随着信息技术不断发展,通过视频、遥感等手段可以获取大量光学图像,如何从海量的光学图像发现有用信息是当前研究的热点,目标检测作为其核心研究内容,备受关注。目标检测分为单帧静态图像的检测和多帧运动图像的检测,本文根据课题组实际承研的多个静态图像检测的项目,开展了基于光学图像的多类目标快速检测方法研究。本文首先对图像进行预处理,消除图像在获取或传输中出现的噪声,然后围绕基于形状的特殊标识检测与识别、卫星遥感图像中重要目标的快速检测与定位以及高光谱图像中异常目标检测等若干问题进行了研究,主要包括如下五个方面:(1)研究一种滤除混合高斯白噪声和信号依赖噪声图像降噪方法由于内在或外在的噪声干扰,会使图像产生一些噪声,已有的降噪方法大多关注对高斯噪声的处理,在实际的图像中往往会受到高斯噪声和信号依赖噪声的混合噪声的污染,为了得到比较直观清晰的图像,保证后续特征提取的稳定性,本文提出了一种对混合高斯白噪声和信号依赖噪声图像降噪方法。该方法通过对数变换的形式将其中的乘性噪声转变为加性噪声,再用经典的加性噪声图像降噪方法消除加性噪声,最后对图像进行进行指数变换得到最终的图像,通过大量实验验证了所提方法的可行性。(2)研究了一种基于形状轮廓描述方法针对已有的形状轮廓描述方法在轮廓特征提取和计算相似度需要较大的计算量,效率不高的问题,提出一种基于形状矩阵的傅里叶描述子,从形状矩阵的产生、基于形状矩阵的傅里叶描述子的构建及相似性度量几个方面进行了描述。(3)研究了一种基于SVM和主动学习的图像检测方法为了提高检测算法的检测速度和检测的精度,提出了一种组合支持向量机和主动学习的目标分类方法,该方法中的特征提取方法采用基于形状矩阵的傅里叶描述子,对特征数据库中的样本数据分两阶段进行处理,第一阶段获取代表性数据,作为初始标记的数据,缩小了检测的范围。第二阶段获取关键性数据,将关键性数据作为最有价值的样本进行标注,通过主动学习,不断迭代,直到满足结束条件。(4)研究一种基于区域目标直线模型的遥感图像快速检测方法由于遥感影像中地面感兴趣目标通常包含了大量的直线特征,且直线特征相对于点特征要稳定,相对于轮廓特征要简单,所以展开该方法的研究。该方法首先手工从历史卫星图像用直线集标记区域目标的模型,然后从待检测数据提取大量直线,最后通过两个直线集的匹配实现区域目标检测与定位。采用偏移累加器的投票机制实现了目标快速准确定位,偏移累加量最大值就是就最佳匹配位置,在包含多种目标、目标已被大范围遮挡、小角度旋转三个场景下对卫星遥感图像进行了测试。(5)研究了一种基于分段三阶张量分解的高光谱图像异常目标检测方法针对已有基于三阶张量分解的异常检测方法内存要求大和数据相关性强的弱点,进行了基于分段三阶张量分解的高光谱图像异常目标检测方法研究。主要过程为:高光谱数据立方体用三阶张量表示;在光谱域和空间域对高光谱图像数据进行分段;在每个子张量上进行Tucker分解;对用于异常检测的张量进行重构;在每一个子张量中进行异常检测并将检测结果进行融合。最后,通过与一些流行的检测方法在合成数据和实测数据中进行了比较测试。