基于回归学习的景象匹配区选取方法
【专利摘要】本发明涉及景象匹配导航【技术领域】，提供了一种基于回归学习的景象匹配区选取方法，该方法先定义了10个空域图像适配性特征和2个频域图像适配性特征，组合这12种适配特征构成图像特征向量，用最小二乘支持向量回归机对图像特征向量进行训练，构造图像特征向量与图像匹配概率之间的回归模型；最后用最小二乘支持向量回归机对待提取图像进行预测，得到候选匹配区，再用频域自相关工具快速评价区域的唯一性，得到最终的景象匹配区。本发明可以从输入图像中快速找到少数纹理丰富、结构突出的候选匹配区，并在所述候选匹配区上进行唯一性验证，极大的减少了计算量，具有广泛的前景。
【专利说明】基于回归学习的景象匹配区选取方法
【技术领域】
[0001] 本发明涉及景象匹配导航【技术领域】，特别涉及一种基于回归学习的景象匹配区选 取方法。
【背景技术】
[0002] 景象匹配区选取是景象匹配的关键技术之一，是指按照一定的要求或准则在预定 飞行航迹上选取信息量大、特征明显、适配性好、大小满足基准图要求的景象图像作为景象 匹配基准图的技术。
[0003] 现有技术中，景象匹配区的选取主要采用自相关方法，该方法需先遍历计算图像 所有候选区域的自相关曲面，再根据曲面的某些特征进行区域选取。该方法计算量大，一次 处理时间通常需要几小时甚至几天，难以满足实际应用的需求。因此，研究快速可靠的景象 匹配区选取方法，提高选取过程的实时性与结果的准确性，具有重要的工程应用价值。
[0004] 国内外学者针对景象匹配区选取问题开展了探索研究，提出运用子区相似性、灰 度方差、相关长度、互相关峰特征、纹理能量比、信息熵和多分辨率自相似测度等图像描述 特征参数来选取景象匹配区。但是这些方法大多是在固定其他影响因素的条件下，研究某 个因素对试验指标的影响，从而导致景象匹配区选择准则适应性差，抗干扰性不强。近年 来，受模式识别和人工智能领域研究成果的影响，有研究人员提出了基于模式分类的匹配 区选取方法。但是，基于模式分类的匹配区选取方法中，需要人工区分训练集中的可匹配区 与不可匹配区，通常还是以传统方法通过设定分类阈值实现训练集的分类。
[0005] 基于此，现有技术确实有待于改进。
【发明内容】
[0006] 本发明需提供一种景象匹配区选取方法，以解决现有技术在进行景象匹配区选取 时需设定分类阈值实现训练集分类以及选择的景象匹配区适应性差的问题，实现景象匹配 区的快速选取。
[0007] 为了解决上述问题，本发明提供一种基于回归学习的景象匹配区选取方法，其采 用的技术方案如下：
[0008] S1、选取多个图像适配特征，组成图像特征向量，获取训练图像的图像特征向量；
[0009] S2、将所述训练图像的图像特征向量与训练图像的图像匹配概率作为训练样本， 建立最小二乘支持向量回归机模型，进而确定所述图像特征向量与图像匹配概率的关系；
[0010] S3、在进行景象匹配区选取时，在待提取图像中遍历匹配区图像窗口，得到多个匹 配区图像窗口；
[0011] S4、将所述多个匹配区图像窗口的图像特征向量分别输入到所述最小二乘支持向 量回归机模型中，得到多个匹配区图像窗口的预测匹配概率；将所述多个匹配区图像窗口 按照所述预测匹配概率从高到低的顺序进行排序，选取前N个匹配区图像窗口作为N个候 选匹配区；
[0012] S5、对所述N个候选匹配区分别进行自相关计算，得到N个唯一性指标，将N个候 选匹配区按照所述唯一性指标从大到小的顺序进行排序，选取前Μ个候选匹配区作为最终 的景象匹配区，其中，Ν > Μ彡2。
[0013] 优选的，所述步骤S1之后进一步包括：
[0014] 通过主分量分析方法对所述训练图像的图像特征向量进行降维，得到降维特征向 量；相应的，在步骤S2中，将所述降维特征向量与训练图像的图像匹配概率作为训练样本 后，执行后续流程。
[0015] 优选的，所述最小二乘支持向量回归机模型为：
[0016] 当 = wTΦ (X)+b+ep i = 1，…，η 时：
[0017]
【权利要求】
