书籍详情
遥感数据质量提升理论与方法（第二版）
作者：王力哲 等 著
出版社：科学出版社
出版时间：2022-09-01
ISBN：9787030732415
定价：¥158.00
购买这本书可以去
内容简介
《遥感数据质量提升理论与方法（第二版）》针对遥感数据中出现的各种质量问题，例如噪声、模糊、阴影、薄云、厚云、死像元、时空谱分辨率粗糙等，全面系统地阐明遥感数据质量提升理论基础、方法体系和技术路线。《遥感数据质量提升理论与方法（第二版）》分为四篇进行分层论述，第一篇系统阐述对地观测传感器平台特点及成像系统与降质模型，第二篇主要从数学理论与信息处理模型方面阐述遥感数据质量提升理论基础与遥感图像模型，第三篇针对遥感数据出现的具体降质问题，全面阐述遥感数据质量提升方法，第四篇阐述遥感图像质量提升应用，主要包括定量遥感数据产品质量提升及战场环境信息应用。
作者简介
暂缺《遥感数据质量提升理论与方法（第二版）》作者简介
目录
目录
第一篇 对地观测传感器成像系统与模型
第1章 遥感平台与成像系统 2
1.1 遥感平台的种类及轨道特点 2
1.1.1 遥感平台的种类 2
1.1.2 遥感平台的轨道特点 4
1.2 传感器 6
1.2.1 传感器的结构 6
1.2.2 传感器的分类 7
1.3 摄影成像类传感器 8
1.3.1 框幅式摄影机 8
1.3.2 缝隙式摄影机 9
1.3.3 全景式摄影机 9
1.3.4 多光谱摄影机 9
1.4 扫描成像类传感器 10
1.4.1 垂直航迹扫描相机 10
1.4.2 沿航迹扫描相机 11
1.4.3 成像光谱仪 12
1.5 合成孔径雷达 14
第2章 对地观测成像模型与降质模型 17
2.1 遥感图像成像模型 17
2.1.1 遥感与电磁波理论 17
2.1.2 地物波谱特性及其变化规律 18
2.1.3 遥感图像成像数学模型 18
2.2 遥感图像分辨率 20
2.2.1 空间分辨率 20
2.2.2 光谱分辨率 20
2.2.3 时相分辨率 21
2.2.4 辐射分辨率 21
2.2.5 角分辨率 22
2.3 遥感图像降质因素 23
2.3.1 传感器降晰因素 23
2.3.2 地物目标影响因素 24
2.3.3 图像获取过程的外部干扰因素 24
2.4 观测模型及数学描述 24
2.4.1 观测模型 24
2.4.2 数学描述 26
第二篇 质量提升理论基础与遥感图像模型
第3章 稀疏表征与压缩感知 30
3.1 压缩感知理论 30
3.2 小波与滤波器组 32
3.3 稀疏字典 33
第4章 随机场理论 36
4.1 随机过程 36
4.1.1 随机过程的基本概念 36
4.1.2 随机过程的有限维分布函数族 36
4.1.3 随机过程的数字特征 37
4.1.4 随机过程的特征函数 37
4.2 高斯过程 38
4.2.1 平稳高斯过程概述 38
4.2.2 平稳高斯过程的核函数 38
4.2.3 各向同性与各向异性核函数 39
4.2.4 非平稳核函数 39
4.3 马尔可夫过程 40
4.3.1 马尔可夫过程的概念 40
4.3.2 马尔可夫过程的有限维分布族 40
第5章 变分与偏微分方程 42
5.1 变分原理 42
5.2 各向异性扩散 42
5.2.1 加权梯度散度 43
5.2.2 常见的权重函数 43
5.3 Mumford-Shah泛函 44
5.4 张量与多维数据 44
5.4.1 张量概念 44
5.4.2 多维数据 45
第6章 卷积神经网络与深度学习模型 48
6.1 卷积神经网络 48
6.1.1 基础操作与基础单元 48
6.1.2 高效卷积运算 52
6.1.3 随机或无监督特征 53
6.1.4 卷积神经网络的神经科学基础 53
6.1.5 卷积神经网络与深度学习历史 54
6.2 循环和递归神经网络 54
6.2.1 循环神经网络 54
6.2.2 双向循环神经网络 55
6.2.3 深度循环神经网络 55
6.2.4 递归神经网络 56
6.2.5 长期依赖挑战 57
6.2.6 渗透单元与其他多时间尺度策略 57
6.2.7 长短时记忆与其他门控循环神经网络 58
6.3 自编码器 59
6.3.1 欠完备自编码器 59
6.3.2 正则自编码器 59
6.3.3 表征能力、层的大小和深度 60
