翻译 基于SVM的景象匹配适配性预测

PAGE19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。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。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]。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。设给定训练集，其中，输出，支持向量算法旨在建立一个如下分类的决策函数：（1）其中，是正实常数，b是一个常数，表示一个非线性映射—将地图输入到一个高维空间。是一个内积。运用核函数取代内积，输入向量就可以映射到高维空间中，等式（1）就可写作如下形式：（2）并且分类器的构造如下：i=1，2，···N（3）此时，训练集是不可分割的，支持向量机算法在用最小数目的误差来分离数据的情形下，试图最小化。这一点由松弛变量和惩罚参数c来进行改进。英雌，支持向量机需要解决下列优化问题：（4）计算出等式（4）的结果，运用决策函数可以预计分类输出。测度参数的选择因为遥感图像和基准图像间存在差异，例如灰度差异和几何畸变，所以从适配过程合适的基准图中选取匹配区域就显得十分重要。当分析景象匹配的适配性时，初始基准图的信息是最重要的因子。此外，由于支持向量机的输入，向量由测度参数（也被称为特征或者参量）组成。所以，合理选择参数就可以降低输入维数，优化计算效率，而且能够取得更好的分类结果。在本文方法中，基准图信息的测度参数由两部分组成：一是基于灰度的初级测度参数，而是基于特征的高级测度参数。前者评估了亮度的统计特征，后者描述了基准图的特点。这两个级别的参数实际上描述了由细到粗尺度的图像信息，并且它们能够相互补充。基于灰度的测度参数基于灰度的测度参数由图像像素的亮度决定。这类参数在低失真情况下，拥有很好的代表图像亮度特征的能力。在本文中，考虑到了图像的方差、图像熵以及自相关峰的参数。图像方差图像灰度方差是图像各像素点灰度相对于图像灰度均值的离散程度。图像灰度方差var由如下等式计算得出：（5）其中，设图像大小为个像素，表示基准图在处的灰度值，表示图像亮度的平均值。图像信息熵图像信息熵是用来描述一幅图像的某一特定量。低信息熵图像就会缺少细节信息。相反的，高信息熵图像是一个像素跟相邻的像素之间具有很大的对比的图像，并且因此能够详尽的显示出图像细节信息。图像信息熵由如下公式计算：（6）（7）上述式中，是点处亮度差异的概率，是基准图中像素点的亮度。自相关峰参数互相关是配准的基本统计学方法。在一幅图像中如果一个模版的坐标方向被发现[15]，那就经常运用互相关来进行模版匹配。从某种意义上说，它是景象匹配的一种相似性度量方法，它计算出遥感图和基准图窗内的数据。这对窗口取得的最大值就被当作相匹配的一对。然而，当我们分析景象匹配适配性时，在某些情况下很难获得大量的实时遥感图。所以我们剪辑基准图子图作为模拟遥感图，并且根据下面的方程定义自相关面，该自相关面是由相关系数的最大值组成：（8）该公式中，是点的自相关系数，子图像的大小是个像素，f子图像的灰度，g表示原始基准图的灰度。和分别是子图像与原始基准图的平均灰度。通过计算整幅图像中点与点的自相关面，我们可以选出相关峰（自相关面一般会呈现高低起伏分布，其中局部最大值成为相关峰）。我们运用相关峰的两个测度特征，Submaxratio和Ngb8maxratio[7]。Submaxratio指的是次级峰值与最高峰值的比，该比值由下面的方程计算得出：（9）其中，表示自相关面上次高峰对应的值，表示自相关面上最高峰对应的值。Ngb8maxratio指的是，取最高峰周围8邻域方向半径为n所对应的区域中的最大值与最高峰的比率，由如下公式（10）计算得出：（10）表示上述邻域中的最大值，是自相关面上最高峰对应的值。基于特征的测度参数基于特征的测度参数描述的是图像灰度差异，它是一种简单的相似性度量，并且它对噪声具有较低的鲁棒性。然而，大多数噪音污染只是在背景或者图像的小细节上，它降低了捕获图像内容的难度[12]。出于这一点，我们介绍这种基于特征的测度参数，该参数可以表示出有关图像结构的最重要的信息。有许多的方法获取了边缘信息,如边缘检测算法,局部图像梯度法等。在本文中,我们采用Canny算子来提取边缘信息，因为Canny算子对定位精度与单边缘响应具有优越的性能[16]。边缘密度可以显示出原始图像中的特征集合。我们运用边缘特征ED作为测度参数，该参数由如下公式计算得出：（11）是运用Canny算法得到的边缘特征点的总数，图像尺寸大小是个像素点。