[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

说明书

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。

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；