基于NSST混合理论的反恐图像目标识别方法研究

Non-Subsampled Shearlet Transform (NSST) is an important extension of the classic multi-scale analysis theories, and has good associativity. The combination between NSST theory and relevant theories is one of the important approaches to the inauguration and evolution of novel methods for image processing. To the typical problem of information processing of counter-terrorism image targets recognition (CTITR), the deep investigation into the techniques for CTITR based on NSST hybrid theories is carried out. By researching on the combination mechanism between the NSST theory and other three ones including nonnegative matrix factorization (NMF), novel neural network (NN), and receptive field (RF), the combination rules of NSST theory can be explored. By conducting an investigation into the theories which are based on NSST domain improved NMF, NSST domain improved NN and NSST domain improved RF, respectively, we can seek for the methods for solving the problems of CTITR based on NSST hybrid theories. With the breakthrough in the key issue of the applications of NSST hybrid theories in CTITR, three kinds of effective techniques for CTITR which are based on NSST domain improved NMF theory, NSST domain improved NN theory and NSST domain improved RF theory, respectively, can be proposed. The expected results of this research are very beneficial to enhancing the power of counter-terrorism in our country and have important theoretical significance and practical value.

非下采样剪切波变换（NSST）是对经典多尺度分析理论的重要发展，具有良好的结合性。NSST理论与相关理论相融合是开辟和发展新的图像处理方法的重要途径之一。针对反恐图像目标识别这一典型的信息处理难题，深入研究基于NSST混合理论的反恐图像目标识别方法。通过研究NSST理论与非负矩阵分解（NMF）理论、与新型神经网络（NN）理论、与感受野（RF）理论的融合机理，探索NSST理论的融合规律；通过研究基于NSST域改进型NMF理论、基于NSST域改进型NN理论、基于NSST域改进型RF理论，寻求发展NSST混合理论求解反恐图像目标识别问题的处理方法；通过突破NSST混合理论在反恐图像目标识别中的应用等关键问题，得到有效的基于NSST域改进型NMF理论、NSST域改进型NN理论、NSST域改进型RF理论的反恐图像目标识别方法。本项目预期研究成果对于提升我国的反恐处突能力具有重要的理论意义和应用价值。

本项目对NSST理论与非负矩阵分解、新型神经网络、感受野等相关理论的结合问题进行研究，探索发现NSST理论的融合规律。在NSST域非负矩阵分解模型研究方面，深入研究了经典非负矩阵分解模型中的内在问题，摒弃了参数的随机初始化方法，设计了新的参数初始化算法，构建了改进型非负矩阵分解模型，提出了基于NSST域改进型非负矩阵分解理论的反恐图像目标识别方法，形成了NSST域非负矩阵分解理论。在NSST域新型神经网络模型研究方面，分别针对经典脉冲耦合神经网络模型和交叉视觉皮层模型的运行机理进行了研究与改进，在一定程度上解决了经典模型运行机制繁杂、待定参数过多的问题，提出了基于NSST域改进型神经网络理论的反恐图像目标识别方法，形成了NSST域神经网络理论。在NSST域感受野模型研究方面，详细分析了经典感受野模型内部机理的不足，设计了改进型感受野模型，克服了经典模型不适用同质传感器图像处理的内在缺陷，提出了基于NSST域改进型感受野理论的反恐图像目标识别方法，形成了NSST域感受野理论，促进了反恐图像目标识别等相关领域问题的合理解决。形成的NSST域非负矩阵分解理论、NSST域神经网络理论、NSST域感受野理论，成为了新的求解图像问题的智能信息处理方法。.本项目的研究推动了基于NSST混合理论的图像智能信息处理理论与技术的发展，促进了NSST理论与非负矩阵分解理论的融合问题、NSST理论与新型神经网络理论的融合问题、NSST理论与感受野理论的融合问题、NSST混合理论的应用问题等关键科学问题的解决，具有重要的科学意义和理论价值，本项目的研究成果既在理论上丰富了NSST理论的研究，又在应用上提升了相关领域的研究水平，对提高我国的反恐处突能力具有十分重要的理论意义和应用价值。