主要研究内容：
（1）不同成像条件下的高分辨率遥感影像目标特征及其转换机理和可转换性

       由于传感器姿态、影像性质等差异，影像之间可能存在仿射变换及其它的变化，直接进行特征转换通常比较困难。需要根据不同的成像条件，对目标特征的转换机理进行研究，并对目标特征之间的可转换性进行判断，给出目标特征的可转换条件。
 

（2）保持目标特征精度的特征映射方法

       在对地观测或遥感模型计算、反演和应用中, 如果某个精度已经能够表征地表目标的基本特征,可称其为特征精度，它是衡量目标特征真实性的重要指标之一。因此，需要研究在不改变目标特征精度的条件下，如何实现目标特征之间的映射方法。

（3）具有时空特性的目标特征转换

       遥感数据获取是一个复杂的过程, 受到大气辐射传输特性、遥感器运行环境、被观测目标所处背景等多种因素和环节的影响，影像上的目标特征与实际情况不尽一致,需要在充分研究和分析高分辨率遥感影像目标特征的时空特性的基础上，探讨目标特征之间的转换方法，实现目标特征映射。

研究成果在遥感图像目标检测/检索中的应用

一、中层特征研究及其在遥感图像机场检测中的应用

图像特征提取与分析一直是计算机视觉领域研究的重点。然而传统的低层视觉特征，如灰度、纹理等难以准确地表达人类对图像的主观感受，语义特征的准确提取一直是一个难题。近年来，中层特征研究逐渐兴起，以低层特征为基础，通过一定的学习组合机制，用计算机来获取比低层特征更具有表达能力的新特征。

Saurabh Singh 提出了一种提取Mid-level Discriminative Patches的算法，提取的patch包含更加丰富的信息，至少是目标部件级别的，而不是没有任何语义信息的局部描述，在MIT Indoor-67 数据集场景分类任务中取得了非常好的表现。我们在该方法的基础上，研究中层特征对于遥感图像的表达能力，并以机场为例研究其在目标检测方面的应用效果。图1.1为机场Patches部分提取结果示例。

图1.1 机场Patches部分提取结果

算法主要分为三个阶段：图像预处理阶段，模型训练阶段、检测阶段。由空对地的俯拍使得目标在不同遥感图像上呈现出非常大的角度差异，这使得传统计算机视觉领域内的算法难以直接应用到遥感图像处理中。在模型训练时根据角度的不同训练多个模型，或者在检测时对待检测图像进行多次旋转是通常采取的策略，但是这极大地提高了所需的计算量。与其它目标不同，机场具有非常明显的长直跑道特点，若能将各图像旋转至其跑道方向上，则可以避开目标成像大角度差异的问题，从而提高检测效率。因此，在图像预处理阶段，我们采用LSD直线检测算法提取图像直线段信息，并对各直线的位置、长度及方向进行分析，计算出具有较大可能的跑道方向，进而将图像旋转至该方向。

训练阶段有两个任务：机场局部块特征提取与全局空间分布模型建立。机场正样本由人眼判识并在图像上以矩形框形式标注获得。首先提取训练图像空间金字塔HOG特征，通过交叉验证迭代运算提取出具有独特性及代表性的机场图像块，同时训练机场图像块SVM分类器。与行人或自行车这类物体不同，遥感图像机场构筑物形态繁异，机场跑道也因规格、设计迥然不同，图像块在各个机场的位置分布并没有严格的规律可循。因此，我们采用具有全局描述能力的图像块频次统计直方图作为机场全局特征，根据训练样本的图像块频次直方图特征建立机场全局空间分布模型。。除计算图像整体频次直方图外，还分别统计各子区域的频次直方图，从而在模型训练过程中对机场图像块的空间位置关系进行学习。

在机场检测阶段，我们首先提取待检图像的HOG特征，检测该图像上是否存在机场图像块。然后计算待检图像的频次直方图，将其作为全局空间分布模型输入，得到响应值。最终，设定响应阈值，判断是否检测出机场。图像后处理阶段则根据机场图像块位置及LSD直线检测信息进一步确定机场范围。图2.1为机场检测结果示例。图2.2为该算法的准确率-召回率曲线。

图2.1为机场检测结果示例

图2.2 机场目标检测准确率-召回率曲线。

二、基于目标知识库的桥梁目标检索

知识表示、知识利用和知识获取是人工智能系统的三个基本问题（人工智能及其应用）。图像分割与对象语义标注是图像语义检索中的关键技术，与一般语义检索系统对图像各个分割区域进行比较不同，基于目标知识的检索根据用户提供的类别信息以及相应的目标知识，检索过程中将重点放在比较兴趣目标的相似性上，对所提取特征的个体独特性要求较高。

SAR图像与光学图像是目前应用较为广泛的遥感图像，二者具有很强的信息互补性，也不可避免的具有巨大的图像差异，是典型的异源图像。桥梁是重要的交通部件，同时也是一种重要的军事目标， 因此本文以桥梁为目标，并以SAR图像为图像库，光学图像为例子图像，根据相应的目标知识库进行异源遥感图像目标检索实验。桥梁目标知识如图1所示：

图2.1 桥梁目标知识

显然，桥梁与水体具有密切关系。因此，利用桥梁与水体的空间位置关系，提取桥梁具有独特性的长宽特征、河岸线特征来完成目标检索。使用杭州地区 TerraSAR-X 图像作为遥感图像库图像源进行实验。SAR原始图像分辨率为1m，图像大小为 17408×29894 像素；例子图像则为任意截取的某桥梁光学图像，不具备遥感元数据信息，如图2所示。检索目的为从图像库中找出该桥梁，从而获得相应的地理位置、桥梁大小等属性信息。

图2.2  光学例子图像

图3为SAR原始图像缩略图及桥梁1图像局部，红色框线为桥梁区域。根据SAR遥感图像的元数据信息，我们可以获得该桥梁的地理位置以及长、宽、高等属性.

图2.3 桥梁目标检索结果