6.4 深度生成模型 60
6.4.1 玻尔兹曼机与受限玻尔兹曼机 60
6.4.2 深度置信网络 61
6.4.3 深度玻尔兹曼机 62
6.4.4 有向生成网络 62
第7章 边缘保持型滤波 63
7.1 双边滤波 63
7.2 引导滤波 63
7.3 均值漂移 64
7.4 加权*小二乘滤波 64
第三篇 遥感数据质量提升方法
第8章 遥感图像噪声去除 66
8.1 高光谱图像条带噪声去除 66
8.1.1 矩匹配方法 67
8.1.2 改进的矩匹配方法 68
8.2 SAR图像斑点噪声去除 68
8.2.1 Forst滤波 69
8.2.2 Kuan滤波 69
8.2.3 Lee滤波 70
8.2.4 Gamma Map滤波 70
8.3 常见加性去噪方法 70
8.3.1 全变分 70
8.3.2 小波 72
8.3.3 双边滤波 74
8.3.4 三维块匹配滤波 75
8.3.5 低秩 77
8.3.6 图像块似然对数期望 79
8.3.7 稀疏表征 80
8.4 同步噪声理论 84
8.4.1 基于同步噪声选择非线性扩散的停止时间 84
8.4.2 基于同步噪声优化的非局部平均去噪 86
第9章 遥感图像薄云去除 90
9.1 基于大气散射模型的方法 90
9.1.1 暗通道先验法 91
9.1.2 颜色衰减先验法 93
9.1.3 基于卷积神经网络的介质传播图获取 96
9.2 光谱混合分析 98
9.3 滤波方法 100
9.3.1 同态滤波 100
9.3.2 小波变换 103
9.4 薄云*优化变换方法 106
第10章 遥感图像阴影检测与去除 109
10.1 阴影概述 109
10.1.1 阴影的属性 109
10.1.2 阴影的利弊 110
10.2 阴影检测方法 110
10.2.1 基于物理模型的方法 110
10.2.2 基于颜色空间模型的方法 111
10.2.3 基于阈值分割的方法 113
10.2.4 基于种子区域生长的方法 114
10.2.5 基于几何模型的方法 115
10.2.6 阴影检测方法对比 117
10.3 阴影去除方法 118
10.3.1 基于颜色恒常性的方法 118
10.3.2 基于Retinex图像的方法 119
10.3.3 基于HSI色彩空间的方法 121
10.3.4 基于同态滤波的方法 122
10.3.5 基于马尔可夫场的方法 124
10.3.6 阴影去除方法对比 125
第11章 遥感图像修复 126
11.1 问题描述 126
11.2 基于空域的修复方法 128
11.2.1 插值方法 128
11.2.2 基于变分的修复方法 128
11.2.3 样例填充的方法 129
11.3 基于谱域的修复方法 130
11.4 基于时域的修复方法 133
11.4.1 时域替代法 134
11.4.2 时域滤波器 136
11.4.3 时域学习模型 138
11.4.4 定量数据的重建 139
11.5 混合方法 140
11.5.1 联合时空方法 140
11.5.2 联合时谱方法 142
11.5.3 联合时空谱方法 143
第12章 遥感图像复原 146
12.1 遥感图像模糊的形成 146
12.1.1 散焦模糊 146
12.1.2 运动模糊 147
12.1.3 大气模糊 148
12.1.4 高斯模糊 149
12.2 已知模糊核函数的图像复原 150
12.2.1 基本的变换域图像复原 150
12.2.2 基本的空域图像复原 154
12.2.3 规整化方法 155
12.2.4 多通道图像复原 159
12.3 未知模糊核函数的盲复原 159
12.3.1 早期方法 160
12.3.2 变分贝叶斯盲复原 162
第13章 遥感图像融合 167
13.1 光谱融合 167
13.1.1 多光谱和全色图像融合方法 167
13.1.2 多光谱和高光谱图像融合方法 172
13.2 时空融合 177
13.2.1 基于权重函数的时空融合方法 178
13.2.2 基于像元解混的时空融合方法 184
13.2.3 基于贝叶斯估计的时空融合方法 186
13.2.4 基于学习的时空融合方法 187
13.2.5 基于卡尔曼滤波的时空融合方法 187
13.2.6 多种方法混合的时空融合方法 188
