分类边界，算法中，对获胜神经元(最近邻权向量)的选取是通过计算输入样本和权向量之间欧氏距离的大小来判断的，LVQ 最突出的优点是其具有自适应性，它可以通过在线学习的方式获得训练样本的码本；

而目前在获取建筑物侧面信息的过程中，单一的通过高分辨率遥感影像来进行建筑物侧面信息进行提取，导致提取过程中信息提取的准确率低，同时通过聚类算法和人工提取特征信息来对建筑物侧面信息进行提取，操作繁琐，无法保证信息提取的精度，同时现有的提取方式也无法满足现下的推广应用的需求。

发明内容

本发明提供一种基于学习矢量量化算法的建筑物侧面信息提取方法，可以有效解决上述背景技术中提出目前在获取建筑物侧面信息的过程中，单一的通过高分辨率遥感影像来进行建筑物侧面信息进行提取，导致提取过程中信息提取的准确率低，同时通过聚类算法和人工提取特征信息来对建筑物侧面信息进行提取，操作繁琐，无法保证信息提取的精度，同时现有的提取方式也无法满足现下的推广应用的需求的问题。

为实现上述目的，本发明提供如下技术方案：一种基于学习矢量量化算法的建筑物侧面信息提取方法，具体包括如下提取步骤：

S1、构建学习矢量量化神经网络训练集；

S2、设置采样参数和特征向量；

S3、初始化权值和学习率；

S4、计算欧式距离；

S5、记录输出层神经元类标签；

S6、对类标签进行权值更新；

S7、输出侧面信息聚类结果；

S8、抽样评估准确率。

根据上述技术方案，所述S1中，构建学习矢量量化神经网络训练集是指对待提取信息的建筑物高分遥感影像数据进行预处理，在预处理后，对建筑物的遥感影像数据信息进行目标图像裁剪，并建立建筑物类别标注；

在类别标注时，具体将建筑物的侧面设定为前景面，而建筑物的其他面设定为背景面，同时输出单通道灰色图像作为网络训练集。

根据上述技术方案，所述S2中，设置采样参数和特征向量是指根据确定取块的像素间隔和窗口大小，循环输入原图片和标签图片，同时计算块数量，并以块为单位，计算正负样本量，然后通过样本均匀采样，来平衡正负样本量。

根据上述技术方案，所述S3中，初始化权值和学习率具体是指初始化输入层和竞争层之间的权值和学习率，输入层是直接连接到输出层，在输出层的每个节点有一个权值向量同它连接，学习的目的就是寻找权值的最优值。

根据上述技术方案，所述S4中，计算欧式距离具体是指将输入向量加入输入层，来计算竞争层神经元与输入向量的欧式距离；

欧式距离是一个通常采用的距离定义，是指在多维空间中两个点之间的真实距离，或者向量的自然长度，即该点到原点的距离，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

根据上述技术方案，所述S5中，记录输出层神经元类标签具体是指选择与输入向量距离最小的竞争层神经元，输入层的每一个神经元对应输入的一个特征，并行排列的多个神经元对应输入的多维特征向量，输入层通过权值与隐含层全互连，即输入层的每个神经元与隐含层的每个神经元都有连接，多维的特征向量和多个隐含层神经元决定了权值矩阵，每一行向量对应隐含层的一个神经元；

隐含层的多个神经元在多维的特征空间中形成分布，构成分类的类中心，而隐含层的每个神经元通过权值矩阵对应于表示最终分类的输出层神经元，记录为与之连接的输出层神经元类标签。

根据上述技术方案，所述S6中，对类标签进行权值更新是指根据输入向量对应的类标签进行权值更新，通过对训练样本数据的学习，神经网络不断调整连接权值，实现对其学习率的不断调整。

根据上述技术方案，所述S7中，输出侧面信息聚类结果具体是指在指定的学习率和迭代次数后，直道达到预设的迭代次数要求或精度要求后，输出侧面信息聚类结果。

根据上述技术方案，所述S8中，抽样评估准确率具体是指通过抽样的方式来评估LVQ学习的准确率，在评估准确率时先确定评估阙值，在准确率达到阈值要求后，在这个区域进行完整的建筑物侧面信息结果输出，以此来实现完成整个区域的建筑物侧面信息提取。

