申请人是国际上较早研究视觉信息张量分析的学者之一。针对张量鉴别分析提出的收敛学习框架为该方向的研究和应用提供了理论基础。所提出的张量分类器有效克服过学习难题。系列算法可显著改善图像的质量及系统的模式识别能力。取得的成果已在国家空间探测和遥感光学图像处理系统中得到应用,对特定观测图像处理起到重要作用。发表SCI论文100余篇,含IEEE汇刊46篇,4篇为IEEE Top 100下载。2次获IEEE汇刊和会议的最佳论文和提名,3篇Thomson Reuters Science Watch 热点论文,7篇入选Science Watch相关领域的国际36篇最重要文献。近5年内,SCI他引825次,Google Scholar引用2,000余次。H指数为25,Erd?s 数为3。担任4种IEEE汇刊编委和IEEE-SMC-CC技委会主席,是BCS, IAPR, IEE和SPIE的Fellow。
Image Processing;Image Quality Improvement;Multiresolution Analysis;Scene Parsing;Pattern Recognition
随着光学成像技术的飞速发展和普及,光学影像分析和识别方法越来越受到学者们的关注。为了满足新型光学成像系统的高智能性、高分辨性和高可靠性等的需求,本项目以智能化光学影像分析和学习为核心,研究和发展基于人工智能的光学影像分析和识别技术,开发基于采样和信息融合的光学多分辨率成像系统。具体地,本项目主要研究图像质量提高、视觉显著性表示、遥感图像分析和解析、遥感图像分类和检索等四个课题。这四个课题也是光学影像分析和模式识别系统的核心任务。经过四年的努力,我和合作者在图像质量提高和评价方面、显著性特征表示、遥感图像分析和解析、图像分类和检索等方面提出了一些比较有效的算法。例如,我们提出了一种基于最大后验分布的场景解析算法。该算法通过低秩表示来学习类条件概率,进而用马尔科夫随机场来学习像素类别的先验上下文分布,并通过这两个分布计算后验分布,从而最终的场景解析结果。在标准数据集上的实验结果显示,我们的算法比同类算法表现出了较好的解析效果。本项目所取得的成果对于进一步研究光学影像分析和模式识别问题可能会具有一定的科学意义,并且也可能会在新型光学影像分析和识别系统的设计方面具有一定的参考价值.