[发明专利]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。

主权项

1.一种基于SVM的高分辨率光学影像建筑物角点识别方法，其特征在于具体步骤为：(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；(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，这一过程通过matlab或IDL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；(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；根据坎尼即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，可得到每个角点的特征向量x_i＝[D S H R G B]^T,针对不同的高分辨率遥感影像图的信息，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，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，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，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，通过拉格朗日乘子法求解；根据Karush‑Kuhn‑Tueher条件，在最优点，拉格朗日乘子与约束的积为0,由此判别拉格朗日乘子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，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。