针对单核SVM分类识别SAR图像舰船目标的低精度问题, 提出了一种基于多特征提取和多核学习SVM的SAR图像舰船目标识别方法, 从特征提取和分类器训练两个方面提升目标识别的准确度。首先选用公开数据集提取舰船目标的多类特征, 然后加权融合多个核函数构造多核SVM模型, 最后使用多项特征数据训练识别舰船目标。鉴于多组目标特征存在信息冗余问题, 采用相关性系数去除某些信息高度冗余的特征, 降低特征维度。通过粒子群优化算法解决了SVM核函数的核参数选择难题。实验结果表明, 所提方法有效改善了对舰船目标的识别性能, 综合识别准确率由传统SVM的87.18%提高至92.31%。

现有基础矩阵鲁棒估计方法存在精度不高、准确性较低等不足,基于此,提出一种利用多核学习改进密度峰值聚类的基础矩阵估计方法。首先,针对密度峰值算法需要选取参数和无法自动聚类等不足,引入多核学习和γ分布图进行改进;其次,以对极距离为特征,通过多核学习-密度峰值算法剔除匹配数据集中的异常值,得到较优内点集;最后,使用M估计法消除定位噪声误差,对内点子集进行进一步优化处理,并估计最终的基础矩阵。利用INRIA Dataset数据集对所提方法进行验证分析。结果表明:在保证匹配点信息较多的前提下,所提方法提高了基础矩阵的计算精度和准确性。

针对当前图像显著性检测算法存在的检测不准确和边缘不清晰问题,提出基于改进的贝叶斯公式融合算法。采用compactness先验得到初级显著图,并以初级显著图作为训练样本,采用多核学习方式得到次级显著图,而后基于贝叶斯公式以一定的比例融合初级和次级显著图,最终获得精确的显著性检测图。实验结果表明,算法在2个公开数据集上进行检测时,所得结果能够有效地突出目标物体,去除边缘模糊的现象,且实验结果在3个数据指标(精确度、召回率和F-measure值)方面均优于其他8种算法,算法运行速度较快,实验结果也更为精确。

通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征，提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区，融合多个特征进行学习和分类，从而加强了分类器的鲁棒性和稳定性，提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果，完全消除块状效应，使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试，结果显示: 提出方法的平均检测精度为80%，平均召回率高于85%，平均F值可达80%以上，综合指标高于其他方法，验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别，同时避免了漏检和误检，提取出的建成区影像很准确。