[发明专利]一种基于支持向量机的景象适配性分析方法

说明书

一种基于支持向量机的景象适配性分析方法，包括以下步骤：S1:图像特征选择,S2：样本生成；S3：SVM模型训练及输出；S4：应用SVM模型进行适配性分析。本发明不仅可用于优化制导方案和匹配定位算法设计，还可应用于制导任务规划，有助于武器性能发挥最大化，具有良好的经济效益和军事效益。

技术领域

本发明涉及一种图像适配性分析方法，特别是一种基于支持向量机的景象适配性分析方法。

背景技术

雷达景象匹配定位导引头通过匹配导弹飞行时拍摄的雷达实时图像和准备好的目标基准图像来辅助导航，实现对目标的精准定位。基准图的适配性是除了匹配算法的性能外影响匹配精度的重要因素。在作战任务规划时通过对基准图像进行适配性分析提高正确匹配概率尤为重要。

目前景象匹配区的选择主要靠人工选取。但当景象匹配数据量大时，人工选取匹配区工作量大，速度慢，而且受操作人的知识水平、经验等主观因素的影响，往往难以找出令人满意的匹配区。现有的自动选取方法往往是遵循景象信息丰富性、稳定性、唯一性、显著性四个原则，根据基准图和高程图的特征参数来分析匹配区选取问题，但每一项特征指标往往只能反映图像适配性能的某一方面，没有综合系统地考虑各种因素对匹配区选择的影响，所以导致景象匹配区选择模型的普适性较差。

发明内容

本发明提供一种基于支持向量机的景象适配性分析方法，解决现有景象适配区自动选择方法普适性差，以及适配区分析准则参数较多难以根据单一特征参数线性划分的问题。

所述技术方案为：结合SAR景象匹配算法使用的景象特征信息，提取与匹配算法性能密切相关的特征参数，通过支持向量机方法进行学习与训练，建立适配区分析模型。

一种基于支持向量机的景象适配性分析方法，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，基于所述归一化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。

所述步骤S1，通过基于SVM的FilterWrapper特征选择方法进行特征选择；首先利用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。

所述步骤S2中，所述训练样本中正负样本比例为1:1。