【技术实现步骤摘要】
一种基于支持向量回归的SAR图像适配性预测方法
本专利技术属于机器学习、模式识别、匹配模板
,具体涉及一种基于支持向量回归的合成孔径雷达(SyntheticApertureRadar,SAR)图像适配性预测方法,该方法在考虑SAR成像特性以及强度结构纹理特征的基础上,实现了对SAR图像的适配性能预测,通过本方法得到的适配性能预测结果准确有效。
技术介绍
SAR景象匹配子区的选择是景象匹配的核心技术,主要是对SAR景象匹配区域的匹配定位性能(即适配性)进行分析、评估、预测,从而确定所选匹配子区是否适合匹配。目前为止,匹配区的选择尚无成熟方案,大部分任务是通过人工完成的,通常难以进行科学的分析,人工估计所选匹配子区的适配性能,很难满足实际应用的需求。并且目前为止,还没有一种对匹配区选取作出定量的、概率预测的方法。在匹配子区的选择上,国内外学者进行了大量的研究,提出的主要方法有运用景象匹配子区的相似性、相关长度、灰度方差、互相关峰值特征、信息熵、纹理能量比、和多分辨率自相似测度等图像描述的特征参数来选择景象匹配子区。但是这些方法仅考虑单个因素对匹配性能的影响而在实验时将其它指标固定,缺少考虑这些因素的相关性,导致了景象匹配子区选择准则适应性不强,抗干扰性差。在现有公开的文献中,关于SAR图像适配性能预测的方法尚未形成成熟的解决方案,并在工程实践中应用,也没有对SAR图像适配性作出定量的、概率预测的方案。
技术实现思路
本专利技术针对SAR景象匹配系统中对SAR图像适配性能评估问题,提出一种基于支持向量回归机的SAR图像适配性能预测方法,具体包括:(1)提取SA ...
【技术保护点】
一种基于支持向量回归的SAR图像适配性预测方法,其特征在于,所述方法包括:(1)提取SAR训练图像的明暗目标密度和结构显著强度特征,由特征集合和给定的正负类别属性构成每个SAR图像对应的样本信息,所有SAR训练图像对应的样本信息构成学习集;(2)将学习集中的特征数据进行预处理,即对学习集中的特征数据的每两维特征去除耦合关系,并对去除耦合关系后的特征按维度特征归一化;(3)将数据预处理后的学习集分为学习集L1和学习集L2,使用学习集L1中的样本训练支持向量机,得到正/负两类属性样本的SVM分类器模型、以及正/负两类样本特征的高斯分布特性;用学习集L2样本测试分类器性能,统计每个样本通过SVM分类器模型分类之后的类别属性,根据给定的正负类别属性信息,计算学习集L1中正/负样本类心特征属于正/负样本的概率P+、P‑;(4)利用学习集L1正/负样本类心特征和其对应的属于正/负样本的概率、以及学习集L1中正/负两类样本每个维度特征的高斯分布特性,得到学习集各个样本每维特征属于正/负样本概率的映射关系,由此计算出每个学习集L2样本各个维度特征属于正/负类别的概率pj+、pj‑,继而计算出学习集L2 ...
【技术特征摘要】
1.一种基于支持向量回归的SAR图像适配性预测方法,其特征在于,所述方法包括:(1)提取SAR训练图像的明暗目标密度和结构显著强度特征,由特征集合和给定的正负类别属性构成每个SAR图像对应的样本信息,所有SAR训练图像对应的样本信息构成学习集;(2)将学习集中的特征数据进行预处理,即对学习集中的特征数据的每两维特征去除耦合关系,并对去除耦合关系后的特征按维度特征归一化;(3)将数据预处理后的学习集分为学习集L1和学习集L2,使用学习集L1中的样本训练支持向量机,得到正/负两类属性样本的SVM分类器模型、以及正/负两类样本特征的高斯分布特性;用学习集L2样本测试分类器性能,统计每个样本通过SVM分类器模型分类之后的类别属性,根据给定的正负类别属性信息,计算学习集L1中正/负样本类心特征属于正/负样本的概率P+、P-;(4)利用学习集L1正/负样本类心特征和其对应的属于正/负样本的概率、以及学习集L1中正/负两类样本每个维度特征的高斯分布特性,得到学习集各个样本每维特征属于正/负样本概率的映射关系,由此计算出每个学习集L2样本各个维度特征属于正/负类别的概率pj+、pj-,继而计算出学习集L2样本中各个维度特征的适配率pj_match,其中,j表示特征向量的维数序号,其取值为1至m,m表示样本特征向量的维数;(5)通过控制变量法和对应的SVM模型分类学习集L2的分类正确率P(j,k),计算学习集L2各个维度特征对适配性的灵敏度,其中,k表示第j维特征向量中各个元素的值,k依次从0,0.1,0.2…1.0变化;(6)根据步骤(4)得到的学习集L2各个维度特征适配率和步骤(5)得到的学习集L2样本各个维度特征的灵敏度,计算得到学习集L2样本的适配率;学习集L2样本适配率和其各个维度特征信息构成学习集L2新的样本信息;(7)由步骤(6)得到的新的学习集L2样本信息,拟合回归得到图像适配性预测函数模型;(8)对于待评估SAR图像,依照步骤(1)(2)的方法,提取待评估SAR图像对应的特征并且进行数据预处理,处理后的数据通过步骤(7)的适配性预测模型预测出待评估SAR图像的适配率。2.如权利要求1所述的方法,其特征在于,所述步骤(2)中对学习集中的特征数据的每两维特征去除耦合关系具体为:设特征矩阵Z={Z1,Z2,...,Zm}表示学习集的m维特征,基准向量为b0=(1,0,...,0)T,令...则b1,b2,…,bm两两正交,成为正交向量组,将其单位化得矩阵X,其中X={X1,X2,…,Xm},n为总的样本数;。3.如权利要求1或2所述的方法,其特征在于,所述步骤(2)中对去除耦合关系后的特征按维度特征归一化具体为:设样本i第j维特征xij归一化后为yij,则x→y的映射关系如下:[ymin,ymax]为设定的归一化区间,xmax=max(x1j,x2j,…xnj)T,xmin=min(x1j,x2j,…xnj)T;则归一化后的样本集特征矩阵为其中,ynm表示归一化后第n个样本的第m维特征向量值。4.如权利要求1或2所述的方法,其特征在于,所述步骤(3)中计算学习集L1正/负样本类心特征属于正负样本的概率P+、P-,具体为:设学习集L2带正属性样本的数量为n1,带负属性样本的数量为n2,经学习集L1训练的SVM分类器分类后,有k1个正属性样本被分为负样本,有k2个负属性样本被分为正样本,定义学习集L1正样本类心的特征为n表示总的样本数,学习集L1负样本类心的特征为其中,xi+、xi-分别为学习集L1正负样本的特征,则学习集L1正/负样本类心特征属于正负样本概率P+、P-为:5.如权利要求1或2所述的方法,其特征在于,所述步骤(4)中按照如下方式得到学习集L2样本各个维度特征的适配率:(4.1)L2样本每一维特征属于正样本的概率pj+;设L1正属性样本类心的均值特征为对应的属于正样本概率为P+,其中xi+=(xi1,xi2,…xij)为正样本,样本特征服从高斯分布x+~N(μ+,σ+2);假定学习集样本特征和其属于正样本的概率呈映射关系,根据正样本高斯分布,可得L2样本第j维特征属于正样本概率pj+为:
【专利技术属性】
技术研发人员:杨卫东,王梓鉴,曹治国,邹腊梅,桑农,刘婧婷,张洁,刘晓,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。