[发明专利]基于回归学习的景象匹配区选取方法

说明书

技术领域

本发明涉及景象匹配导航技术领域，特别涉及一种基于回归学习的景象匹配区选取方法。

背景技术

景象匹配区选取是景象匹配的关键技术之一，是指按照一定的要求或准则在预定飞行航迹上选取信息量大、特征明显、适配性好、大小满足基准图要求的景象图像作为景象匹配基准图的技术。

现有技术中，景象匹配区的选取主要采用自相关方法，该方法需先遍历计算图像所有候选区域的自相关曲面，再根据曲面的某些特征进行区域选取。该方法计算量大，一次处理时间通常需要几小时甚至几天，难以满足实际应用的需求。因此，研究快速可靠的景象匹配区选取方法，提高选取过程的实时性与结果的准确性，具有重要的工程应用价值。

国内外学者针对景象匹配区选取问题开展了探索研究，提出运用子区相似性、灰度方差、相关长度、互相关峰特征、纹理能量比、信息熵和多分辨率自相似测度等图像描述特征参数来选取景象匹配区。但是这些方法大多是在固定其他影响因素的条件下，研究某个因素对试验指标的影响，从而导致景象匹配区选择准则适应性差，抗干扰性不强。近年来，受模式识别和人工智能领域研究成果的影响，有研究人员提出了基于模式分类的匹配区选取方法。但是，基于模式分类的匹配区选取方法中，需要人工区分训练集中的可匹配区与不可匹配区，通常还是以传统方法通过设定分类阈值实现训练集的分类。

基于此，现有技术确实有待于改进。

发明内容

本发明需提供一种景象匹配区选取方法，以解决现有技术在进行景象匹配区选取时需设定分类阈值实现训练集分类以及选择的景象匹配区适应性差的问题，实现景象匹配区的快速选取。

为了解决上述问题，本发明提供一种基于回归学习的景象匹配区选取方法，其采用的技术方案如下：

S1、选取多个图像适配特征，组成图像特征向量，获取训练图像的图像特征向量；

S2、将所述训练图像的图像特征向量与训练图像的图像匹配概率作为训练样本，建立最小二乘支持向量回归机模型，进而确定所述图像特征向量与图像匹配概率的关系；

S3、在进行景象匹配区选取时，在待提取图像中遍历匹配区图像窗口，得到多个匹配区图像窗口；

S4、将所述多个匹配区图像窗口的图像特征向量分别输入到所述最小二乘支持向量回归机模型中，得到多个匹配区图像窗口的预测匹配概率；将所述多个匹配区图像窗口按照所述预测匹配概率从高到低的顺序进行排序，选取前N个匹配区图像窗口作为N个候选匹配区；

S5、对所述N个候选匹配区分别进行自相关计算，得到N个唯一性指标，将N个候选匹配区按照所述唯一性指标从大到小的顺序进行排序，选取前M个候选匹配区作为最终的景象匹配区，其中，N＞M≥2。

优选的，所述步骤S1之后进一步包括：

通过主分量分析方法对所述训练图像的图像特征向量进行降维，得到降维特征向量；相应的，在步骤S2中，将所述降维特征向量与训练图像的图像匹配概率作为训练样本后，执行后续流程。

优选的，所述最小二乘支持向量回归机模型为：

当y_i＝w^Tφ(x_i)+b+e_i，i＝1，…，n时：

minw,b,eJ(w,b,e)=12wTw+γ2Σi=1nei2]]>