论文部分内容阅读
目标检测是遥感图像解译的一项基本任务,即确定图像中是否存在感兴趣的目标,并判断目标所属的类别。随着遥感技术的发展,传统的目视解译方法由于耗时长、劳动强度大、依赖于目视判读者的经验而变得难以满足需求。因此,利用计算机进行自动目标检测具有重要的研究意义。与中低分辨率遥感图像相比,高分辨率图像中人造目标的结构、纹理和细节等信息会表现得更加清楚,并且可辨识目标的种类也大大增加。要同时检测这些目标,我们需要提取目标的各类信息并充分归纳这些信息,从而全面、准确地描述各类目标。另外,从海量数据中准确检测多类目标的任务对于检测速度和模型训练时间也提出了更高的要求。
针对上述问题,本文以机器学习中的多核学习(MKL)方法为基础,以高分辨率光学遥感图像中具有固定几何形状的人造目标为研究对象,对目标检测方法进行了深入研究。根据人造目标的特点,提出新的方法对各类特征信息进行归纳利用,力求准确、高效地解决面向特定应用的目标检测问题。
论文主要工作和研究成果总结如下:
1,提出了一种基于MKL_SVM的多核学习方法。针对单一特征类型和相等权重多特征方法描述多类目标不全面的问题,该方法构建了新的形状核、点特征核和表观核三类基础核来综合描述目标,并采用一种混合的方式归纳利用这几类信息。该方法首先将隶属同一特征的各个分辨率等级下的特征向量加权地级联起来,利用一种新的基于支持向量机(SVM)框架的自适应学习方法确定各等级之间的权重,然后按照同样的方式调整不同特征类型之间的权重差异。这种多核组合方式既考虑了同一特征下不同分辨率等级之间的差异,又考虑了不同特征类型之间的差异。实验结果表明,与传统单核分类器以及其他多核组合方式相比,该方法能体现各类特征在描述不同目标类别上的差异,满足多种类型人造目标的检测需求。
2,提出了一种基于MKL_RVM的多核学习方法。针对实际应用中MKL_SVM解的数量与训练样本数成比例增长、从而影响检测效率的问题,该方法将关联向量机(RVM)目标函数与多核组合理论的表达式结合起来,建立了新的优化问题。为了解决此优化问题,采用了一种新的基于混合罚函数法和标准RVM迭代算法的模型训练算法求解权重和模型中的其他参数。训练过程中引入了用于分类决策的参数向量,由于通过数据反复迭代进行估计之后参数向量的许多分量趋于零,因此解具有高度稀疏性,同时混合罚函数法的采用能够自适应优化RVM中各基础核的权重。实验结果表明,该方法能够获得和MKL_SVM相似的检测性能,并且因为使用较少的关联向量来预测未知数据的类别,从而减少了测试时间。
3,提出了一种基于MKL_Mrvm的多核学习方法。针对MKL_RVM方法应用于多类目标检测时模型训练效率低的问题,该方法采用基于快速边缘似然最大算法直接计算多类关联向量机(mRVM)分类器的决策函数,避免了传统RVM中拉普拉斯近似方法需要重复计算目标函数Hessian矩阵的过程,并且因为不需要构造一系列两类分类器,大大缩短了多类模型的训练时间。同时,训练过程中采用交叉验证方法确定基础核权重,在随机分出的确认集上检验分类器的精度,选取使得分类模型精度最高的值作为权重的优化结果,由此将多个基础核引入了多类模型。实验结果表明,该方法能够在保持解的稀疏性的前提下,有效地缩短了模型训练时间。