翻译-基于SVM的景象匹配适配性预测.pdf

基于SVM的景象匹配适配性预测

摘要：在选取适配区域的大多数方法中，适配区与基准图的多测量参数间的相关

性与约束性并未得到考虑。为了克服这一缺点，我们提出了一种基于支持向量机

（SVM）的新颖的适配性预测方法。首先，我们选取基于灰度与边缘特征这两

测量参数。然后对由测量参数组成的输入特征向量进行归一化处理，而后通过径

向基核函数训练样本图像数据库。最后，我们运用决策函数来将可适配的匹配区

与不可适配的区域区分开来。由此，我们就可以预测适配性和引导景象匹配进程。

该方法的实验结果表明，这种算法不仅保留了灵活性与干扰阻力的能力，还可以

从复杂的基准图中正确的选择出可适配区域。

1.引言

景象匹配是指将一个图像区域（遥感图或者实时图）从不同传感器在不同时

间、从不同视角摄取的相应景象区域（基准图）中确定出来或找到它们之间对应

关系的一种重要的图像分析技术[1]。现在景象匹配在飞行器导航、导弹制导等

一些实时应用中得到广泛的应用。目前，许多经典的景象匹配算法已经在大量不

同的图像类型上得到发展。但是，作为景象匹配研究另一重要的组成部分，景象

匹配的适配性预测依然处在初始阶段。

一些研究已经为解决这一问题做出了努力。在文献[2]中约翰逊介绍了一种

关于景象匹配区选择的先验理论与方法。Long在文献[3]中提出一种子分区相似

性分析来描述基准图相似度。Xie通过文献[4]研究了基准图基于傅里叶频谱的相

似模版测度。Xiao与Ding在文献[5]、[6]中估计了基准图每一点的匹配可能性。

Liu在文献[7]提出运用独立像素编号与方差来选取适配区。文献[8]中，An提出了

一种运用信息熵和图像梯度求和法来评价图像适配性。Guo在文献[9]中构建了一

个平台，该平台可以选取出可适配的匹配区域。Jiang在文献[10]中提供了一种

分级方法来选取最佳的匹配区。然而在上述文献中提到的方法都是排除其他因素

影响，只针对由某一因子引起的特定影响。这些方法对于选取适配区的鲁棒性较

差。

1

有关基于多因子组合的相关工作和专家系统为我们的研究方法带来了启发。

Du在文献[11]中依据信噪比、重复模式和匹配概率来构建三维模型，但是该方法

没有考虑到边缘特征。Pang在文献[12]中基于视觉内容的自相似性预测了可匹配

性。可是，这种方法计算量十分繁重。文献[13]中Zhang构建了基于准则的专家

系统，但这这种系统的决策准则很难学习。

在本文中，我们研究了一种全新的方法，该方法运用支持向量机来预测可适

配性。同时我们不仅仅关注代表图像信息的测度参数的选择，也关注结合测度参

数来预测可适配性的决策函数。我们的研究目的是确定基准图的哪一部分更容易

被检测出，并将其作为景象匹配的候选区域，这也就被称为景象匹配的可适配性

[12]。

2.支持向量机

支持向量机（SVM）的理论基础在于统计学学习理论，它采用了结构风险

最小化准则来解决两级分类问题[14]。为了克服增加的计算复杂性以及过学习问

题，支持向量机构建了一个最大边缘超平面和支持向量。最大边缘超平面是将两

个不同的分类尽可能远的设置开来，支持向量则是物体离最大边缘超平面最近距

离。

Nny｛-1，1｝

设给定训练集{y,x}，其中xR，输出，支持向量算法旨

iii1ii

在建立一个如下分类的决策函数：

N

y(x)=sign[y(x),(x)+b]（1）

ii12

i1



其中，是正实常数，b是一个常数，表示一个非线性映射—将地图输入

i