基于鉴别特征分析的遥感图像检索方法研究

日益增长的高分辨率遥感图像，作为一种重要的对地观测信息源，包含了丰富的地表信息，如何从中快速提取信息并加以充分利用，是当前颇具挑战性的研究问题。基于内容的遥感图像检索是高效利用这些数据的重要技术手段之一，本项目围绕特征有效性，从提高检索精度和检索效率方面开展研究。将遥感图像检索目标分为均一目标和复合目标，针对均一目标检索，提出基于半监督学习和特征选择的研究思路，以提高特征有效性。为了提高大幅面遥感图像检索效率，引入位置敏感哈希索引机制，提出针对不同检索地物，研究不同特征空间数据分布情形下哈希函数的自动学习，以进一步提高检索效率。针对复合目标复杂语义，提出通过对局部特征点进行鉴别分析，增强检索目标的显著性，并结合图匹配进行自适应加权，提高检索精度和效率。本项目的开展不但对计算机视觉和遥感图像分析等领域的应用基础研究具有重要意义，而且能为水利、环境监测以及国土资源管理提供新型技术支撑。

项目组共同努力较好地完成了研究任务：发表论文18篇（期刊13篇+国际会议5篇），其中SCI检索5篇，EI检索7篇，中文核心期刊8篇；申请发明专利14件，获授权5件；培养博硕士研究生11名，已毕业硕士7名、博士1名。.围绕特征有效性，从提高分类、检索精度及算法效率等方面开展研究，主要成果如下：.1提出自适应特征选择的水平集Chan-Vese模型，将多个颜色特征和纹理特征作为初始特征集，通过相似性函数度量自适应选择特征，并对不同遥感图像自动调整特征权重。.2提出了基于特征选择和半监督学习的遥感CBIR新方法，提高了检索的自动化程度；针对传统分块策略易导致小目标漏检问题，提出了结合图像分割的基于区域的检索新方法：借助聚类分析进行特征选择，然后利用均值漂移滤波实现分割，最后采用新的区域表示与匹配方法完成CBIR。该方法对各种面积的水库和土壤侵蚀均取得了很高精度。.3分别提出基于LSH和VP树索引的遥感CBIR技术，通过离线建立索引、在线选择特征，实现了快速遥感CBIR。提出了两个新的索引有效性指标：基于特征鉴别能力的索引有效性指数FDIVI和基于距离对比度的DCIVI，通过各个特征空间的索引有效性指数选择最佳鉴别特征。.4在特征表示和挖掘方面，提出了一种新的特征表示方法，该方法首先利用超像素分割算法将VHR图像分割成若干区域，然后提取局部特征，并进行强鉴别力特征挖掘，对大型标准测试图像集的分类精度达到95%，超过了深度学习算法。.针对不同类别地物场景具有不同的最佳分类特征，提出了基于聚类分析和特征挖掘的多特征融合场景分类方法：通过聚类将图像分为两类，对聚类一致性较好的子类别训练基于全局特征的分类器；对其余的类别提取局部特征并进行特征挖掘，训练基于精简特征的分类器。与其他方法相比，分类精度提高了5%。.5 提出了基于特征鉴别有效性分析的高维特征选择新方法，针对高光谱遥感图像定义了一种波段鉴别能力指数度量，降低了所选波段之间的冗余度；改进了分支定界搜索方法，不但提高了分类精度，而且算法复杂度降低了50%。.6 成果已被应用到水利部遥感大数据业务化处理网格服务平台和全国水利普查项目，为水利应用提供良好的技术支撑，产生了巨大的社会经济效益。获得2015国家科技进步二等奖、2014教育部科技进步一等奖、2013测绘科技进步特等奖。