翻譯 基于SVM的景象匹配適配性預(yù)測

PAGE19基于SVM的景象匹配適配性預(yù)測摘要：在選取適配區(qū)域的大多數(shù)方法中，適配區(qū)與基準(zhǔn)圖的多測量參數(shù)間的相關(guān)性與約束性并未得到考慮。為了克服這一缺點(diǎn)，我們提出了一種基于支持向量機(jī)（SVM）的新穎的適配性預(yù)測方法。首先，我們選取基于灰度與邊緣特征這兩測量參數(shù)。然后對由測量參數(shù)組成的輸入特征向量進(jìn)行歸一化處理，而后通過徑向基核函數(shù)訓(xùn)練樣本圖像數(shù)據(jù)庫。最后，我們運(yùn)用決策函數(shù)來將可適配的匹配區(qū)與不可適配的區(qū)域區(qū)分開來。由此，我們就可以預(yù)測適配性和引導(dǎo)景象匹配進(jìn)程。該方法的實(shí)驗(yàn)結(jié)果表明，這種算法不僅保留了靈活性與干擾阻力的能力，還可以從復(fù)雜的基準(zhǔn)圖中正確的選擇出可適配區(qū)域。引言景象匹配是指將一個圖像區(qū)域（遙感圖或者實(shí)時圖）從不同傳感器在不同時間、從不同視角攝取的相應(yīng)景象區(qū)域（基準(zhǔn)圖）中確定出來或找到它們之間對應(yīng)關(guān)系的一種重要的圖像分析技術(shù)[1]?，F(xiàn)在景象匹配在飛行器導(dǎo)航、導(dǎo)彈制導(dǎo)等一些實(shí)時應(yīng)用中得到廣泛的應(yīng)用。目前，許多經(jīng)典的景象匹配算法已經(jīng)在大量不同的圖像類型上得到發(fā)展。但是，作為景象匹配研究另一重要的組成部分，景象匹配的適配性預(yù)測依然處在初始階段。一些研究已經(jīng)為解決這一問題做出了努力。在文獻(xiàn)[2]中約翰遜介紹了一種關(guān)于景象匹配區(qū)選擇的先驗(yàn)理論與方法。Long在文獻(xiàn)[3]中提出一種子分區(qū)相似性分析來描述基準(zhǔn)圖相似度。Xie通過文獻(xiàn)[4]研究了基準(zhǔn)圖基于傅里葉頻譜的相似模版測度。Xiao與Ding在文獻(xiàn)[5]、[6]中估計了基準(zhǔn)圖每一點(diǎn)的匹配可能性。Liu在文獻(xiàn)[7]提出運(yùn)用獨(dú)立像素編號與方差來選取適配區(qū)。文獻(xiàn)[8]中，An提出了一種運(yùn)用信息熵和圖像梯度求和法來評價圖像適配性。Guo在文獻(xiàn)[9]中構(gòu)建了一個平臺，該平臺可以選取出可適配的匹配區(qū)域。Jiang在文獻(xiàn)[10]中提供了一種分級方法來選取最佳的匹配區(qū)。然而在上述文獻(xiàn)中提到的方法都是排除其他因素影響，只針對由某一因子引起的特定影響。這些方法對于選取適配區(qū)的魯棒性較差。有關(guān)基于多因子組合的相關(guān)工作和專家系統(tǒng)為我們的研究方法帶來了啟發(fā)。Du在文獻(xiàn)[11]中依據(jù)信噪比、重復(fù)模式和匹配概率來構(gòu)建三維模型，但是該方法沒有考慮到邊緣特征。Pang在文獻(xiàn)[12]中基于視覺內(nèi)容的自相似性預(yù)測了可匹配性?？墒牵@種方法計算量十分繁重。文獻(xiàn)[13]中Zhang構(gòu)建了基于準(zhǔn)則的專家系統(tǒng)，但這這種系統(tǒng)的決策準(zhǔn)則很難學(xué)習(xí)。在本文中，我們研究了一種全新的方法，該方法運(yùn)用支持向量機(jī)來預(yù)測可適配性。同時我們不僅僅關(guān)注代表圖像信息的測度參數(shù)的選擇，也關(guān)注結(jié)合測度參數(shù)來預(yù)測可適配性的決策函數(shù)。我們的研究目的是確定基準(zhǔn)圖的哪一部分更容易被檢測出，并將其作為景象匹配的候選區(qū)域，這也就被稱為景象匹配的可適配性[12]。支持向量機(jī)支持向量機(jī)（SVM）的理論基礎(chǔ)在于統(tǒng)計學(xué)學(xué)習(xí)理論，它采用了結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則來解決兩級分類問題[14]。為了克服增加的計算復(fù)雜性以及過學(xué)習(xí)問題，支持向量機(jī)構(gòu)建了一個最大邊緣超平面和支持向量。最大邊緣超平面是將兩個不同的分類盡可能遠(yuǎn)的設(shè)置開來，支持向量則是物體離最大邊緣超平面最近距離。設(shè)給定訓(xùn)練集，其中，輸出，支持向量算法旨在建立一個如下分類的決策函數(shù)：（1）其中，是正實(shí)常數(shù)，b是一個常數(shù)，表示一個非線性映射—將地圖輸入到一個高維空間。是一個內(nèi)積。運(yùn)用核函數(shù)取代內(nèi)積，輸入向量就可以映射到高維空間中，等式（1）就可寫作如下形式：（2）并且分類器的構(gòu)造如下：i=1，2，···N（3）此時，訓(xùn)練集是不可分割的，支持向量機(jī)算法在用最小數(shù)目的誤差來分離數(shù)據(jù)的情形下，試圖最小化。這一點(diǎn)由松弛變量和懲罰參數(shù)c來進(jìn)行改進(jìn)。英雌，支持向量機(jī)需要解決下列優(yōu)化問題：（4）計算出等式（4）的結(jié)果，運(yùn)用決策函數(shù)可以預(yù)計分類輸出。