多时相遥感影像目标提取的时空模型与方法研究

Transforming remotely sensed images into dynamic spatial information of ground scene is a difficult topic in the field of remote sensing. Although detecting dynamic objects is a common research topic in many fields, their detection from multi-temporal remotely sensed images is a relatively empty area of research. In this project, we plan to investigate the unified spatial-temporal model for ground objects. In temporal dimension, we will analyze the temporal change of the objects, and investigate the description method for birth, death, movement and deformation. In spatial dimension, we will analyze the shape and the distribution of the objects, and investigate the unified description method for all kinds of object. Combining the temporal dimension and spatial dimension, we will construct the unified spatial-temporal model. Then, we will investigate how to utilize multiple cues to construct the priori model and the likelihood model, so that a robust model can be achieved. Then, we will investigate a new efficient technique for the learning and optimizing the model, so that objects can be detected efficiently. Based on these researches, we can construct a unified spatial and temporal model for ground scene and multi-temporal remotely sensed images, and we can also develop a new method for detecting and extracting ground objects from multi-temporal remotely sensed images.

遥感科学与技术发展正面临遥感大数据难以高效转换为动态空间信息的尖锐矛盾。虽然利用序列影像提取动态目标是多个领域共同关注的研究课题，但是没有构建地面目标及其多时相遥感影像的统一时空模型，不利于综合利用各种时空线索检测与提取目标的动态空间信息。本项目拟以随机点过程理论为工具，开展时空统一模型理论与方法研究。时间维度上，分析目标时变规律，研究目标产生、灭亡以及变化的描述方法。空间维度上，分析目标的空间分布以及几何形状，研究不同目标的统一描述方法。在此基础上，将两者统一于一体，得到时空统一模型。进而研究并建立针对该模型的先验概率描述方法、似然概率描述方法、统计学习与优化求解方法。通过本项目研究，不但能够挖掘随机点过程理论在多时相遥感影像目标提取中的应用潜力，而且能够构造地面目标及其遥感影像时空统一模型，以利于从多时相遥感影像中提取地面场景动态空间信息，促进遥感影像目标提取和变化检测等方向的研究。

本项目以随机点过程理论和马尔科夫随机场理论为工具，研究各类地面目标及其遥感影像的统一模型，进而研究并构建遥感影像目标提取方法。首先，我们研究了各类目标的几何特性及其相互联系，在国际上率先提出并构建无标记点过程，统一表示点状、线状和面状目标，作为不同目标的基础空间模型。其次，我们构建基于行列式点过程的大数目目标提取方法，构建基于长方形点过程的遥感图像汽车提取方法，构建多源数据融合以及建筑物提取的全局优化方法。再次，构建超像素分割算法，架起低层次像素和高层次目标的桥梁。最后，改进卷积神经网络输出距离变换值以改善航空图像语义分割结果的空间连贯性，将Landsat影像云检测与提取表述为语义分割问题，采用深度学习方法求解。本项目研究成果不但发表在摄影测量与遥感领域顶级期刊，而且发表于计算机视觉与模式识别领域顶级期刊。