MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度, 提出了一种基于中值稳健扩展局部二值模式（median robust extended local binary pattern, MRELBP）、Franklin矩和布谷鸟优化支持向量机（support vector machine, SVM）的分类方法。首先, 通过MRELBP特征算子计算图像块的纹理特征向量, 并根据Franklin矩得到形状特征向量, 组合图像块的纹理特征向量和形状特征向量得到综合特征向量; 然后, 利用训练样本对SVM进行训练, 同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化; 最后, 通过训练好的SVM得到建筑...

Full description

Saved in:
Bibliographic Details
Published in:Ce hui xue bao 2020-03, Vol.49 (3), p.355
Main Authors: 周建伟, 吴一全
Format: Article
Language:chi ; eng
Subjects:
Classification
Kernel functions
Mathematical analysis
Remote sensing
Robustness
Support vector machines
Texture
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:为了进一步提高遥感图像建筑物区域的识别精度, 提出了一种基于中值稳健扩展局部二值模式（median robust extended local binary pattern, MRELBP）、Franklin矩和布谷鸟优化支持向量机（support vector machine, SVM）的分类方法。首先, 通过MRELBP特征算子计算图像块的纹理特征向量, 并根据Franklin矩得到形状特征向量, 组合图像块的纹理特征向量和形状特征向量得到综合特征向量; 然后, 利用训练样本对SVM进行训练, 同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化; 最后, 通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明, 与基于三原色（red green blue, RGB）和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比, 本文提出的方法所识别的遥感图像建筑物区域准确度更高。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2020.20190073