測度參數(shù)的選擇因?yàn)檫b感圖像和基準(zhǔn)圖像間存在差異，例如灰度差異和幾何畸變，所以從適配過程合適的基準(zhǔn)圖中選取匹配區(qū)域就顯得十分重要。當(dāng)分析景象匹配的適配性時，初始基準(zhǔn)圖的信息是最重要的因子。此外，由于支持向量機(jī)的輸入，向量由測度參數(shù)（也被稱為特征或者參量）組成。所以，合理選擇參數(shù)就可以降低輸入維數(shù)，優(yōu)化計算效率，而且能夠取得更好的分類結(jié)果。在本文方法中，基準(zhǔn)圖信息的測度參數(shù)由兩部分組成：一是基于灰度的初級測度參數(shù)，而是基于特征的高級測度參數(shù)。前者評估了亮度的統(tǒng)計特征，后者描述了基準(zhǔn)圖的特點(diǎn)。這兩個級別的參數(shù)實(shí)際上描述了由細(xì)到粗尺度的圖像信息，并且它們能夠相互補(bǔ)充?；诨叶鹊臏y度參數(shù)基于灰度的測度參數(shù)由圖像像素的亮度決定。這類參數(shù)在低失真情況下，擁有很好的代表圖像亮度特征的能力。在本文中，考慮到了圖像的方差、圖像熵以及自相關(guān)峰的參數(shù)。圖像方差圖像灰度方差是圖像各像素點(diǎn)灰度相對于圖像灰度均值的離散程度。圖像灰度方差var由如下等式計算得出：（5）其中，設(shè)圖像大小為個像素，表示基準(zhǔn)圖在處的灰度值，表示圖像亮度的平均值。圖像信息熵圖像信息熵是用來描述一幅圖像的某一特定量。低信息熵圖像就會缺少細(xì)節(jié)信息。相反的，高信息熵圖像是一個像素跟相鄰的像素之間具有很大的對比的圖像，并且因此能夠詳盡的顯示出圖像細(xì)節(jié)信息。圖像信息熵由如下公式計算：（6）（7）上述式中，是點(diǎn)處亮度差異的概率，是基準(zhǔn)圖中像素點(diǎn)的亮度。自相關(guān)峰參數(shù)互相關(guān)是配準(zhǔn)的基本統(tǒng)計學(xué)方法。在一幅圖像中如果一個模版的坐標(biāo)方向被發(fā)現(xiàn)[15]，那就經(jīng)常運(yùn)用互相關(guān)來進(jìn)行模版匹配。從某種意義上說，它是景象匹配的一種相似性度量方法，它計算出遙感圖和基準(zhǔn)圖窗內(nèi)的數(shù)據(jù)。這對窗口取得的最大值就被當(dāng)作相匹配的一對。然而，當(dāng)我們分析景象匹配適配性時，在某些情況下很難獲得大量的實(shí)時遙感圖。所以我們剪輯基準(zhǔn)圖子圖作為模擬遙感圖，并且根據(jù)下面的方程定義自相關(guān)面，該自相關(guān)面是由相關(guān)系數(shù)的最大值組成：（8）該公式中，是點(diǎn)的自相關(guān)系數(shù)，子圖像的大小是個像素，f子圖像的灰度，g表示原始基準(zhǔn)圖的灰度。和分別是子圖像與原始基準(zhǔn)圖的平均灰度。通過計算整幅圖像中點(diǎn)與點(diǎn)的自相關(guān)面，我們可以選出相關(guān)峰（自相關(guān)面一般會呈現(xiàn)高低起伏分布，其中局部最大值成為相關(guān)峰）。我們運(yùn)用相關(guān)峰的兩個測度特征，Submaxratio和Ngb8maxratio[7]。Submaxratio指的是次級峰值與最高峰值的比，該比值由下面的方程計算得出：（9）其中，表示自相關(guān)面上次高峰對應(yīng)的值，表示自相關(guān)面上最高峰對應(yīng)的值。Ngb8maxratio指的是，取最高峰周圍8鄰域方向半徑為n所對應(yīng)的區(qū)域中的最大值與最高峰的比率，由如下公式（10）計算得出：（10）表示上述鄰域中的最大值，是自相關(guān)面上最高峰對應(yīng)的值。基于特征的測度參數(shù)基于特征的測度參數(shù)描述的是圖像灰度差異，它是一種簡單的相似性度量，并且它對噪聲具有較低的魯棒性。然而，大多數(shù)噪音污染只是在背景或者圖像的小細(xì)節(jié)上，它降低了捕獲圖像內(nèi)容的難度[12]。出于這一點(diǎn)，我們介紹這種基于特征的測度參數(shù)，該參數(shù)可以表示出有關(guān)圖像結(jié)構(gòu)的最重要的信息。有許多的方法獲取了邊緣信息,如邊緣檢測算法,局部圖像梯度法等。在本文中,我們采用Canny算子來提取邊緣信息，因?yàn)镃anny算子對定位精度與單邊緣響應(yīng)具有優(yōu)越的性能[16]。邊緣密度可以顯示出原始圖像中的特征集合。我們運(yùn)用邊緣特征ED作為測度參數(shù)，該參數(shù)由如下公式計算得出：（11）是運(yùn)用Canny算法得到的邊緣特征點(diǎn)的總數(shù)，圖像尺寸大小是個像素點(diǎn)。支持向量機(jī)分類為適配性預(yù)測建立一種準(zhǔn)確的數(shù)學(xué)模型很難，因?yàn)榛鶞?zhǔn)圖的信息與匹配適配性間的關(guān)系是十分復(fù)雜的。不準(zhǔn)確的模型會導(dǎo)致錯誤適配性預(yù)計。此外，根據(jù)初始基準(zhǔn)圖計算出來的測度參數(shù)有些時候是不完整或不相容的。所以，就很有必要選擇一種強(qiáng)大的機(jī)器識別工具來進(jìn)行景象匹配的適配性預(yù)測，這種工具是由多種相互關(guān)聯(lián)的因子決定的。