本书在对遥感图像处理中目标检测技术的发展历史、现状及未来趋势系统总结的基础上，针对遥感图像异常检测涉及到的相关理论及技术问题，结合生物视觉信息获取、感知、处理等生物学机理，试图解决现有异常检测算法面临的背景建模困难与先验信息匮乏的瓶颈问题，重点阐述仿生视觉技术在遥感图像特征提取、异常检测及目标提取等方法的基本思路、具体计算过程及实验效果。

前 言 随着遥感技术的发展，遥感影像提供的地物光谱信息和纹理信息越来越丰富，这不仅为我们了解地表状况提供了有利的条件，同时也为遥感影像的自动解译技术带来了新的挑战。遥感影像中可辨识地物种类增多、密度增加、同物异谱（同谱异物）现象频现导致目标所在的背景环境更加复杂多变，目标先验信息严重匮乏，使得复杂背景下的目标检测及提取成为实现遥感影像自动解译的“瓶颈”问题。然而，目前基于计算机视觉的遥感影像目标检测算法还存在着一定的局限性，计算复杂度高、稳健性差等问题还有待进一步研究。 自然界中，昆虫凭借有限分辨能力的视觉系统和有限计算能力的脑神经细胞，可以在高速飞行过程中快速捕捉复杂多变背景下的微小目标，对于已经掌握了先进的传感器技术和强大数据处理能力的机器视觉来讲仍然无法超越它们。另外，在目标检测、识别和跟踪等方面也不及昆虫视觉系统发达。研究发现昆虫视觉系统在解决复杂背景下的目标检测和跟踪问题时，无须高精度的成像能力和高复杂度的大脑运算，而是通过有限数目神经细胞的协调处理实现的。另外，昆虫视觉系统对目标的识别和理解是以目标结构、形状和纹理等空域特征为基础，经过大脑高阶神经元整合实现特征级的目标理解与感知。这类特征级目标感知算法不仅可以有效地克服传统像元级目标提取算法存在稳健性差、计算量大、复杂度高等方面的缺点，还将为更高级别的影像理解和分析提供可识别和处理的目标轮廓信息，并逐渐成为目标提取算法研究的主流。这为我们解决高复杂运算成本以及病态反问题求解等难题带来了全新的解决思路。 综上所述，借鉴昆虫视觉系统中的信息处理机理解决遥感影像处理技术中存在的问题具有重要的研究意义和研究价值。本书将主要围绕遥感影像目标检测及提取算法中的复杂背景抑制、亚像元级目标检测及特征级目标提取等问题展开讨论。 本书的研究工作得到了国家自然科学基金项目“基于仿生视觉的高光谱遥感异常检测方法研究”（No. 41301448）的支持。

目 录 第1章 绪论 1 1.1　关于异常检测 2 1.1.1　什么是异常 2 1.1.2　异常的分类 3 1.1.3　异常检测的方法 4 1.1.4　如何标定异常 5 1.2　遥感图像处理技术 6 1.2.1　遥感图像处理技术概述 6 1.2.2　遥感图像目标检测技术 7 1.3　遥感图像异常检测技术 8 1.3.1　基于背景建模的异常检测 8 1.3.2　基于子空间变换的异常检测 9 1.3.3　基于机器学习的异常检测 9 1.4　遥感图像异常目标检测的国内外研究现状 10 1.4.1　国外遥感图像异常检测技术研究现状 10 1.4.2　国内遥感图像异常检测算法研究现状 14 1.5　遥感影像特定目标提取算法概述 15 1.5.1　遥感图像目标提取方法的国内外研究现状 15 1.5.2　遥感图像水体目标提取方法的国内外研究现状 17 1.6　遥感异常检测及特定目标提取面临的主要问题 18 1.6.1　复杂背景下自适应异常检测理论还需深入研究 18 1.6.2　特征级目标提取方法还有待延伸 19 1.6.3　仿生视觉研究 19 第2章　基于谱像相关的多光谱遥感影像特征感知 21 2.1　引言 22 2.2　昆虫视觉初级视觉感知机理 23 2.2.1　昆虫视觉的生物学机理研究 23 2.2.2　时空域相关型初级运动检测器模型 25 2.2.3　基于谱像相关的遥感影像特征感知器模型 29 2.3　特征感知器模型分析 35 2.3.1　频域分析 35 2.3.2　波段相关性分析 37 2.3.3　抗噪性能分析 38 2.4　本章小结 40 第3章　联合特征感知器模型的遥感图像超视锐度重构 41 3.1　引言 42 3.2　昆虫视觉系统的超视锐度机理 43 3.3 联合特征感知器模型的遥感图像超视锐度重构简介 44 3.3.1　联合光谱波形特征的重构模型 45 3.3.2　重构有助于增强亚像元级目标特征 51 3.4　本章小结 54 第4章　基于大小场景的多光谱遥感图像异常检测 55 4.1　引言 56 4.2 昆虫视觉的高阶神经元整合机理 56 4.2.1 大场景整合机理 57 4.2.2 小场景整合机理 58 4.3　基于高阶神经元整合机理的遥感异常目标检测 62 4.3.1　复杂背景抑制与目标特征增强 63 4.3.2　基于大小场景整合的遥感异常检测算法 66 4.4　本章小结 71 第5章　基于多孔径结构的多光谱遥感图像异常检测算法 72 5.1　引言 73 5.2　蝇视觉多孔径结构给我们的启发 73 5.2.1　蝇类视觉的多孔径结构 73 5.2.2　多孔径结构信息处理机理 74 5.3　仿蝇视觉多孔径结构的多光谱遥感图像异常检测 75 5.3.1　构建并行多孔径背景建模 76 5.3.2　异常如何标记更加合理 78 5.3.3　多孔径背景模型检测结果的融合 79 5.4　本章小结 81 第6章　基于高阶神经元模型的多光谱遥感图像微小异常目标检测 82 6.1 引言 83 6.2　高阶神经元模型 84 6.2.1　时空域高阶神经元模型 84 6.2.2　高阶神经元模型的生物学机理 87 6.3 多光谱遥感图像微小异常检测算法 89 6.3.1 谱像域的高阶神经元模型 89 6.3.2　微小异常目标检测算法设计 91 6.4　本章小结 96 第7章　基于震荡神经网络的多光谱遥感影像水体目标提取 97 7.1　引言 98 7.2　局部兴奋全局抑制震荡神经网络 99 7.2.1　同步震荡神经网络模型及特性分析 100 7.2.2　基于特征一致性的多光谱遥感影像边缘特征感知算法 102 7.3　联合NDWI与震荡神经网络的水体目标提取算法 105 7.3.1　联合NDWI与震荡神经网络的水体目标提取算法简介 106 7.3.2　联合特殊光谱关系与震荡神经网络的水体目标提取算法 109 7.3.3 实验结果及分析 110 7.3.4 收敛性的讨论 113 7.4　联合线性混合模型与震荡神经网络的水体目标提取算法 114 7.4.1　基于模糊判定的耦合权重 115 7.4.2　联合光谱分解与震荡神经网络的水体目标提取算法 117 7.4.3　实验研究及验证 118 7.5　本章小结 119 第8章　基于生物认知机理的视频图像目标检测技术 120 8.1　引言 121 8.2　仿生视觉的时空域特征提取 122 8.2.1　空域特征的提取 122 8.2.2　时域特征提取与修正 123 8.3　基于视觉认知机理的时空域特征交互 126 8.3.1　视觉认知机理 126 8.3.2　基于认知机理的时空与特征交互模式 126 8.3.3　基于认知机理的时空域特征交互算法 128 8.4　本章小结 135 结语 136 参考文献 138