1. 一种基于回归学习的景象匹配区选取方法，其特征在于，所述方法包括： 51、 选取多个图像适配特征，组成图像特征向量，获取训练图像的图像特征向量； 52、 将所述训练图像的图像特征向量与训练图像的图像匹配概率作为训练样本，建立 最小二乘支持向量回归机模型，进而确定所述图像特征向量与图像匹配概率的关系； 53、 在进行景象匹配区选取时，在待提取图像中遍历匹配区图像窗口，得到多个匹配区 图像窗口； 54、 将所述多个匹配区图像窗口的图像特征向量分别输入到所述最小二乘支持向量回 归机模型中，得到多个匹配区图像窗口的预测匹配概率；将所述多个匹配区图像窗口按照 所述预测匹配概率从高到低的顺序进行排序，选取前N个匹配区图像窗口作为N个候选匹 配区； 55、 对所述N个候选匹配区分别进行自相关计算，得到N个唯一性指标，将N个候选匹 配区按照所述唯一性指标从大到小的顺序进行排序，选取前M个候选匹配区作为最终的景 象匹配区，其中，N>M彡2。
2. 如权利要求1所述的基于回归学习的景象匹配区选取方法，其特征在于，所述步骤 Sl之后进一步包括： 通过主分量分析方法对所述训练图像的图像特征向量进行降维，得到降维特征向量； 相应的，在步骤S2中，将所述降维特征向量与训练图像的图像匹配概率作为训练样本 后，执行后续流程。
3. 如权利要求2所述的基于回归学习的景象匹配区选取方法，其特征在于，所述最小 二乘支持向量回归机模型为： 当Yi =wT4) (xj+b+e"i=1，…，n时：
其中，Xi与yi构成训练样本集，Xi为最小二乘支持向量回归机模型的输 入，表示第i个训练样本的图像特征向量，yi为最小二乘支持向量回归机模型的输出，表示 第i个训练样本的图像匹配概率，n是训练样本个数； 小（?）为输入空间到高维特征空间的非线性映射；w为权向量，表示最小二乘支持向量 回归机模型的复杂度，Wt是w转置矩阵，ei是第i个训练样本的误差，Y是正则化参数；
式中，Ky =K+Y-1In,K=K(Xi,Xj) = 4) (Xi)T(Hxj)，K(Xi,Xj)为核函数，:^是]!※]! 单位矩阵，的逆矩阵；y= [yi，…，yn]T，ln= [1，…，1]T是nXl矩阵，1；；是1"的 转置矩阵。
4. 如权利要求3所述的基于回归学习的景象匹配区选取方法，其特征在于，所述图像 特征向量与图像匹配概率的关系为：
其中，
5. 如权利要求4所述的基于回归学习的景象匹配区选取方法，其特征在于，所述核函 数为线性核函数、多项式核函数、Sigmoid核函数和高斯核函数的任一种。
6. 如权利要求1-5任一项所述的基于回归学习的景象匹配区选取方法，其特征在于， 所述步骤S2进一步包括： 将所述训练图像的图像特征向量与训练图像的图像匹配概率作为训练样本，选择多个 不同的核函数，建立多个候选最小二乘支持向量回归机模型； 将测试图像的图像特征向量分别输入到多个候选最小二乘支持向量回归机模型中，得 到测试图像的多个预测匹配概率； 分别计算所述测试图像的图像匹配概率与多个预测匹配概率之间的相关系数，选取相 关系数最大的候选最小二乘支持向量回归机模型作为最终的最小二乘支持向量回归机模 型，并执行后续流程。
7. 如权利要求6所述的基于回归学习的景象匹配区选取方法，其特征在于，所述步骤 S5中的唯一性指标U为：
其中，m为候选匹配区中用到的实时图数目，Pi为第i幅实时图在该候选匹配区相关曲 面上的次主峰比，实时图是自定义的候选匹配区的图像窗口。
8. 如权利要求1所述的基于回归学习的景象匹配区选取方法，其特征在于，所述多个 图像适配特征包括空域图像适配性特征和频域图像适配特征，具体的： 所述空域图像适配性特征包括全图标准差、绝对值粗糙度、边缘密度、边缘密度标准 差、零交叉密度、图像信息熵、分形布朗模型的分形维数、最小局部标准差、Frieden灰度熵 和梯度强度均值； 所述频域图像适配性特征包括：高频信息比和最小局部高频信息。
【文档编号】G06K9/62GK104268565SQ201410473130
【公开日】2015年1月7日 申请日期:2014年9月5日 优先权日:2014年9月5日
【发明者】涂国勇, 周韶斌, 伞景辉, 李壮, 李伟建, 王国华, 李昕磊, 王震, 马向斌 申请人:中国人民解放军63620部队