支持向量機(jī)可以處理不精確、不確定以及模糊的信息。它已經(jīng)被應(yīng)用在手寫數(shù)字識別、目標(biāo)識別、發(fā)言人辨認(rèn)以及人臉識別等相關(guān)領(lǐng)域[17]。因此，我們采用支持向量機(jī)分類工具來預(yù)測適配性。樣本圖像構(gòu)造樣本數(shù)據(jù)集分辨率2.5米的SPOT5全色影像。我們在SPOT5圖像中加入了高斯噪聲和椒鹽噪聲。我們從原始圖中截取了256256像素的子圖，同時我們在每張加入了上述兩種噪聲的基準(zhǔn)圖內(nèi)，按實(shí)時圖大小6464像素來裁取子區(qū)域。前者被用來當(dāng)作基準(zhǔn)圖，后者模擬當(dāng)作遙感圖。通過這種方式，椒鹽噪聲圖像和與其匹配的基準(zhǔn)圖組成了一對樣本圖像，高斯噪聲圖像和與其匹配的基準(zhǔn)圖構(gòu)成另一對樣本圖像。然后我們在每對圖像間運(yùn)用歸一化互相關(guān)算法[15]來進(jìn)行景象匹配。根據(jù)匹配位置誤差，我們可以將其分成兩類：景象匹配區(qū)（小于3個像素誤差）和非景象匹配區(qū)（大于3個像素誤差）。這就是支持向量機(jī)傳統(tǒng)的二值分類方法。訓(xùn)練與分類在先前章節(jié)中所提出的測度參數(shù)讓我們可以構(gòu)建出每對樣本圖像的表征特性。我們直接利用樣本基準(zhǔn)圖計算圖像的方差、圖像信息熵和邊緣密度，并且從每對樣本圖像中得到自相關(guān)峰的兩個參數(shù)。因此，我們可以構(gòu)建描述特征向量，來充當(dāng)學(xué)習(xí)引擎。特征向量總共擁有5個分量并且都已在訓(xùn)練前進(jìn)行了歸一化處理。通過選擇樣本圖像的一個子子集對來作為訓(xùn)練集，同時互補(bǔ)子集作為測試集，由此我們就可以建立一個自動分類系統(tǒng)[18],該系統(tǒng)通過判斷屬于景象匹配區(qū)與否的可能性，標(biāo)記出在測試集中的每一對圖像。這就是說，我們運(yùn)用由不同測度參數(shù)構(gòu)成的特征向量集來構(gòu)建決策函數(shù)，并借助決策函數(shù)來分類輸出，從而達(dá)到預(yù)計可適配性的目的。在等式（12）中，徑向基核（RBF）核函數(shù)被用于分類。初步研究表明，徑向基核核函數(shù)優(yōu)于線性和多項(xiàng)式核函數(shù)。并且整個訓(xùn)練集是由兩個最佳參數(shù)訓(xùn)練的（c和），這兩個參數(shù)是通過交叉驗(yàn)證選出的。（12）實(shí)驗(yàn)在第一個實(shí)驗(yàn)中，我們選取了夾雜著兩種噪聲的600對遙感樣本圖像。這些樣本采用的是蘇州不同的地區(qū)的圖像，其中包含農(nóng)田，湖泊，高速公路，綠地等景物類型。并且對于每種分類（景象匹配區(qū)和非景象匹配區(qū)）構(gòu)建了總共300個樣本。我們將70%的樣本圖作為訓(xùn)練數(shù)據(jù)，剩余的30%則作為測試數(shù)據(jù)。也就是說，經(jīng)過支持向量機(jī)訓(xùn)練后，每個分類會有90個樣本可以被測試和評估到。我們通過混合矩陣對整體系統(tǒng)做出性能分析。結(jié)果顯示在表.1中，它每一欄對應(yīng)一個參考分類，每一行對應(yīng)由支持向量機(jī)分類器決定的輸出分類，圖中單元格給出了適配區(qū)和非適配區(qū)的數(shù)目[19]。我們可以看到兩個分類的準(zhǔn)確度分別是84%和86%。樣本圖像適配區(qū)非適配區(qū)分類結(jié)果適配區(qū)7815非適配區(qū)1275表.1支持向量機(jī)系統(tǒng)的混合矩陣為了驗(yàn)證支持向量機(jī)的決策能力，我們進(jìn)行了另一次實(shí)驗(yàn)。我們向初始SPOT5圖像中分別加入10%、20%、30%、40%和50%強(qiáng)度的椒鹽噪聲和高斯噪聲。在每一個噪聲等級中，都收集了100組樣本圖像。我們運(yùn)用支持向量機(jī)方法、基于特征算法[8]和相似性分析方法[3]來分別預(yù)計適配性，并且通過運(yùn)用歸一化交叉相關(guān)匹配算法來驗(yàn)證可能性。三種方法的匹配概率比較如圖.1和圖.2所示。圖.1在不同高斯噪聲水平下的匹配概率圖.2在不同椒鹽噪聲水平下的匹配概率我們注意到，隨著噪聲污染的增加，運(yùn)用我們所提出的方法得到的匹配概率要高于其他兩種方法。這一事實(shí)表明，在一個可接受的噪聲范圍內(nèi)，我們的方法是穩(wěn)定的。結(jié)論我們通過支持向量機(jī)提出了一種預(yù)測景象匹配適配性的方法。這種方法不要求任何的先驗(yàn)知識，只需要少量的樣本對來獲取基于灰度和基于特征的測度參數(shù)。通過訓(xùn)練和支持向量機(jī)分類器，我們可以從基準(zhǔn)圖中選出可適配區(qū)和非可適配區(qū)。此外，遙感圖像是由與基準(zhǔn)圖相一致的圖像模擬得到的，這就使適配性分析僅僅依靠初始基準(zhǔn)圖本身，而不是依靠實(shí)時圖像和在幾何變換例如圖像尺度縮放、旋轉(zhuǎn)和移位等匹配條件下。