基于形状先验的遥感目标可信识别技术研究

With the rapid development of remote sensing technology, high resolution has become available in current series of remote sensing images. The remote sensing image interpretation presents new challenges. Actually, object recognition for remote sensing imagery is not only based on the spectral or intensity information, but also has a strong dependence on spatial relationships, shape information and prior knowledge. Object recognition technologies using shape information can efficiently guide the object extraction and recognition according to the shape constraint, thus enhance the robustness of handling remote sensing images with information-absent, such as shade and shadow. Therefore, they are more suitable to actual requirements of remote sensing imagery.The aim of this project is to seek shape prior based reliable object recognition for remote sensing imagery via variational models. Firstly, based on the nonparametric modeling theory, we build an integration solution including shape description and consistent expression via level set. Secondly, we investigate the relationship between global shape constraints and local structural characterization, and realize the shape constrained local fitting models for accurate extraction. Then, we establish a variational level set framework for automatic target recognition of remote sensing imagery by optimizing quantitative characterization of prior shape. This project will enrich the recognition theories and techniques, and promote the development of automatic target recognition for remote sensing imagery.

随着遥感技术的迅速发展，图像分辨率越来越高，对遥感图像处理和应用研究提出了新的挑战。遥感目标的精确提取与识别不仅依据光谱或者强度信息，对空间关系以及目标形状等特征信息和先验知识也存在较强的依赖性。基于形状信息的遥感目标识别技术能根据形状约束指导目标提取与识别，增强了遮挡、阴影等信息缺失情况下遥感目标识别的鲁棒性，更切合当前遥感图像的实际应用需求。本项目旨在研究基于形状先验的遥感目标可信识别技术，探求实现遥感目标可信识别的形状先验水平集模型：结合非参数建模理论，建立形状水平集建模中形状描述以及一致性表达等问题的一体化解决方法；明确全局形状约束和局部结构表征的关系，建立实现目标精确提取的局部拟合形状先验模型；优化先验形状的量化表征，建立用于遥感目标自动识别的多特征融合变分水平集模型框架。本项目研究将丰富遥感图像目标识别的理论与方法，为实现高效率、高精度的遥感目标自动识别提供技术支持。

由于传感器技术的快速发展，遥感图像处理和应用研究目前面临着极大的挑战。基于形状信息的遥感目标识别技术能根据形状约束指导目标提取与识别，增强了遮挡、阴影等信息缺失情况下遥感目标识别的鲁棒性，更切合当前遥感图像的实际应用需求。本项目主要研究基于形状先验的遥感目标可信识别技术，探求实现遥感目标可信识别的形状先验水平集模型，主要创新成果包括：（1））提出了基于局部拟合的水平集遥感图像分割方法，利用杂波统计表征原始图像中的局部结构，以极大似然作为该邻域的区域分离准则，并定义局部拟合能量项。利用几何活动轮廓模型描述和求解能量最小化过程；（2）提出了一种基于自适应有限元的水平集遥感图像分割方法，基于图划分最小割集准则优化图划分能量项并在有限元网格上进行离散，采用基于后验误差估计的自适应有限元网格调整策略，并实现基于三角网格的水平集演化。（3）提出了新颖的杂波统计方法，主要在于克服现有基于Gamma分布对高分辨率SAR图像的表征缺陷，利用Fisher分布拟合图像区域的强度统计特征，根据区域竞争模型建立基于Fisher分布的能量泛函，利用对数矩估计对Fisher分布的参数进行估计。本项目研究丰富遥感图像目标识别的理论与方法，为实现高效率、高精度的遥感目标自动识别提供技术支持。项目成果在国内外重要学术期刊已发表论文5篇，授权发明专利3项，授权软件著作权1项并通过产品鉴定，获得浙江省科技进步二等奖1项，基本完成了研究任务。