《测绘步骤学报》

(2) 邻域像素描述为

(2)

(3)

(5)

(6)

(7)

(8)

(9)

(10)

(12)

(15)

(16)

(17)

(19)

(20)

图 1 本文方法流程 Fig. 1 Flowchart of proposed method

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详细 its classification and recognition results

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 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

(22)

(23)

式中, K是图像的像素总数;n表示类别数;pit、pic和p训练in分别表示第i类别中测试样本数、正确分类像素点数分类器及详细总的像素点数。

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、植被分类器、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,训练 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MRE滤波器LBP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步骤中, 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。滤波器试验结果表明, 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svm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svm像建筑物识别方法. 测绘学报，2020，49(3)：355-364. DOI: 10.11947/j.AGCS.2020.20190073