[发明专利]一种基于学习的图像配准自动检验方法

权利要求书

1.一种基于机器学习的图像配准自动检验方法，其特征在于：图像配准自动检验步骤如下：

采用相位相关图作为样本数据；

利用相位相关图构造特征数据；

设计分类器对特征数据进行分类，根据分类结果进行配准检验。

2.按权利要求1所述的基于机器学习的图像配准自动检验方法，其特征在于：所述的采用相位相关图作为样本数据，是采用基于Fourier-Mellin变换图像配准算法中第二步相位相关算法中的相关值作为原始的样本数据。

3.按权利要求1所述的基于机器学习的图像配准自动检验方法，其特征在于：所述的构造特征数据，是根据基于Fourier-Mellin变换图像配准算法中第二步相位相关算法中最大的前n个相关值的大小和分布来构造特征数据。

4.按权利要求3所述的基于机器学习的图像配准自动检验方法，其特征在于：所述的构造特征数据，其第一种特征数据构造方式为：提取第二步相位相关算法中所有相关值II中的前n个最大值按从大到小顺序组成n维特征数据，如果这些相关值位于以最大相关值为中心一定大小的邻域内，则保留这些相关值，如果这些相关值位置偏离这个区域，则将相应的相关值置为0。

5.按权利要求3所述的基于机器学习的图像配准自动检验方法，其特征在于：所述的构造特征数据，其第二种特征数据构造方式为：将利用第一种特征数据构造方式构造的特征数据，经过主分量分析进行降维处理，即构成了第二种特征数据。

6.按权利要求1所述的基于机器学习的图像配准自动检验方法，其特征在于：所述分类器设计，分类器模型采用支持向量机，相应的核函数为高斯函数。

7.按权利要求4和6中所述的特征数据构造方式和分类器设计，其特征在于：所述特征数据，最终选择的前n个最大相关值中，n＝6，相应的特征向量个数为17。

8.按权利要求5和6中所述的基于机器学习的图像配准自动检验方法，其特征在于：所述特征数据，最终选择的前n个最大相关值中，n＝2，相应的特征向量个数为13。

9.按权利要求6所述的基于机器学习的图像配准自动检验方法，其特征在于：所采用的高斯核函数中，参数σ²的取值范围为0.01～0.1。