图像纹理对于高分辨率遥感图像的信息提取与目标识别具有重要意义。针对“北京一号”小卫星全色遥感图像非城市区域居民地块往往呈现出比较明显的方向性纹理的特点, 扩充改进Gabor滤波方法进行提取。方法主要利用Gabor滤波器的多尺度、多方向滤波的性质, 提取多尺度纹理特征集, 并进行特征; 而后利用多特征聚类实现图像的初步分割。由于分割是对特征进行聚类完成的, 其结果可能存在一个居民地块由若干个相互间存在间隔的子区域组成、存在无用小斑块、居民地内部存在大量小孔洞等缺陷。针对上述不足, 利用形态学尺度

地面目标在不同尺度的遥感影像中表现出不同的特征，对自动目标识别的准确性有很大影响。基于多分辨率遥感影像，研究典型图像目标的识别技术，给出了多尺度图像目标识别框架。首先针对不同尺度的遥感影像，分析了每个尺度上目标识别的有效特征。然后在提取典型目标的多种特征基础上，对这些特征进行尺度相关性分析，并研究不同的尺度对目标形状结构等特征产生的影响。实验结果表明，基于多分辨率遥感影像的识别框架可以有效地实现图像目标的分析与识别。

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和H

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标