基于分层自适应部分模型的遥感图像飞机目标检测

提出一种基于分层自适应部分模型(HAPM,hierarchical adaptive part-based model)的目标检测方法,用于遥感图像的飞机目标检测。针对目前目标检测方法在子类型数目确定、模型多分辨率结构关系方面存在的不足,构造如下算法:首先构建一个扩展的Part-based Model模型;其次,分别从子类型的自适应选择、子类型的多层次建模和检测阶段加权距离变换的形变优化等方面对其进行改进;最后,HAPM算法充分考虑了模型的形变,同时结合多层次的建模思想使得目标的检测精度和算法适用性大大增强。用收集的10大国际机场的真实遥感图像数据进行实验验证,证明了算法的有效性。     

基于压缩感知的sar图像cfar目标检测算法

提出了一种基于压缩感知（compressedsensing,cs）和恒虚警率（constantfalsealarmrate,cfar）目标检测算法,用于合成孔径雷达（syntheticapertureradar,sar）图像的目标检测。针对传统的均值类和有序统计量类cfar目标检测算法,首先对每个局部滑窗的背景杂波像素利用压缩感知进行重建,以此来降低sar图像相干斑现象的影响,然后利用重建后的数据进行杂波分布参数的估计,并利用cfar检测器进行目标检测。在真实的sar图像中证明了上述目标检测算法的有效性     

条件随机场的多极化InSAR联合相位解缠算法

提出一种基于CRF模型的多极化InSAR联合相位解缠算法,用于在多极化方式的InSAR中选择最优通道的解缠相位计算高程。其中,缠绕相位的联合条件概率的倒数用作一元似然能量项,全变分对应的解缠相位的平滑度用作二元先验能量项,通过将两者统一的能量函数进行计算并优化,减少了相位解缠和单通道的噪声引起的误差。试验证明,该方法获得的高程精度优于最大似然估计高程。     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

特征选择双层svm的融合算法用于极化sar图像分类

为了充分利用极化合成 孔 径 雷 达（ s y nthetica p etureradar,sar） 图 像 丰 富 的 地 物 信 息 并 解 决 单 一 特征在图像分类中的局限性问题,提出了一种基于特征选择双层支 持 向 量 机（ su pp ortvectormachine,svm） 的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于 sar 图 像 的 分 类。首先,对sar 图像进行多种类型特征矢量 的 提 取 以 能 完 整 地 描 述 全 极 化 sar 图 像;其 次,进 行特 征 归 一 化 处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔（ s p atialpy ramid,sp） 分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联 （ minimumredundanc yandmaximumrelevance,mrmr） 特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层 svm 模型,实现单层目标类别概率 的 优 化 和 再 处 理。实验结果验证了该算法对于极化sar图像分类的有效性。     

逐层特征选择的多层部件模型用于遥感图像飞机目标检测

提出了一种基于逐层特征选择的多层部件模型目标检测算法(multi-layer feature selection based hierarchal component model,MFSHCM),用于遥感图像飞机目标检测。通过提取目标多特征并结合局部判别式模型的建模方法,首先将提取的目标多种特征采用多核学习的方法经过核函数变换后再进行组合,提高了目标描述的准确性;其次考虑到目标自身固有的结构特性,特别是层次结构关系,引入分层的思想,构造目标的分层结构特征,并通过分层特征选择有效地降低了特征计算的复杂度;最后将MKL多特征和分层结构相结合,利用LSVM学习和推理,提出了基于逐层特征选择的多层部件模型目标检测算法。实验中将该算法在收集的十大机场真实场景数据上进行测试,验证了算法的有效性。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达(synthetic apertureradar,SAR)图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

基于pLSA和Topo-MRF模型的SAR图像分类算法研究

针对大多数分类方法未能同时考虑图像与特征、类别与特征、类别与类别之间关系的问题,提出了一种基于潜在语义分析(pLSA)和拓扑马尔可夫随机场(Topo-MRF)模型的合成孔径雷达(synthetic aperture radar,SAR)图像的分类算法。实验结果证明了该算法的有效性。