人类视觉认知与多尺度遥感图像智能化处理方法研究

由于地球表面巨系统的复杂性和遥感数据获取多尺度的双重特点，遥感图像多尺度问题是迫切需解决的核心科学问题之一。本项目结合视觉认知心理学和认知神经科学的研究成果，分析比较人类视觉信息处理和遥感图像目视解译的基本过程，采用"自底向上"与"自顶向下"相结合的视觉心理学过程进行遥感多尺度图像分析模拟，构建其体系框架；进而，利用视觉注意阶段的显著目标识别过程，构建多尺度图像的SAN或FSAN形状自适应尺度单元的计算模型；在视觉知觉计算模型中，将分析各尺度单元内的梯度、颜色、纹理和位置等的特征和数量等级，以及它们与RS图像端元特征的关系，探索尺度转换方法；然后，进行LUCC多尺度图像特征本体建模，结合先验知识、地表状态和目标参数对特征本体进行知识表达与学习，使其辅助图像多尺度目标识别、对比和转换，并建立适用于多尺度图像特征本体的描述逻辑与推理规则，设计相应的推理机，使其符合多尺度遥感图像智能化分析处理。

多尺度遥感图像智能化处理问题是遥感应用急迫需解决的关键技术之一，而遥感图像多尺度问题又是其核心科学问题。本项目在深入分析视觉认知心理学和认知神经科学的最新研究成果、人类视觉信息处理和遥感图像目视解译的基本过程后，构建了基于"自底向上"与"自顶向下"遥感多尺度图像分析模拟的体系框架；进而，利用视觉注意阶段的显著目标识别过程，进一步完善了形状自适应邻域（SAN）方法，建立了基于显著对象形状自适应邻域（ST-SAN）的计算模型；同时，还设计了一种改进的特征选择算法GA-PNN-MI算法，它结合GA的全局最优搜索能力和PNN概率神经网络的优秀建模能力，以及GA-MI算法中MI关于变量间交互作用的评价。在视觉知觉计算模型中，研究了形状自适应邻域（SAN或ST-SAN）不规则形状中纹理特征提取方法，纹理特征定量分析方法，探索了多尺度融合和转换方法等；进而，延展到RS 图像端元特征可变非线性混合像元分解模型、PSO光谱解混算法、DE光谱解混算法，并针对目前光谱解混存在的效率和精度问题，引入高性能并行计算技术、群智能计算技术进行解决。最后，在进行LUCC 多尺度图像特征综合分析中，选择深度学习方法进行结构化特征融合处理，提出了一种稀疏自组合方法，通过稀疏基的引入使得卷积神经网络具有更好的特征学习能力与分类能力；与此同时，研究还结合专家遥感图像解译先验知识、地表状态（自然地表本体）和目标参数等，实现了遥感图像特征本体建模，建立了多尺度遥感图像特征本体的知识表达与学习，描述逻辑与推理规则，以及相应的推理机，其精度达到95.11%，与经典的基于SAN方法的分类京都近似，并研发了基于图像特征本体的遥感图像分析工具，使其实现了遥感图像目标识别、分类和同化的多尺度智能化分析处理，为扩展遥感应用领域奠定了理论与技术基础。