题目：高分辨率遥感图像目标检测技术研究

高分辨率遥感图像目标检测作为遥感领域最受关注的研究领域之一，拥有广泛的应用范围，例如军事、治安以及交通管理等方面。但是，随着遥感图像的分辨率明显提高，遥感图像所蕴含的信息量剧增，大幅面与大信息量造成了检测过程中产生大量的虚警，严重影响了检测的精确性，同时也为图像的实时有效处理制造了不小的难度。为了提高高分辨率遥感图像目标检测技术的可靠性与效率，针对现有研究方法的不足，本文在高分辨对地观测重大专项支撑课题的需求牵引下，以飞机和车辆目标检测为应用背景，围绕遥感图像区域分割，感兴趣区域提取，以及目标检测等关键技术展开了研究。对于遥感图像目标检测，本文提出了基于部件语义模型和基于多层次分类器的两种目标检测方法，基于部件语义模型的目标检测方法提出的主要目的是通过挖掘目标内在的结构信息以提高目标的检测性能；而基于多层次分类器的目标检测方法则是以同时保证目标的检测效率与精度，满足大幅面高分辨率遥感图像数据快速处理的实际需求为研究目的。

本文的主要研究工作和贡献具体包括以下四个方面：

(1) 为了缩小遥感图像目标的检测范围以提高目标检测的精度与效率，本文提出了基于空间信息语义模型的遥感图像分割建模方法和基于改进显著性模型的感兴趣区域提取方法。基于空间信息的主题语义模型通过过分割方法将图像划分为大量的小图像块，再利用改进的LDA模型对图像块以及图像块的空间位置进行纹理建模，构造纹理的概率描述，以此形成遥感图像的区域分割。基于改进显著性模型的感兴趣区域提取方法将直线特征通道引入Itti显著性检测模型，结合遥感图像区域分割的结果，对具有较规则几何结构的区域进行提取。方法所提取的感兴趣区域可作为目标检测的先验知识。

(2)提出了一种基于部件概率模型的遥感图像目标检测方法。引入LDA模型用于遥感图像目标检测，采用非监督的方式对目标进行建模。为了更加准确的描述目标，考虑目标部件之间的空间关系，引入部件之间的空间约束，实现对遥感图像目标的有效建模，实验证明方法提高了检测精度。

(3) 提出了一种基于多层次分类器的遥感图像目标检测方法。方法采用由粗及细的检测策略。在粗检测过程中，采用基于Haar特征的Adaboost算法，保证检测效率；在精细检测过程中，采用基于Hog特征的SVM算法以剔除虚警。为了验证算法的有效性，本文建立了两套分别用于飞机和车辆目标检测实验的大幅面遥感图像数据库，图像尺寸为5000×5000。实验结果显示，方法在保证高检测精度的同时，检测时间在一分钟之内。方法可满足大幅面高分辨率遥感图像对地观测应用处理课题的实际要求。

(4) 在此基础上，提出了一套关于遥感图像目标检测的框架。该框架完整的实现了遥感图像目标检测技术，包括遥感图像区域分割、感兴趣区域提取、遥感图像目标检测。