[发明专利]一种基于支持向量回归的SAR图像适配性预测方法

摘要

本发明公开了一种基于支持向量回归的雷达图像适配性预测方法。所述方法包括学习阶段，提取SAR图像多维特征构成学习集；对学习集样本特征预处理后，将其分为学习集L1、L2，然后用学习集L1训练支持向量机，并用得到的SVM模型对学习集L2进行分类，根据分类正确率、样本特征和类心之间的距离计算各样本的适配率；之后利用学习集特征及其相应的适配率，拟合回归得到适配性预测函数模型；预测阶段，对待评估的SAR图像，提取对应特征作为测试样本数据，数据预处理后输入适配性预测函数模型，计算出该图像的适配率。本发明根据SAR图像的强度及纹理结构特征，建立起SAR图像适配率和特征信息之间的函数关系，通过实验验证了该方法能准确评估SAR图像的匹配性能。

主权项

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L2，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L2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L1中正/负样本类心特征属于正/负样本的概率P+、P‑；(4)利用学习集L1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L1中正/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L2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样本中各个维度特征的适配率pj_match，其中，j表示特征向量的维数序号，其取值为1至m,m表示样本特征向量的维数；(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，其中，k表示第j维特征向量中各个元素的值,k依次从0,0.1,0.2…1.0变化；(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L2样本的适配率；学习集L2样本适配率和其各个维度特征信息构成学习集L2新的样本信息；(7)由步骤(6)得到的新的学习集L2样本信息，拟合回归得到图像适配性预测函数模型；(8)对于待评估SAR图像，依照步骤(1)(2)的方法，提取待评估SAR图像对应的特征并且进行数据预处理，处理后的数据通过步骤(7)的适配性预测模型预测出待评估SAR图像的适配率。