[发明专利]一种基于学习矢量量化算法的建筑物侧面信息提取方法

权利要求书

1.一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

2.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

3.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

4.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

5.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

6.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

7.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

8.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。

9.根据权利要求1所述的一种基于学习矢量量化算法的建筑物侧面信息提取方法，其特征在于：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。