[发明专利]一种基于支持向量机的景象适配性分析方法

权利要求书

1.一种基于支持向量机的景象适配性分析方法，其特征在于，包括以下步骤：

S1:图像特征选择,

选择DEM方差、DEM极差、Sobel边缘密度、OTSU面目标密度、图像均值矩阵方差作为图像特征；

S2：样本生成；

选择多种地形的雷达图像作为样本基础图像，将所述基础图像按网格形式划分生成匹配子区图像集合，该匹配子区图像集合作为样本集合，剔除其中无效样本，使有效样本中训练样本和测试样本的比例为2比1；

S3：SVM模型训练及输出；具体包括

S31：构建样本特征向量；计算所述有效样本的所述图像特征，作为有效样本的特征向量；

S32：SVM分类类别属性的确定；对有效样本进行上下行影像匹配，匹配结果作为所述类别属性值；

S33：将特征向量进行归一化处理；

S34：SVM模型训练；核函数选择多项式核函数，基于归一化后的特征向量和类别属性值，利用5折交叉验证搜索SVM算法的最佳参数；

S35：输出SVM模型，生成SVM模型文件；

S4：应用SVM模型进行适配性分析；

读取所述SVM模型文件，获取模型参数，将模型参数和待分析样本的特征向量代入决策函数，结果为1则表示图像可适配，-1则表示图像不可适配；该决策函数为：

f(x)=sgn(a_i^*y_i K(x,x_i)+b^*)

其中x为待分析样本的特征向量，b^*值是决策函数的偏置值，x_i与a_i^*值分别为支持向量中的特征向量和对应的拉格朗日乘子；y_i为与x_i对应的样本类别属性值，sgn表示符号函数，K(x,x_i)为核函数,i表示支持向量的序号，l为支持向量个数。

2.根据权利要求1所述的基于支持向量机的景象适配性分析方法，其特征在于，所述步骤S1，通过基于SVM的FilterWrapper特征选择方法进行特征选择；首先通过Filter特征选择方法选择初始图像特征为上下行影像匹配系数、上下行影像匹配偏差、6个尺度的Horris角点响应值、Sobel边缘密度、Canny边缘密度、VOM均值矩阵方差、OTSU面目标密度、DEM方差、DEM极差，然后采用Wrapper特征选择方法从所述初始图像特征选出利于分类的所述图像特征。

3.根据权利要求1所述的基于支持向量机的景象适配性分析方法，其特征在于，所述步骤S2中，所述训练样本中正负样本比例为1:1。

4.根据权利要求1所述的基于支持向量机的景象适配性分析方法，其特征在于，所述步骤S32中，上下行影像匹配准则为：上下行影像匹配误差小于10像素且相关系数大于0.03；若两者同时满足则类别属性值设为1，否则类别属性值设为0。

5.根据权利要求1所述的基于支持向量机的景象适配性分析方法，其特征在于，所述步骤S33中，所述归一化按照特征向量的每一维进行，即如果有N个训练样本，对特征向量的第i维归一化，N个样本中的第i维的最小值为0或-1，N个样本中的第i维的最大值为1。