[发明专利]一种基于核函数扩展的仿生模式识别方法

说明书

技术领域

本发明属于遥感影像处理技术领域，特别涉及一种基于核函数扩展的仿生模式识别方法。

背景技术

传统模式识别以数理统计为基础，其基本数学模型的基点在于所有可用的信息都包含在样本中，也就是说在同类样本中没有任何的先验知识存在，一切只能从特征空间中不同类样本的划分出发，这种不同类样本的简单划分与自然界的实际规律不符。仿生模式识别是基于特征空间中同类样本全体的连续性规律，然后通过这些规律建立起“多维空间中超非球复杂几何形体覆盖”。它是基于拓扑学的模式识别而不是传统基于统计学的模式识别，在遇到一种未知类时会拒绝识别，而不会简单并且错误的将其划分到样本中某一类中，因此仿生模式识别则更接近于人类识别。仿生模式识别把分析特征空间训练样本点的关系作为基点，而特征空间中样本分布的连续性规律为此提供了可能。在仿生模式识别中引入了特征空间中同类样本的连续性规律后，对一类事物的“认识”。实质上就是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和“认识”。因此仿生模式识别较其他统计模式识别的效果都要卓越。然而它的应用却受到空间维数的限制，如果在低维空间中，它的识别精度则比较低，如何利用低维数据来处理高维复杂流形样本的分类和信息提取是本发明的研究重点。

发明内容

针对上述问题，本发明提出了一种基于核函数扩展的仿生模式识别方法，其采用支持向量机中的核函数概念，通过结合多权值神经元网络仿生模式识别可以将低维即波段较少的遥感影像映射到高维进行分类，此方法对既减少了数据量增加数据处理速度，又能够高效的提取出目标地物。在本发明中，将根据高分辨率影像结构信息的分布、以及光谱和空间混合特征集合的特点，采用仿生模式识别和机器学习领域的最新成果进行试验。利用核函数扩展“仿生模式识别”理论与方法，通过“高维空间非超球复杂几何形体覆盖”方法，实现目标要素的“认知”检测，实现多源数据多特征融合的目标提取。在实际应用特别是影像波段数量或者特征数量较少的情况，本文发明先利用图片库仿生模式识别效果进行验证然后将仿生模式识别应用与遥感图像倒塌房屋的提取。取得了良好效果。为以后仿生模式识别在遥感领域的进一步应用创造了条件。

本发明包括以下步骤，

步骤1、选择样本，利用灰度共生矩阵来提取影像的纹理特征；

步骤2、将样本和遥感影像数据映射到高维；

步骤3、在高维空间中训练样本；

具体为：将点与点、点与线、点到三角形的运算表示为核函数形式，采用粒子群最优算法，寻找最优超球半径和核函数参数；

步骤4、在高维空间中识别样本；

具体为：计算目标到神经网络的距离并判断是否属于待识别目标，并通过解决样神经网络的的重叠问题进行分类；

步骤5、输出结果。

与现有技术相比，本发明将核函数运用于仿生模式识别中，解决了在波段数或者特征数较少情况下也就是维数较低情况下，仿生模式识别应用受限制的问题，并取得了良好的效果。将核函数扩展的仿生模式识别应用与单波段的遥感影像倒塌房屋提取，结果表明其识别能力与三波段下普通仿生模式识别相当，是一种行之有效的模式识别方法；通过与UCI库数据的对比结果可以看出，基于核函数扩展的仿生模式识别适用于流形复杂的目标识别。

附图说明

图1为本发明的流程图。

图2为本发明训练样本的算法流程图。

具体实施方式

本发明基于核函数扩展的仿生模式识别方法是利用核函数扩展“仿生模式识别”理论与方法（KBPR），通过“高维空间非超球复杂几何形体覆盖”方法，实现目标要素的“认知”检测，实现多源数据多特征融合的目标提取，其流程如图1所示，具体包括以下步骤：

步骤1、选择样本，利用灰度共生矩阵来提取影像的纹理特征，主要包括四个参数：方差（Variance）、同质度（homogeneity）、对比度（contrast）和非相似性（dissimilarity），具体计算公式如下：