支持向量机分类为适配性预测建立一种准确的数学模型很难，因为基准图的信息与匹配适配性间的关系是十分复杂的。不准确的模型会导致错误适配性预计。此外，根据初始基准图计算出来的测度参数有些时候是不完整或不相容的。所以，就很有必要选择一种强大的机器识别工具来进行景象匹配的适配性预测，这种工具是由多种相互关联的因子决定的。支持向量机可以处理不精确、不确定以及模糊的信息。它已经被应用在手写数字识别、目标识别、发言人辨认以及人脸识别等相关领域[17]。因此，我们采用支持向量机分类工具来预测适配性。样本图像构造样本数据集分辨率2.5米的SPOT5全色影像。我们在SPOT5图像中加入了高斯噪声和椒盐噪声。我们从原始图中截取了256256像素的子图，同时我们在每张加入了上述两种噪声的基准图内，按实时图大小6464像素来裁取子区域。前者被用来当作基准图，后者模拟当作遥感图。通过这种方式，椒盐噪声图像和与其匹配的基准图组成了一对样本图像，高斯噪声图像和与其匹配的基准图构成另一对样本图像。然后我们在每对图像间运用归一化互相关算法[15]来进行景象匹配。根据匹配位置误差，我们可以将其分成两类：景象匹配区（小于3个像素误差）和非景象匹配区（大于3个像素误差）。这就是支持向量机传统的二值分类方法。训练与分类在先前章节中所提出的测度参数让我们可以构建出每对样本图像的表征特性。我们直接利用样本基准图计算图像的方差、图像信息熵和边缘密度，并且从每对样本图像中得到自相关峰的两个参数。因此，我们可以构建描述特征向量，来充当学习引擎。特征向量总共拥有5个分量并且都已在训练前进行了归一化处理。通过选择样本图像的一个子子集对来作为训练集，同时互补子集作为测试集，由此我们就可以建立一个自动分类系统[18],该系统通过判断属于景象匹配区与否的可能性，标记出在测试集中的每一对图像。这就是说，我们运用由不同测度参数构成的特征向量集来构建决策函数，并借助决策函数来分类输出，从而达到预计可适配性的目的。在等式（12）中，径向基核（RBF）核函数被用于分类。初步研究表明，径向基核核函数优于线性和多项式核函数。并且整个训练集是由两个最佳参数训练的（c和），这两个参数是通过交叉验证选出的。（12）实验在第一个实验中，我们选取了夹杂着两种噪声的600对遥感样本图像。这些样本采用的是苏州不同的地区的图像，其中包含农田，湖泊，高速公路，绿地等景物类型。并且对于每种分类（景象匹配区和非景象匹配区）构建了总共300个样本。我们将70%的样本图作为训练数据，剩余的30%则作为测试数据。也就是说，经过支持向量机训练后，每个分类会有90个样本可以被测试和评估到。我们通过混合矩阵对整体系统做出性能分析。结果显示在表.1中，它每一栏对应一个参考分类，每一行对应由支持向量机分类器决定的输出分类，图中单元格给出了适配区和非适配区的数目[19]。我们可以看到两个分类的准确度分别是84%和86%。样本图像适配区非适配区分类结果适配区7815非适配区1275表.1支持向量机系统的混合矩阵为了验证支持向量机的决策能力，我们进行了另一次实验。我们向初始SPOT5图像中分别加入10%、20%、30%、40%和50%强度的椒盐噪声和高斯噪声。在每一个噪声等级中，都收集了100组样本图像。我们运用支持向量机方法、基于特征算法[8]和相似性分析方法[3]来分别预计适配性，并且通过运用归一化交叉相关匹配算法来验证可能性。三种方法的匹配概率比较如图.1和图.2所示。图.1在不同高斯噪声水平下的匹配概率图.2在不同椒盐噪声水平下的匹配概率我们注意到，随着噪声污染的增加，运用我们所提出的方法得到的匹配概率要高于其他两种方法。这一事实表明，在一个可接受的噪声范围内，我们的方法是稳定的。结论我们通过支持向量机提出了一种预测景象匹配适配性的方法。这种方法不要求任何的先验知识，只需要少量的样本对来获取基于灰度和基于特征的测度参数。通过训练和支持向量机分类器，我们可以从基准图中选出可适配区和非可适配区。此外，遥感图像是由与基准图相一致的图像模拟得到的，这就使适配性分析仅仅依靠初始基准图本身，而不是依靠实时图像和在几何变换例如图像尺度缩放、旋转和移位等匹配条件下。本文的方法需要在以下三方面进行改进，首先就是要考虑和选择更多的匹配测度参数；另一个就是测试真实的实时遥感图来验证在真实环境下的应用；最后一个就是这种方法仅适合于SPOT5图像。因此，未来的工作将研究例如SAR图像在内的多种类型的图像。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