与现有技术相比，本发明的有益效果：

本发明采用学习矢量量化算法来实现建筑物侧面信息提取方法，利用少量权向量来表示数据的拓扑结构，与无监督的自组织神经网络算法相比，由于在权向量更新过程中引入了监督信号，使LVQ算法在模式识别领域具有更广泛的应用，同时在建筑物侧面信息提取上可以快速提升提取精度，并且，只需要在不同的区域进行数据标注和模型训练，就可以完成整个区域的建筑物侧面信息提取，整体准确率高，可以快速的进行区域拓展，方便快捷推广应用，信息提取精度高。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明的提取方法的步骤流程图；

图2是本发明的学习矢量量化神经网络结构图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1-2所示，本发明提供一种技术方案，一种基于学习矢量量化算法的建筑物侧面信息提取方法，具体包括如下提取步骤：

S1、构建学习矢量量化神经网络训练集；

S2、设置采样参数和特征向量；

S3、初始化权值和学习率；

S4、计算欧式距离；

S5、记录输出层神经元类标签；

S6、对类标签进行权值更新；

S7、输出侧面信息聚类结果；

S8、抽样评估准确率。

基于上述技术方案，S1中，构建学习矢量量化神经网络训练集是指对待提取信息的建筑物高分遥感影像数据进行预处理，在预处理后，对建筑物的遥感影像数据信息进行目标图像裁剪，并建立建筑物类别标注；

在类别标注时，具体将建筑物的侧面设定为前景面，而建筑物的其他面设定为背景面，同时输出单通道灰色图像作为网络训练集。

基于上述技术方案，S2中，设置采样参数和特征向量是指根据确定取块的像素间隔和窗口大小，循环输入原图片和标签图片，同时计算块数量，并以块为单位，计算正负样本量，然后通过样本均匀采样，来平衡正负样本量。

基于上述技术方案，S3中，初始化权值和学习率具体是指初始化输入层和竞争层之间的权值和学习率，输入层是直接连接到输出层，在输出层的每个节点有一个权值向量同它连接，学习的目的就是寻找权值的最优值。

基于上述技术方案，S4中，计算欧式距离具体是指将输入向量加入输入层，来计算竞争层神经元与输入向量的欧式距离；

欧式距离是一个通常采用的距离定义，是指在多维空间中两个点之间的真实距离，或者向量的自然长度，即该点到原点的距离，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

基于上述技术方案，S5中，记录输出层神经元类标签具体是指选择与输入向量距离最小的竞争层神经元，输入层的每一个神经元对应输入的一个特征，并行排列的多个神经元对应输入的多维特征向量，输入层通过权值与隐含层全互连，即输入层的每个神经元与隐含层的每个神经元都有连接，多维的特征向量和多个隐含层神经元决定了权值矩阵，每一行向量对应隐含层的一个神经元；

隐含层的多个神经元在多维的特征空间中形成分布，构成分类的类中心，而隐含层的每个神经元通过权值矩阵对应于表示最终分类的输出层神经元，记录为与之连接的输出层神经元类标签。

基于上述技术方案，S6中，对类标签进行权值更新是指根据输入向量对应的类标签进行权值更新，通过对训练样本数据的学习，神经网络不断调整连接权值，实现对其学习率的不断调整。

基于上述技术方案，S7中，输出侧面信息聚类结果具体是指在指定的学习率和迭代次数后，直道达到预设的迭代次数要求或精度要求后，输出侧面信息聚类结果。

基于上述技术方案，S8中，抽样评估准确率具体是指通过抽样的方式来评估LVQ学习的准确率，在评估准确率时先确定评估阙值，在准确率达到阈值要求后，在这个区域进行完整的建筑物侧面信息结果输出，以此来实现完成整个区域的建筑物侧面信息提取。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。