近年来,随着图像传感器技术和航空航天事业的高速发展和进步,高分辨率遥感图像被广泛应用于分别以军事安全和民用服务为目的的不同领域中,逐渐成为计算机视觉与模式识别领域的研究热点。遥感卫星数量的急剧增多,和卫星重访周期的缩短使得获取的遥感图像数据量剧增,而遥感图像分辨率的显著提高,在为用户提供更多感兴趣目标信息的同时,也带来了更复杂的背景信息。因此,如何高效准确的从高分辨率遥感图像中提取出感兴趣的目标—尤其是与人类活动密切相关的人造目标,成为影响遥感图像应用的至关重要而又亟待解决的难题。由于传统的人工判读方式提取人造目标的方法,无论是在检测效率上还是在检测精度上都无法满足当前应用的需求,因此,利用可靠的目标检测算法,实现遥感图像中人造目标的自动检测,是当前遥感图像处理的主要发展方向,具有重要的理论意义和实际应用价值。本文首先对现有的人造目标检测方法进行分析和归纳,并比较和总结了当前主要检测方法的优缺点,以高分辨率光学遥感图像为研究对象,深入研究了有关典型人造目标的目标特性,实现了大幅面高分辨率遥感图像中人造目标的快速自动检测,取得了一些有价值的研究成果。本文主要的创新性研究工作及研究成果如下:1.研究分析了高分辨率光学遥感图像及其典型人造目标的特点,总结了遥感图像目标检测算法的一般流程,并详细阐述了检测流程中的各项关键技术,如候选目标区域的提取,特征提取以及目标的判别确认等,为典型人造目标检测算法的提出提供了理论参考依据。2.在对特定目标的单类人造目标检测算法研究中,本文重点研究了大幅面光学遥感图像中的舰船检测问题,提出了一种快速精确的舰船目标检测方法。该方法首先在基于最大对称环绕显著性检测的基础上,结合一种基于元胞自动机的同步更新机制完成目标候选区域的提取;然后,根据舰船目标的固有特性,对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征(Edge Histogram Orientation of Gradient,简称E-HOG特征),将其与形状特征相融合构造了一种与舰船目标尺寸无关的特征向量,对舰船目标进行描述,最后,通过Ada Boost分类器完成目标的最终判别确认。在大量的实际遥感图像数据中进行实验,结果表明,本文的检测算法,不仅能够快速的检测出大幅面光学遥感图像中的舰船目标,且检测精度为97.2%,检测性能优于目前主流的舰船检测算法。3.针对高分辨率光学遥感图像中多类人造目标的检测问题,根据自然物体和人造目标在几何外形上表现出的不同特性,在对传统的相位编组直线段提取算法和k-means聚类算法改进的基础上,提出了一种K-means聚类和几何特征相结合的检测方法。首先,改进基于区域生长的相位编组算法,提出了一种快速的直线段提取和处理算法,并将其用于人造目标的几何特征提取;然后,针对K-means聚类算法容易受到初始聚类中心影响,以及无法根据实际应用需求自动确定聚类个数K值的问题进行改进,并将改进后的K-means聚类算法对提取的直线段进行密度聚类,得到人造目标的候选区域;最后,根据每个类中的直线段数目和构成的几何基元情况,进行人造目标的判定。4.针对多类人造目标检测算法的硬件实现进行了研究与探索。首先根据FPGA的芯片特点对检测算法的各个部分进行了优化与重构,然后设计了一种以Xilinx公司Virtex-5系列FPGA(XC5VSX95T)为核心处理器的的算法实现方案。硬件实现方案主要包括图像预处理模块,区域生长与直线段提取模块,直线段判别模块,直线段分类模块,目标判定模块和DDR2 SDRAM调度模块;该方案把输入的相邻帧图像分别存入不同DDR2 SDRAM中,并且每一片外挂的DDR2 SDRAM都有独立的数据处理模块;数据处理中涉及到三角函数与反三角函数的运算,采用CORDIC算法和查找表相结合的方法,保证了算法实现过程的计算精度和实时性。