高分辨率SAR复杂场景建模与基于场景指引的目标检测

复杂场景信息表达（建模）与应用是SAR 图像解译的关键而困难的环节。本项目研究高分辨率SAR复杂场景的多层次信息表达及基于场景指引的目标检测：在一定规模的典型场景和目标标注库基础上，首先从SAR遥感物理模型和图像视觉特征两方面着手，有针对性地研究典型场景的特征竞争与共享关系,有机结合散射/极化，纹理，几何形状以及空间位置分布信息，建立场景有效底层特征；随后基于统计学习方法建立场景信息的中层特征语义、类别语义和隐语义表达；参考感知科学的最新成果，基于"混合层次"信息建立复杂场景的高层信息表达（场景分类）；最后在场景信息表达基础上，研究从样本中学习目标-场景关联，以减轻对专家经验的依赖及方便利用隐含和复杂的关联，最终建立典型目标特性的场景先验模型和对应学习算法，建立场景上下文指引的目标检测概率框架。将为基于内容的高分辨率SAR数据管理、检索、挖掘及目标检测和识别领域提供新思路、理论和方法。

高分辨率SAR图像中地物场景变得非常复杂，需要新的特征表达和分类技术以适应这一改变。本项目研究高分辨率SAR图像复杂场景的多层次表达与应用。复杂场景是相对于简单场景（这里指均匀地物场景，即同一场景的内容成分在特征域内表现具有统计一致性，例如水体，裸地）而言。复杂场景通常包含两种以上的不同均匀成分。除对应于高层复杂语义（例如工业仓储区）的复杂场景外，SAR图像分辨率的不断提高也会使原来具有“特征一致性”的简单场景变成“特征不一致”的复杂场景。多层次表达是指对场景的信息表达将从底层特征，中层成分语义及隐变量，高层场景语义等不同的抽象层次建模，为场景信息的进一步应用提供丰富信息。项目在以下几个方面取得了成果（1）提出复杂场景信息的多维金子塔中层表达，克服了金字塔表达高维情况下效果不佳的问题；联合金字塔表达与AdaBoost进行场景分类在12种不同表达和分类器的组合中取得了最佳效果。（2）由于高分辨率SAR图像场景复杂以及获取充足样本很困难，我们基于“检索”而不是“分类”框架进行场景分类。利用相关反馈技术将人/专家经验加入分类器学习过程以及充分利用机器学习技术来减少训练样本的需求量。我们在一个包含主动学习，半监督学习和长期学习在内的较为复杂检索框架下，提出了多个有效的场景分类方法，并申请了发明专利。（3）提出了利用高分辨率SAR图像提取城市场景建筑密度和建筑数目信息的新方法；将场景上下文信息具体应用于城市场景中的目标（道路和建筑目）提取，获得了明显性能提升。