一种基于支持向量回归的SAR图像适配性预测方法技术

本发明专利技术公开了一种基于支持向量回归的雷达图像适配性预测方法。所述方法包括：学习阶段，提取SAR图像多维特征构成学习集；对学习集样本特征预处理后，将其分为学习集L1、L2，然后用学习集L1训练支持向量机，并用得到的SVM模型对学习集L2进行分类，根据分类正确率、样本特征和类心之间的距离计算各样本的适配率；之后利用学习集特征及其相应的适配率，拟合回归得到适配性预测函数模型；预测阶段，对待评估的SAR图像，提取对应特征作为测试样本数据，数据预处理后输入适配性预测函数模型，计算出该图像的适配率。本发明专利技术根据SAR图像的强度及纹理结构特征，建立起SAR图像适配率和特征信息之间的函数关系，通过实验验证了该方法能准确评估SAR图像的匹配性能。

【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)将学习样本特征数据进行预处理，即对学习集中样本集数据的每两维特征去除耦合关系，并对并对去除耦合关系后的特征按维度归一化；(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、以及学习集中L1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样本各个维度特征的适配率pj_match；(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；(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的新的样本信息；(7)由步骤(5)得到的学习集L2新的样本信息，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SAR图像的各个维度特征信息并且进行数据预处理，处理后的数据通过步骤(7)的样本适配性预测模型预测出待评估SAR图像的适配率。与现有技术相比，本专利技术的技术效果体现在：在现有技术中，关于SAR图像匹配性能评估的方法尚未形成成熟的解决方案，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匹配性能，很难满足实际应用的需求。本专利技术利用训练得到支撑向量回归机模型，建立起SAR图像的适配率和特征信息之间的函数关系，预测出了SAR子区适配性能，并且将领域拓展到概率预测，使得结果更加精确。克服了人工主观评估筛选子区的缺陷，提高了稳定性，改善了筛选的SAR匹配子区的质量。本专利技术提供了一种基于支持向量回归机的SAR图像匹配性能评估方法，该方法对SAR图像提取特征，训练支撑向量机模型，再用支撑向量机分类学习样本，根据分类结果、样本高斯分布特性得到各样本的适配率，之后利用具有适配率的样本数据训练支撑向量回归机，拟合出回归预测函数模型；最后，利用函数模型评估待评估SAR图像，得到适配率。本专利技术根据SAR成像特性和子区结构强度纹理特征，综合使用了多种机器学习和模式识别方法，实现了对SAR图像的适配性预测，形成一套系统的SAR图像适配性预测方法，并将匹配区选取的领域拓展到概率预测，有效地改进了基于人工筛选的方法，提高了筛选SAR匹配子区的准确性，对SAR匹配子区选取的研究发展具有重大意义。附图说明图1为本专利技术基于SVM的SAR图像适配性方法的总体流程图；图2为本专利技术实施例中部分SAR图像；图3为本专利技术实施例中部分待评估SAR图像；图4为本专利技术实施例中预测的SAR图像适配概率预测结果图；图5本专利技术实施例中预测的适配率与对应SAR图像验证结果图，其中：图5(a)为匹配性能差的SAR图像及预测的适配率(0≤p＜0.4)；图5(b)为匹配性能适中的SAR图像及预测的适配率(0.4≤p＜0.7)；图5(c)为匹配性能强的SAR图像及预测的适配率(0.7≤p≤1)。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提供了一种基于支持向量回归机的SAR图像适配性预测方法，其总体流程如图1所示，该方法具体过程为：1学习阶段1.1数据准备阶段提取SAR图像的均匀度、散度、明暗目标密度、结构显著强度等强度及纹理结构多维特征，以及标定SAR图像与实时图匹配结果作为类别属性，多维特征和类别属性作为每个SAR图像对应的样本信息，所有SAR图像对应的样本构成样本集。本专利技术选取明暗目标密度和结构显著强度这两维特征和类别属性作为样本信息。1.1.1特征提取如图1所示，为本专利技术实施例中部分SAR训练样本图像。提取每幅SAR图像的散度，均匀度，明暗目标密度、结构显著强度等多维特征信息；均匀度r：其中，其中μ是灰度均值，σ是灰度标准差。散度div：其中，σ1分别表示灰度值小于SAR图像灰度均值μ的像素集合的标准差。相应地，σ2表示灰度值大于SAR图像灰度均值μ的像素集合的标准差。明暗目标密度：明暗目标像素点所占的比例，明目标像素点表示灰度值大于SAR图像全图灰度值2/3的点，暗目标像素点表示灰度值小于SAR图像全图灰度值1/3的点。结构显著强度：对雷达图像进行二值边缘提取，并且利用连通域标记法，去掉少像数连通域标记的噪声后，标记像素总数与图像宽高宽均值的比值。本专利技术通过实验最后选取明暗目标密度和结构显著强度这两维特征。1.1.2正负类别属性根据SAR图像和实时图匹配的结果标记每个样本的类别属性，若适合匹配，则标记为+1，为适配区样本；若不适合匹配，则标记为-1本文档来自技高网...

【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样本中各个维度特征的适配率pj_match；(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；(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。...

【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