基于半监督学习的高分辨遥感影像信息提取方法研究

高分辨遥感影像数据量的增加要求提高解译的自动化程度，高质量的解译结果要求提高处理的智能化程度，为此，本项目综合遥感、模式识别、机器学习、计算机视觉、信号分析等领域的新进展，研究高分辨遥感信息的智能化处理新方法- - 基于图的半监督分类方法和半监督聚类方法。即通过基于对象的高分辨遥感影像多特征提取和综合研究，以及基于半监督核等的半监督学习研究，提高自动目标检测的精度；通过基于分层和对象概念的稀疏图模型研究，以及半监督分类和半监督聚类方法的快速实现研究，应对遥感数据量大的问题。拟得到充分利用影像特征、适于大规模数据、有效、高效的智能化遥感影像信息提取方法，进行城市道路、建筑物、绿地、水体等典型目标的检测应用。并将研究初步推广到高光谱影像处理及土地利用变化监测应用中。项目的研究内容处于遥感信息的交叉学科研究前沿，该研究对智能化高分辨遥感技术的推进具有重要的理论意义和现实意义。

高分辨遥感影像数据量的增加要求提高解译的自动化程度，高质量的解译结果要求提高处理的智能化程度，为此，本项目综合遥感、模式识别、机器学习、计算机视觉、信号分析等领域的新进展，研究高分辨遥感信息的智能化处理新方法- - 基于图的半监督分类方法和半监督聚类方法。即通过基于对象的高分辨遥感影像多特征提取和综合研究，以及基于半监督核等的半监督学习研究，提高自动目标检测的精度；通过基于分层和对象概念的稀疏图模型研究，以及半监督分类和半监督聚类方法的快速实现研究，应对遥感数据量大的问题。拟得到充分利用影像特征、适于大规模数据、有效、高效的智能化遥感影像信息提取方法，进行城市道路、建筑物、绿地、水体等典型目标的检测应用。并将研究初步推广到高光谱影像处理及土地利用变化监测应用中。项目的研究内容处于遥感信息的交叉学科研究前沿，该研究对智能化高分辨遥感技术的推进具有重要的理论意义和现实意义。