CN104268565A - 基于回归学习的景象匹配区选取方法 - Google Patents

Abstract

本发明涉及景象匹配导航技术领域，提供了一种基于回归学习的景象匹配区选取方法，该方法先定义了10个空域图像适配性特征和2个频域图像适配性特征，组合这12种适配特征构成图像特征向量，用最小二乘支持向量回归机对图像特征向量进行训练，构造图像特征向量与图像匹配概率之间的回归模型；最后用最小二乘支持向量回归机对待提取图像进行预测，得到候选匹配区，再用频域自相关工具快速评价区域的唯一性，得到最终的景象匹配区。本发明可以从输入图像中快速找到少数纹理丰富、结构突出的候选匹配区，并在所述候选匹配区上进行唯一性验证，极大的减少了计算量，具有广泛的前景。

Description

基于回归学习的景象匹配区选取方法

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：

$\underset{w,b,e}{\min }J(w,b,e)=\frac{1}{2}{w}^{T}w+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{e}_i^2$

其中，x_i与y_i构成训练样本集x_i为最小二乘支持向量回归机模型的输入，表示第i个训练样本的图像特征向量，y_i为最小二乘支持向量回归机模型的输出，表示第i个训练样本的图像匹配概率，n是训练样本个数；

φ(·)为输入空间到高维特征空间的非线性映射；w为权向量，表示最小二乘支持向量回归机模型的复杂度，w^T是w转置矩阵，e_i是第i个训练样本的误差，γ是正则化参数；

$b=\frac{1_n^T{K}_{\mathrm{\γ}}^{-1}y}{1_n^T{K}_{\mathrm{\γ}}^{-1}{1}_n}$

式中，K_γ＝K+γ^-1I_n，K＝κ(x_i，x_j)＝φ(x_i)^Tφ(x_j)，κ(x_i，x_j)为核函数，I_n是n×n单位矩阵，为K_γ的逆矩阵；y＝[y₁，…，y_n]^T，1_n＝[1，…，1]^T是n×1矩阵，是1_n的转置矩阵。

优选的，所述图像特征向量与图像匹配概率的关系为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\κ}(x_i,x)+b$

其中， $\mathrm{\α}=K_{\mathrm{\γ}}^{-1}(y-{b1}_n).$

优选的，所述核函数为线性核函数、多项式核函数、Sigmoid核函数和高斯核函数的任一种。

优选的，所述步骤S2进一步包括：

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，选择多个不同的核函数，建立多个候选最小二乘支持向量回归机模型；

将测试图像的图像特征向量分别输入到多个候选最小二乘支持向量回归机模型中，得到测试图像的多个预测匹配概率；

分别计算所述测试图像的图像匹配概率与多个预测匹配概率之间的相关系数，选取相关系数最大的候选最小二乘支持向量回归机模型作为最终的最小二乘支持向量回归机模型，并执行后续流程。

优选的，所述步骤S5中的唯一性指标U为：

$U=1-\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i}{m}$

其中，m为候选匹配区中用到的实时图数目，p_i为第i幅实时图在该候选匹配区相关曲面上的次主峰比，实时图是自定义的候选匹配区的图像窗口。

优选的，所述多个图像适配特征包括空域图像适配性特征和频域图像适配特征，具体的：

所述空域图像适配性特征包括全图标准差、绝对值粗糙度、边缘密度、边缘密度标准差、零交叉密度、图像信息熵、分形布朗模型的分形维数、最小局部标准差、Frieden灰度熵和梯度强度均值；

所述频域图像适配性特征包括：高频信息比和最小局部高频信息。

本发明的有益效果是：本发明提供的一种基于回归学习的景象匹配区选取方法，综合了多个适配特征信息，利于选取出纹理丰富、结构突出的景象区域，提高匹配区的选取的准确率；同时，用最小二乘支持向量回归机取代了传统的分类器，在连续区间里选取结果，避免了阈值选取问题，具有更好的可靠性；另外，在多个候选匹配区中进行唯一性验证，与全图遍历选取的方法相比，在确保匹配区的唯一性的同时，减少了计算量并节省了时间，本发明能够适应不同类型图像的匹配区选取，计算过程简单，容易实现。

具体实施方式

下面结合实施例，对本发明的具体实施方式作进一步详细描述。

本发明提供一种基于回归学习的景象匹配区选取方法，包括以下步骤：

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；

优选的，所述多个图像适配特征包括10个空域图像适配性特征和2个频域图像适配特征，具体的：

所述空域图像适配性特征包括全图标准差、绝对值粗糙度、边缘密度、边缘密度标准差、零交叉密度、图像信息熵、分形布朗模型的分形维数、最小局部标准差、Frieden灰度熵和梯度强度均值；所述频域图像适配性特征包括：高频信息比和最小局部高频信息。其中：

