一种基于支持向量回归的sar图像适配性预测方法
【技术领域】
[0001] 本发明属于机器学习、模式识别、匹配模板技术领域，具体涉及一种基于支持向量 回归的合成孔径雷达（Synthetic Aperture Radar, 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。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。
【发明内容】
[0005] 本发明针对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：
[0006] (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；
[0007] (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；
[0008] (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1^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L 2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L 1中正/负样本类心特征属 于正/负样本的概率P+、P」
[0009] (4)利用学习集1^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L1E /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L 2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P j matc;h;
[0010] (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；
[0011] (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L 2样本适配率；学习集L 2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；
[0012] (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；
[0013] (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。
[0014] 与现有技术相比，本发明的技术效果体现在：
[0015] 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。本发明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。
[0016] 本发明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 发明根据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】
[0017] 图1为本发明基于SVM的SAR图像适配性方法的总体流程图；
[0018] 图2为本发明实施例中部分SAR图像；
[0019] 图3为本发明实施例中部分待评估SAR图像；
[0020] 图4为本发明实施例中预测的SAR图像适配概率预测结果图；
[0021] 图5本发明实施例中预测的适配率与对应SAR图像验证结果图，其中：
[0022] 图5 (a)为匹配性能差的SAR图像及预测的适配率（0彡p < 0. 4);
[0023] 图5 (b)为匹配性能适中的SAR图像及预测的适配率（0. 4彡p < 0. 7);
[0024] 图5 (c)为匹配性能强的SAR图像及预测的适配率（0. 7彡p彡1)。
【具体实施方式】
[0025] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明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发明，并 不用于限定本发明。此外，下面所描述的本发明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。
[0026] 本发明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：
[0027] 1学习阶段
[0028] 1. 1数据准备阶段
[0029] 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。本发明选取明暗目标 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。
[0030] 1. 1. 1特征提取
[0031] 如图1所示，为本发明实施例中部分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；
[0032] 均匀度r :
[0033]
【主权项】
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L 2，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L 2样本测试分类器性能，统计每个样本通过S