本文的方法需要在以下三方面進(jìn)行改進(jìn)，首先就是要考慮和選擇更多的匹配測度參數(shù)；另一個就是測試真實(shí)的實(shí)時遙感圖來驗(yàn)證在真實(shí)環(huán)境下的應(yīng)用；最后一個就是這種方法僅適合于SPOT5圖像。因此，未來的工作將研究例如SAR圖像在內(nèi)的多種類型的圖像。PredicigtheSuitabiliyforceneachigUsingSVMhaohuiYan1,2,YingChen2,XinqiangQian1,MingYuan1,3,EntingGo11.SchoolofEnvironmentalScience&Engineering,USTS,Suzhou,China,2.ResearchCenterforRS&S3.JiangsuProvincalKeyLaboratoryEnvironmentScienceandEngineering,China,215011HYPERLINKmailto:chenying@yzhmilan@,chenying@,QianXinqiang@,HYPERLINKmailto:yuanm@yuanm@.cHYPERLINKmailto:yuanm@nHYPERLINKmailto:gntng@,gntng@bInterrelationandcontraintetweenmulti-meauepaametesofefeenceimageanduitablematchngaeahaveotbeencnideedinmotofmethodsforelectingmatchingaea.Inodertoovecomethisdaback,epeentaovelmethodofpedictingheuitabilityuinguppotvectormachineSVM.Fitlygay-baedandedge-baedmeauepaametesaeelected.Thntheampleimagesdataetaetainedithadialaiskenelfunctionafternomaliationofinputvectscompoedofmeauepaamete.Finally,eepaateuitablematchigaeaclasandunuitableatchingaeaclasuingdecisionfunctio.Thusweanpedictthesuitabilityandguidecenemathingpoce.Theexpeimentalresultsshowthatthismethdhodstheapbilityofflexibilityandjammingeistanceasellaspoperguidetoelectionofuitablematchingaeafomcomplexefeenceimage.1.IntroductionSceeatcingreerstoteprocesoflocatigorreiterigasallreionofacee(eediaeorrealtieiae)ithacorrepodinglarereionofaoteriewofteaecee(reereceiae)taenromdifereteorsatdierettiesuderdieretieingcoditios[1].Nowceeatcingisaidelyuedtechologyinoerealtieapplicatiosschaslihtaiationadissileuidace.Manyclasicalceeatcingalorithsaebeendeelopedliesintearietyofceetle.Btbeingaoteriportantpartofceeatcigresearc,predictigtesitabilityorsceeatcigisstilliitiator.Soereearcersaeadeeortstooletisproble.Joon[2]itrodcedpriorteoryadetodabotteelectionofceeatcigarea.ong[3]reetedbareaiilarityaalistodecribetereereceiaesiilarit.Xie[4]stdiedteeasreetorsiilaritypatternbasedonForierpectrumromrefereceap.Xiao[]adDing[6]estiatedteatcigprobabilitiesofeerypoitofreereceiae.Liu[7]preetedteetodofelectingatcingareaingidepedetpielubersadariace.An[8]getedtatinorationetropyadsumationofiaeradietcanbeedorealatigiaesitabilit.Go[9]biltaplatormhichcanselecttesitableatcigarea.Jiag[1]roidedaierarcicalayofelectigoptialceeatcigarea.Hoeer,teetodsinaboeliteratresarespeciictoteinlececauedbyinleactoradecldedteefectofoteractor.Teeetodsareeakrobstorelectigteceeatchigarea.