(1)全图标准差F₁；该特征反映全图像素灰度值与均值之间差异的剧烈程度，进而反映了图像特征是否显著。全图标准差越大，表示图像特征越显著。其定义如下式：

$F_1={\left\{\frac{1}{w\·h-1}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}{[I_{\mathrm{Ref}}(i,j)-{\stackrel{\‾}{I}}_{\mathrm{Ref}}]}^2\right\}}^{1/2}$

为图像的灰度均值，I_Ref(i，j)表示图像的灰度值w·h是图像尺寸；

(2)绝对值粗糙度F₂；该特征描述了基准图灰度差异的波动情况，因此可以用作局部信息差异的显著性度量。绝对值粗糙度的计算公式如下：

Q_x＝E[|I_Ref(i，j)-I_Ref(i，j+1)|]

Q_y＝E[|I_Ref(i，j)-I_Ref(i+1，j)|]

F₂＝(Q_x+Q_y)/2

其中，Q_x与Q_y分别为x方向和y方向上局部灰度差异的期望；

(3)边缘密度F₃；该特征是用来衡量图像边缘特征分布密集程度的一个参数。一个区域边缘数量的多少一定程度反映了该区域场景结构信息的多少。Canny算子是一种简单有效的边缘检测算子，它满足信噪比、定位精度、单边缘响应3个判断准则。用Canny算子可以提取稳定区域的边缘，抑制甚至消除不稳定区域的边缘。获得图像的Canny二值边缘图像后，统计边缘点所占的比例即得到边缘密度；

(4)边缘密度标准差F₄；该特征为基准图中各子区域边缘密度的标准差；将图像的宽和高分别进行5等分，则划分出25个图像子区域；子图像边缘密度定义为该子图像在边缘算子作用下所得边缘图像的边缘像素点个数，此处边缘算子选用C anny算子。本特征描述了基准图纹理分布的均匀程度；

(5)零交叉密度F₅；该特征从图像局部区域的边缘和纹理角度反映全局信息的丰富性，交叉密度定义为某图像二阶零交叉点个数与像素点数比值，其表达式如下：

$F_5=\frac{1}{w\·h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}\mathrm{Zero}(i,j)$

其中， $\mathrm{Zero}(i,j)=\left\{\begin{array}{cc}1& \mathrm{LoG}\left(I_{\mathrm{Ref}}(i,j)\right)=0\\ 0& \mathrm{else}\end{array}\right.,$ LoG为高斯-拉普拉斯算子。

(6)图像信息熵F₆；该特征是对全局范围内信息丰富性的度量，其值越大，基准图上信息越丰富。对于有L个灰度级的图像，该特征的表达式如下：

$F_6=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}-N\left(k\right)\log \left(N\left(k\right)\right)$

其中，N(k)表示图像中灰度值为k的像素点的数目与像素点总数的比值；

(7)分形布朗模型FBM的分形维数F₇；该特征用以反映自然场景图像的信息显著性。自然景象常常表现出复杂的纹理细节，其灰度值具有全局范围随机变化的特点，同时呈现出自相关特性，这些性质满足1/f类随机过程的基本特点，1/f类随机过程可以用分形布朗模型(FBM)来描述。F₇可以表示为F₇＝3-H，其中H代表自相关系数，可以通过求解统计关系式得到：

$E\left[\right|I_{\mathrm{Ref}}(i+{\mathrm{\δ}}_i,j+{\mathrm{\δ}}_j)-I_{\mathrm{Ref}}(i,j)\left|\right]=C{\left|\right|{({\mathrm{\δ}}_i^2+{\mathrm{\δ}}_j^2)}^{1/2}\left|\right|}^H$

其中，算子E用于计算特定距离上灰度误差绝对值的期望，C为常数，δ_iδ_j表示图像在xy轴的变化量；

(8)最小局部标准差F₈；该特征描述了图像局部信息显著度。将图像的宽和高都进行5等分，则划分出25个图像子区域，最小局部标准差定义为基准图中各子图像标准差的最小值；

