● 摘要
遥感目标检测技术是计算机视觉领域中备受关注的前沿问题，在军事侦察、精确制导、资源勘察以及智能交通等领域都有广泛的应用需求。特别是将显著性检测和机器学习相关理论应用到遥感目标检测技术后，大大提高检测效率和检测精度。但由于遥感图像中背景复杂多变，相似性较高，而且目标形状差异明显，利用传统的显著性模型进行检测时，受环境影响比较大，很难将目标准确完整地提取出来。针对这种情况，本论文根据不同分辨率下的遥感图像成像特点提出了两种基于机器学习理论的显著性模型作为驱动来进行遥感目标检测，充分结合了显著性与机器学习的性能优势，主要的工作如下：
首先，针对高分辨率遥感图像提出了稀疏指引显著性模型为驱动的目标检测方法。稀疏指引显著性模型采用稀疏表示、聚类和贝叶斯理论实现，通过全局线索和背景先验提取出字典，根据字典对图像区域进行稀疏表示学习得到表示区域间差异的高层特征，利用高层特征来生成显著图。从该显著图中提取出显著区域后，采用特征袋模型对显著区域进行分类和检测。该方法对高分辨率图像中具有相似结构的遥感目标检测效果较好。
再次，针对低分辨率遥感图像提出了增强学习显著性模型为驱动的目标检测方法。增强学习显著性模型采用增强学习理论，通过超像素分割、最小化绝对收缩与选择算子和基于反向传播的分层学习理论等实现。该模型具有自适应控制和自适应学习能力，利用基于反向传播的区域权重来指导下层的学习，并通过预先设定的学习终止条件来自主决定学习的层数，从而更加智能的生成显著图。通过特征袋模型对从显著图中提取出的显著区域进行分类，得到目标检测结果。该方法对低分辨率图像中结构紧凑的遥感目标检测效果极好。
最后论文构建了高分辨率和低分辨率下的训练样本集和测试数据集分别对两种显著性模型为驱动的目标检测方法进行实验验证，与传统的显著性模型为驱动的目标检测方法进行对比，验证利用所提出的利用显著性模型为驱动的目标检测算法在遥感图像应用中的有效性和优越性。