基于增量型半监督核方法的高光谱图像小目标检测机理及关键技术研究

高光谱图像小目标检测在国民经济和社会发展的众多领域中有着极为重要的应用。高光谱图像小目标检测研究尚需有效解决非线性数据处理与信息提取、目标小样本学习、高维数据高效计算等科学问题。解决上述科学问题的关键在于深入挖掘和利用高光谱图像数据空-谱信息(特别是大量的未标记样本)，使其更好地服务于小目标检测。基于此，本项目将主要研究(1)面向高光谱图像的半监督核方法目标检测机理，探索适合于高光谱小目标检测的半监督学习模式，建立基于半监督核方法的检测框架；(2)基于半监督核方法的高光谱图像小目标检测关键技术，研究半监督核目标检测框架中未标记样本选择和信息利用技术；(3)半监督核检测算法的高维计算，研究增量型在线学习技术。基于半监督学习理论，研究高光谱图像小目标检测新技术，解决高光谱图像小目标检测领域的关键科学问题，对于推动高光谱图像在国民经济和国家安全的重要应用，具有突出的科学理论意义和实际应用价值。

本课题研究旨在解决当前高光谱遥感图像目标检测中存在的数据非线性、高数据维、小样本学习等关键问题。经过三年的努力，课题组圆满地完成了课题计划规定的任务内容。在立项之时，项目组把高光谱目标检测的半监督学习机理和方法作为重点和难点。为此，本课题研究分别从目标特征提取、目标检测新方法、新型学习机制等方面开展了研究工作，取得了多项重要学术成果和关键技术突破：.(1)考虑目标信息分布特性、面向异常检测的特征提取的有效性对异常检测有重要影响，课题组提出了核预白化ICA变换和异常信息稀疏子空间估计两种特征提取方法，有效地解决了高光谱图像目标检测过程中有效信息保存问题。.(2)针对现有检测方法存在鲁棒性不强和泛化能力弱等问题，课题组提出了基于集成学习的高光谱图像异常目标检测方法；进一步，提出了角度正则化的目标匹配滤波及非线性算法，有效地解决了目标检测匹配滤波中目标光谱和背景光谱混叠带来的高虚警难题。.(3)针对无标签样本中的信息挖掘问题，在现有Laplacian支持向量机的基础上，引入一种自适应学习的度量函数，它通过训练样本的正面与负面约束关系对，对该度量函数进行迭代优化，更好的反映了高光谱数据之间的内在联系。.(4)提出了空谱混合多尺度多核分类方法，提高核学习机器的泛化能力较光谱单核分类提高约2%~5%；进一步，针对目标和非目标类别样本不均衡问题，提出了多核支持向量数据描述方法，增强了支持向量决策的紧致性和泛化能力，有效提高了目标识别率。.(5)课题组研究了图半监督多核学习方法，构造了多尺度图核相似性度量，改善单一尺度图核的平滑性，增强了标签信息在集群近邻间传递的有效性和稳定性，检测精度较单尺度图核半监督分类方法提高了约2%。.截至目前为止，基于上述研究成果，课题组已发表和录用论文23篇，其中SCI检索7篇，EI检索19篇，ISTP检索8篇，录用SCI源刊论文3篇。.在进行本课题研究和积累的同时，课题组对新的科学问题和研究方向进行了探索，确定了基于多核学习的高光谱图像地物分类、目标检测的重要研究方向，明确了其中存在的部分关键科学问题。