Relatedorsbasedoncobiationofulti-actorsadepertstemsoldinpireorapproac.Du[11]bilttreedienioalodelaogSNR,repeatedpatternadatcigprobabilit,btteetoddoesotcoiderteedeeatre.Pag[12]predictedteatchingsitabilitybasedonself-siilarityofisioncotet.Hoeer,teetodiseavycoptationconui.ang[13]biltarlebaedepertste,buttepricipaldecisionrlesoftesstemaredificlttolear.Intepaper,estdyaoeletodofpredictingtesitabilityuigspportectorachie.ndeareoterelycoceredabotelectionofearedecriptorshichrepreetiaeinorationorceeatchin,btcoceredabotdeciionuctionorpredictigtesuitabilityuingcobiationofeasredecriptor.Teoaloforreearchistodeteriehichpartoftereereceiaeiseasiertobeoudasaoodcadidateareaorceeatchin,hichisalsocalledsitabilityorsceeatching[12]..SupotorahineSpportectoracie(SVM)liesintrongcoectiontoteuderlingstatiticallearingteor,hereitipleetstetructralriskiiizationoroligtoclassclasificationprobles[14].Tooercoeteicreaedcoptatioalcopleityadoer-ittingprobles,SVMcotrctsaaiumarinhperplaeadpportector.Teaiumarinhperplaneisetasaraayaspoiblebeteendieretclae,adtepportectorsareteitacestatarecloettoteaiumarinhperplae.Givenatrainingsetofinstance-labelpairs,witheachinputandtheoutputlabel,thesupportvectormethodapproachaimsatbuildingadecisionfunctionforclassificationasfollow.（1）wherearepositiverealconstantsandbisaconstant,denotesnonlinearmappingthatmapsinputintoahigh-dimensionalspace,isinnerproduct.Usingthekernelfunctioninsteadoftheinnerproducts,theinputvectorcouldbemappedintothehigh-dimensionalspaceandEq.(1)couldbewrittenasfollow.（2）andtheclassifierisconstructedas：i=1，2，···N（3）Whilethetrainingsetisnotseparable,theSVMalgorithmtriestominimizeundertheconditionofseparatingthedatawithaminimumnumberoferrors.Thisisimprovedbyslackvariableandpenaltyparameterc.ThusSVMrequiresthesolutionofthefollowingoptimizationproblem:（4）AftercalculatingtheresultofEquation(4),classificationoutputcanbepredictedusingthedecisionfunction.3.MeasuredscriporsselectionBecaetedifereceseitbeteenenediaeadreereceiaeschasraleeldifereceadeoetricdistortio,itisveryiportattoselectmatchingareafromreferenceimagewhichissuitabletomatchingprocess.Whileanalyzingthesuitabilityforscenematching,theinformationoforiginalreferenceimageisthemostimportantfactor.Furthermore,astheinputofSVM,vectorsconsistofmeasuredescriptors(alsocalledfeaturesorparameters).Sosuitableselectionofdescriptorscanreduceinputdimension,optimizecomputationalefficiencyandgainthebetterclassificationresults.Inthepaper,measuredescriptorsoftheinformationofreferenceimageconsistoftwogroups:gray-baseddescriptorsandedge-baseddescriptors.Theformerassessstatisticalcharacteristicsofintensity,andthelatterdescribetheuniquefeaturesofreferenceimage.Thesetwoleveldescriptorsactuallyrepresentimage’sinformationfromfinetocoarsescale,andtheyaresupplementaryfromeachother.3.1ray-bsedesciposGray-baseddescriptorsaredeterminedbytheintensityoftheimagepixels.Thiskindofdescriptorshasgoodcapabilityofrepresentingintensityfeatureofimageunderthelowdistortionsituation.Inthepaper,varianceofimage,imageentropyandparametersofself-correlationpeakareconsidered.VarianceofimageThevarianceofimageistheaveragesquareddeviationofallpixelsfromthesamplemean.Thevarianceofimage,var,iscomputedusingtheequation（5）whereimagesizeisM×Npixels,I(i,j)ispixelintensityinpositionof(i,j)inreferenceimage,Edenotetheaverageofintensity.B.ImageentropyImageentropyisaquantitywhichisusedtodescribethecertainqualityofanimage.Lowentropyimageslackofdetailinformation.Onthecontrary,highentropyimageshaveagreatdealofcontrastfromonepixeltothenextandconsequentlyshowthedetailinformationofimage.Imageentropyiscalculatedwithfollowformula（6）（7）Whereistheprobabilityofdifferenceintensityof(i,j),istheintensityofpixel(i,j)inthereferenceimage.C.Parametersofself-correlationpeakCross-correlationisthebasicstatisticalapproachtoregistration.Itisoftenusedfortemplatematchinginwhichthelocationandorientationofatemplateisfoundinanimage[15].Insomesense,itisakindofsimilaritymeasureforscenematching,whichiscomputedforwindowpairsfromthesensedandreferenceimages.Thewindowpairsforwhichthemaximumisachievedareregardedasthecorrespondingones.However,largenumbersofrealsensedimagesarehardtoobtainedinsomecasewhenweanalysisthesuitabilityforscenematching.Sowecutsub-imagesfromreferenceimagesassimulatedsensedimages,anddefinetheself-correlationplanewhichconsistsofmaximumcorrespondingcoefficientasfollowequation：（8）Wheresub-imagesizeisM×Npixels,fispixelintensityofsub-imageandgdenotepixelintensityoforiginalreferenceimage.andismeanofintensityofsub-imageandreferenceimagerespectively.Aftercomputingself-correlationplanepixelbypixelinthewholeimage,wecanpickcorrelationpeakwhichislocalmaximuminself-correlationplane.Weusetwomeasurementfeaturesofcorrelationpeak,SubmaxratioandNgb8maxratio[7].Submaxratiodenotesratioofsubpeaktomaximumpeak,whichiscomputedusingtheequation：（9）Whereissecondaryhighcorrelationpeakandismaximalcorrelationpeak.Ngb8maxratiorepresentsratioofmaximumofeightneighborpeakstomaximumpeak,whichiscomputedusingtheEq.