基于非下采样Shearlet和多任务压缩感知的多源遥感图像目标融合识别

本项目针对多源遥感图像目标融合识别的图像模型多样性问题、目标特征非一致性问题和目标识别方法稀疏性问题，结合遥感图像的应用需求，构造非下采样Shearlet稀疏变换，在多任务压缩感知的框架下，利用非下采样Shearlet的多分辨、多方向等特点，构造新的多源遥感图像多任务压缩感知融合识别理论，在此基础上，建立不同目标观测特征的一体化提取和一体化多任务压缩感知目标融合学习，为多源遥感图像目标融合识别提供有效的方法。研究成果拟在国内外著名期刊和国际知名会议上发表论文10-15篇；申报专利和软件著作权2-3项。

遥感图像中包含大量的方向信息，这些信息是进行目标检测和识别的关键。传统基于变换的方向信息提取通常采用如Fourier变换，小波变换、多尺度几何分析等方法。Fourier变换和小波变换因其数学逼近的有限性在表示图像的线奇异性时效果并不是很好，对于背景复杂的遥感图像很难体现出优点。而且由于遥感图像中特征区域多种多样，既有“点奇异”，也有“线奇异”；既有平滑区域，也有非平滑区域；既有光滑的轮廓线，也有非光滑的轮廓线；既有非纹理区域，也有纹理区域；等等。当前的多尺度几何分析工具只是在理轮上能够有效处理分片光滑函数类，对于其它更为复杂的函数类型，还是无能为力。因此对遥感图像的处理则需要更好的描述工具。最近几年发展起来的压缩感知（Compressed Sensing，CS）为遥感图像目标融合识别提供了可行的思路，压缩感知理论依据信号的结构，将信号的采样率替代为信号的“信息率”，达到获取有效信息的目的，为遥感图像目标融合识别提供了有效的信息来源。本项目总结当前多源遥感图像目标融合识别中的关键难题和应用瓶颈问题，针对多源遥感图像模型的多样性问题，研究了多源遥感图像的非下采样Shearlet稀疏表示，并结合多任务压缩感知，建立了基于非下采样Shearlet的多源遥感图像多任务压缩感知融合识别理论，并构造了针对特殊目标的平移、旋转和尺度不变的感知矩阵、快速重构求解的优化方法；针对多源遥感图像目标特征的非一致性问题，结合目标的先验知识，采用多任务压缩感知融合识别模型，建立了不同目标观测特征的一体化提取以提高目标特征提取的有效性；针对多源遥感图像目标识别方法的稀疏性问题，建立了有效的一体化多任务压缩感知融合学习以提高目标识别性能。研究成果获2013年国家自然科学奖二等奖1 项和2012陕西省科学技术奖一等奖1项，在本领域重要期刊和会议上发表论文28篇，授权国家发明专利11 项，培养博士4名，硕士6 名。