(9)Frieden灰度熵F₉；图像信息熵F₆表征了图像一维灰度直方图的灰度级分布信息，但是这种灰度级的概率表征与图像中像素点的分布及局部特征无关，故难以准确反映图像内容的稳定或显著程度。采用Frieden定义的二维数字图像的灰度熵F₉描述图像的稳定性，灰度熵值越大，图像灰度值越平滑。Frieden灰度熵定义为：

$F_9=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}{e}^{1-p_{\mathrm{ij}}}$

其中，I(i，j)与I_Ref(i，j)含义相同，p_ij表示点(i，j)处灰度占图像总灰度值的比值，且 $p_{\mathrm{ij}}=I(i,j)/\underset{i=1}{\overset{h}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}I(i,j);$

(10)梯度强度均值F₁₀；该特征可以反映出图像边缘是否突出，轮廓是否清晰。对整幅图像每个像素的梯度强度值进行累加，再除以像素的总个数，得到梯度强度均值。该值反映了图像单位面积内灰度变化的情况。计算式如下：

G_x(i，j)＝I_Ref(i，j)-I_Ref(i，j+1)

G_y(i，j)＝I_Ref(i，j)-I_Ref(i+1，j)

$F_{10}=\frac{1}{w\·h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}\underset{j=1}{\overset{w}{\mathrm{\Σ}}}\sqrt{G_x^2(i,j)+G_y^2(i,j)}$

(11)高频信息比F₁₁；该特征为高频信息量与全频带信息的比值。首先设定频率阈值pth，对图像进行二维快速傅立叶变换，然后计算频谱幅值，最后分别计算大于频域阈值pth的频域幅值之和s1与全部频域幅值之和s2，则有F₁₁＝s1/s2；

(12)最小局部高频信息和F₁₂；图像的匹配概率不仅与图像的频域特征有关，还与图像内容在空间的分布情况有关。影响图像匹配概率的通常是图像中高频信息量最少的区域，因此计算图像中高频信息量最少的区域的信息和作为评价匹配概率的指标。具体定义为：先对图像进行截止频率为pth的高通滤波，再将图像的宽和高分别进行5等分，划分出25个图像子区域。然后对每一方格内的灰度值直接求和，定义所有方格中最小的和值为最小局部高频信息和F₁₂。

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；所述训练图像的图像匹配概率为已知值；

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。

在本发明的一个实施例中，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，以消除图像特征向量间的冗余信息，使得回归模型更准确；其中，主分量分析方法为图像处理领域常用手段，此处不再赘述。

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：

$\underset{w,b,e}{\min }J(w,b,e)=\frac{1}{2}{w}^{T}w+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{e}_i^2$

其中，x_i与y_i构成训练样本集x_i为最小二乘支持向量回归机模型的输入，表示第i个训练样本的图像特征向量，y_i为最小二乘支持向量回归机模型的输出，表示第i个训练样本的图像匹配概率，n是训练样本个数；

φ(·)为输入空间到高维特征空间的非线性映射；w为权向量，表示最小二乘支持向量回归机模型的复杂度，w^T是w转置矩阵，e_i是第i个训练样本的误差，γ是正则化参数；

$b=\frac{1_n^T{K}_{\mathrm{\γ}}^{-1}y}{1_n^T{K}_{\mathrm{\γ}}^{-1}{1}_n}$

式中，K_γ＝K+γ^-1I_n，K＝κ(x_i，x_j)＝φ(x_i)^Tφ(x_j)，κ(x_i，x_j)为核函数，I_n是n×n单位矩阵，为K_γ的逆矩阵；y＝[y₁，…，y_n]^T，1_n＝[1，…，1]^T是n×1矩阵，是1_n的转置矩阵。

给定核函数κ(x_i，x_j)，则所述图像特征向量与图像匹配概率的关系为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\κ}(x_i,x)+b$

其中，α为Lagrange乘子，

优选的，所述核函数为线性核函数、多项式核函数、Sigmoid核函数和高斯核函数的任一种。

优选的，所述步骤S2进一步包括采用交叉验证方法对最小二乘支持向量回归机模型进行验证，以提高匹配区选取结果的准确性；具体包括：

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，选择多个不同的核函数，建立多个候选最小二乘支持向量回归机模型；

将测试图像的图像特征向量分别输入到多个候选最小二乘支持向量回归机模型中，得到测试图像的多个预测匹配概率；

分别计算所述测试图像的图像匹配概率与多个预测匹配概率之间的相关系数，选取相关系数最大的候选最小二乘支持向量回归机模型作为最终的最小二乘支持向量回归机模型，并执行后续流程。

优选的，所述步骤S5中的唯一性指标U为：

$U=1-\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i}{m}$

其中，m为候选匹配区中用到的实时图数目，p_i为第i幅实时图在该候选匹配区相关曲面上的次主峰比，实时图是自定义的候选匹配区的图像窗口。

本发明的有益效果是：本发明提供的一种基于回归学习的景象匹配区选取方法，综合了多个适配特征信息，利于选取出纹理丰富、结构突出的景象区域，提高匹配区的选取的准确率；同时，将红外图像、SAR图像作为训练图像，获得的最小二乘支持向量回归机能够适应不同类型图像的匹配区选取，且用最小二乘支持向量回归机取代了传统的分类器，在连续区间里选取结果，避免了阈值选取问题，具有更好的可靠性；另外，在多个候选匹配区中进行唯一性验证，与全图遍历选取的方法相比，在确保匹配区的唯一性的同时，减少了计算量并节省了时间，本发明能够适应不同类型图像的匹配区选取，计算过程简单，容易实现。本发明是一种低成本、高可靠、高效率、易操作的匹配区选取方法，在导弹飞行试验应用方面具有广泛的前景。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (8)

1.一种基于回归学习的景象匹配区选取方法，其特征在于，所述方法包括：

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。

2.如权利要求1所述的基于回归学习的景象匹配区选取方法，其特征在于，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。

3.如权利要求2所述的基于回归学习的景象匹配区选取方法，其特征在于，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：

$\underset{w,b,e}{\min }J(w,b,e)=\frac{1}{2}{w}^{T}w+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{e}_i^2$

其中，x_i与y_i构成训练样本集x_i为最小二乘支持向量回归机模型的输入，表示第i个训练样本的图像特征向量，y_i为最小二乘支持向量回归机模型的输出，表示第i个训练样本的图像匹配概率，n是训练样本个数；

φ(·)为输入空间到高维特征空间的非线性映射；w为权向量，表示最小二乘支持向量回归机模型的复杂度，w^T是w转置矩阵，e_i是第i个训练样本的误差，γ是正则化参数；

$b=\frac{1_n^T{K}_{\mathrm{\γ}}^{-1}y}{1_n^T{K}_{\mathrm{\γ}}^{-1}{1}_n}$

式中，K_γ＝K+γ^-1I_n，K＝κ(x_i，x_j)＝φ(x_i)^Tφ(x_j)，κ(x_i，x_j)为核函数，I_n是n×n单位矩阵，为K_γ的逆矩阵；y＝[y₁，…，y_n]^T，1_n＝[1，…，1]^T是n×1矩阵，是1_n的转置矩阵。

4.如权利要求3所述的基于回归学习的景象匹配区选取方法，其特征在于，所述图像特征向量与图像匹配概率的关系为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\κ}(x_i,x)+b$

其中， $\mathrm{\α}=K_{\mathrm{\γ}}^{-1}(y-{b1}_n).$

5.如权利要求4所述的基于回归学习的景象匹配区选取方法，其特征在于，所述核函数为线性核函数、多项式核函数、Sigmoid核函数和高斯核函数的任一种。

6.如权利要求1-5任一项所述的基于回归学习的景象匹配区选取方法，其特征在于，所述步骤S2进一步包括：

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，选择多个不同的核函数，建立多个候选最小二乘支持向量回归机模型；

将测试图像的图像特征向量分别输入到多个候选最小二乘支持向量回归机模型中，得到测试图像的多个预测匹配概率；

分别计算所述测试图像的图像匹配概率与多个预测匹配概率之间的相关系数，选取相关系数最大的候选最小二乘支持向量回归机模型作为最终的最小二乘支持向量回归机模型，并执行后续流程。

7.如权利要求6所述的基于回归学习的景象匹配区选取方法，其特征在于，所述步骤S5中的唯一性指标U为：

$U=1-\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i}{m}$

其中，m为候选匹配区中用到的实时图数目，p_i为第i幅实时图在该候选匹配区相关曲面上的次主峰比，实时图是自定义的候选匹配区的图像窗口。

8.如权利要求1所述的基于回归学习的景象匹配区选取方法，其特征在于，所述多个图像适配特征包括空域图像适配性特征和频域图像适配特征，具体的：

所述空域图像适配性特征包括全图标准差、绝对值粗糙度、边缘密度、边缘密度标准差、零交叉密度、图像信息熵、分形布朗模型的分形维数、最小局部标准差、Frieden灰度熵和梯度强度均值；

所述频域图像适配性特征包括：高频信息比和最小局部高频信息。