(10)（10）Whereismaximumofeightneighborpeaksandismaximalcorrelationpeak.3.2Edge-baseddescriptorsGray-baseddescriptorsshowimagegrayscaledifference,whichisasimplesimilaritymeasurementandisweak-robusttonoise.However,mostnoisecorruptionsareonlyonthebackgroundorthesmalldetailsofimage,andmakelessdifficultytocatchthecontentoftheimage[12].Motivatedbythis,weintroduceedge-baseddescriptors,whichcouldexpressthemostimportantinformationofimage'sstructure.Thereareanumberofmethodstogaintheedgeinformation,suchastheedgedetectionalgorithm,thelocalimagegradients,etc.Inthispaper,weadoptCannyoperatortoextracttheedgeinformationduetoitsexcellentcapabilityofaccuratelocalizationandresponsestoasingleedge[16].Edgedensitycanshowtheconcentrationoffeaturesinoriginalimage.WeuseedgedensityEDasdescriptor,whichiscomputedby：（11）WhereistotalnumberofedgepointsusingCannyoperator,imagesizeisM×Npixels.4.SVMclassificationItisdifficulttobuildthedefinitemathematicmodelforpredictingsuitabilitybecausetherelationshipbetweeninformationofreferenceimagesandmatchingsuitabilityiscomplex.Inaccuratemodelalwaysleadstofalsepredictionofthesuitability.Inaddition,themeasuredescriptorscomputedfromrawreferenceimagearesometimesincompleteandinconsistent.Soitisnecessarytochooseapowerfulmachinerecognitiontooltopredictingthesuitabilityforscenematchingwhichisdecidedbymanycompoundandinterrelationfactors.SVMcandealwithproblemsofimprecise,uncertain,andvagueinformation.Ithasbeenappliedinsuchfieldsasisolatedhandwrittendigitrecognition,objectrecognition,speakeridentification,facedetectioninimages,etc.[17].ThereforeweadoptSVMclassificationtooltopredictingthesuitability.4.1SampleimagesconstructionThesamplesdatasetisobtainedfromSPOT5panchromaticimageswith2.5mpixelsampling.WecorruptSPOT5imagesbyGaussiannoiseandsaltandpeppernoise.Wecut256×256pixelssizepatchesfromoriginalimagesand64×64pixelssizepatchesfromtwotypesofnoisecontaminationimageswhichlocateintherangeofcorrespondingoriginalimages.Theformerregardasreferenceimages,thelattersimulateassensedimages.Inthisway,saltandpeppernoiseimageandcorrespondingreferenceimagecomposeapairofsampleimages,andGaussiannoiseimageandcorrespondingreferenceimagecomposeanotherpair.Thenweprocessthescenematchingbetweeneachpairofsampleimageusingnormalizedcross-correlationalgorithm[15].Accordingtothematchinglocationoffset,weclassifytwolabelsassuitableclass(lessthanthreepixelsoffset)andunsuitableclass(greatthanthreepixelsoffset).Thatistraditionaltwo-classproblemsinSVMclassification.4.2TrainingandclassificationThesemeasuredescriptorspresentedintheprevioussectionallowustobuildacharacterizationofeachpairofsampleimage.Wecomputevarianceofimage,imageentropyandedgedensitydirectlyfromsamplereferenceimagesandgaintwoparametersofself-correlationpeakfrompairsofsampleimages.Thuswecanbuilddescriptionfeaturevectorswhichwillbefedtothelearningengine.Thefeaturevectorshave5componentstotallyandnormalizedbeforetraining.Byselectingasubsetofpairsofsampleimagesasatrainingsetandthecomplementarysubsetasthetestsetwecanbuildanautomaticclassificationsystem[18],whichisabletolabeleachpairoftheimageinthetestsetaccordingtoitslikelihoodofbelongingtosuitableclassornot.Thatistosay,weconstructdecisionfunctionusingsetsoffeaturevectorswhichconsistofdifferentmeasuredescriptorsandmakethepredictionofsuitabilitybyclassificationoutput.Theradialbasisfunction(RBF)kernelinEq.(12)willbeusedintheclassification.PreliminaryresearchessuggestthattheRBFkerneloutperformsthelinearandpolynomialkernel.Andwholetrainingsetistrainedbytwobestparameters(candγ)whichareselectedviacross-validation.（12）5.ExperimentsInthefirstexperiment,wechoosetotal600pairsofsampleimageswithtwotypesofnoisesensedimages.Thesesamples,chosenfromdifferentareasinSuzhoucity,includeresidentialarea,farmland,lake,highway,grasslandandsoon.Andtotal300examplesofeachclass(suitableareaclassandunsuitableareaclass)areconstructed.Weuse70%ofpairsofsampleimagesintrainingandcomplementary30%intesting.Thatistosay,90examplesperclasscanbetestedandevaluatedafterSVMtraining.Weperformtheanalysisofoverallsystemperformancesusingconfusionmatrix.TheresultsareshowninTable1,whereeachcolumncorrespondstothereferenceclass,eachrowcorrespondstooutputclassdecidedbytheSVMclassificationandeachcellinthetablegivesthenumberofsuitableclassesornot[19].Weseethatuser’saccuracyoftwoclassesisdetectedat84%and86%respectively.Table1.ConfusionmatrixforSVMsys