13.3 时空谱角融合 189
13.3.1 多角度模型构建 190
13.3.2 时空关系构建 190
13.3.3 空谱关系构建 190
13.3.4 时空谱角一体化融合模型 190
13.4 光学图像与SAR图像融合 193
13.4.1 像素级图像融合 193
13.4.2 特征级图像融合 194
13.4.3 决策级图像融合 194
13.5 融合结果比较及评价 194
13.5.1 光谱保真性评价 194
13.5.2 空间结构评价 195
13.5.3 综合评价 196
第14章 超分辨率图像重建 197
14.1 观测模型 199
14.2 超分辨率图像重建算法 202
14.2.1 非均匀插值方法 202
14.2.2 频域方法 204
14.2.3 规整化的超分辨率重建方法 205
14.2.4 凸集投影法 208
14.2.5 极大似然-凸集投影重建方法 210
14.2.6 其他超分辨率重建方法 211
14.3 超分辨率中的其他难题 212
14.3.1 考虑配准错误的超分辨率 212
14.3.2 盲超分辨率图像重建 214
14.3.3 计算效率高的超分辨率算法 214
14.4 基于样例的超分辨率重建 215
14.4.1 局部自相似性 215
14.4.2 非二进制滤波器 216
14.4.3 滤波器设计 217
14.5 基于卷积神经网络的超分辨率重建 218
14.5.1 基于SRCNN的超分辨率重建 220
14.5.2 基于SRGAN的超分辨率重建 223
14.5.3 遥感图像SR模型 225
第四篇 遥感图像质量提升应用
第15章 定量遥感数据产品质量提升 234
15.1 地表温度产品质量提升 234
15.1.1 地表温度产品概述 234
15.1.2 地表温度产品重建 236
15.1.3 地表温度产品时空分辨率提升 237
15.2 植被指数产品质量提升 238
15.2.1 NDVI数据产品概述 238
15.2.2 NDVI时间序列数据产品重建方法 240
15.3 土壤水分产品质量提升 241
15.3.1 土壤水分产品概述 241
15.3.2 土壤水分产品降尺度方法 243
15.4 大气臭氧产品质量提升 244
15.4.1 大气臭氧产品概述 244
15.4.2 大气臭氧产品缺失信息重建方法 245
15.5 积雪产品质量提升 246
15.5.1 积雪产品概述 246
15.5.2 积雪产品去云方法 247
第一篇 对地观测传感器成像系统与模型
第1章 遥感平台与成像系统 2
1.1 遥感平台的种类及轨道特点 2
1.1.1 遥感平台的种类 2
1.1.2 遥感平台的轨道特点 4
1.2 传感器 6
1.2.1 传感器的结构 6
1.2.2 传感器的分类 7
1.3 摄影成像类传感器 8
1.3.1 框幅式摄影机 8
1.3.2 缝隙式摄影机 9
1.3.3 全景式摄影机 9
1.3.4 多光谱摄影机 9
1.4 扫描成像类传感器 10
1.4.1 垂直航迹扫描相机 10
1.4.2 沿航迹扫描相机 11
1.4.3 成像光谱仪 12
1.5 合成孔径雷达 14
第2章 对地观测成像模型与降质模型 17
2.1 遥感图像成像模型 17
2.1.1 遥感与电磁波理论 17
2.1.2 地物波谱特性及其变化规律 18
2.1.3 遥感图像成像数学模型 18
2.2 遥感图像分辨率 20
2.2.1 空间分辨率 20
2.2.2 光谱分辨率 20
2.2.3 时相分辨率 21
2.2.4 辐射分辨率 21
2.2.5 角分辨率 22
2.3 遥感图像降质因素 23
2.3.1 传感器降晰因素 23
2.3.2 地物目标影响因素 24
2.3.3 图像获取过程的外部干扰因素 24
2.4 观测模型及数学描述 24
2.4.1 观测模型 24
2.4.2 数学描述 26
第二篇 质量提升理论基础与遥感图像模型
第3章 稀疏表征与压缩感知 30
3.1 压缩感知理论 30
3.2 小波与滤波器组 32
3.3 稀疏字典 33
第4章 随机场理论 36
4.1 随机过程 36
4.1.1 随机过程的基本概念 36
4.1.2 随机过程的有限维分布函数族 36
4.1.3 随机过程的数字特征 37
4.1.4 随机过程的特征函数 37
4.2 高斯过程 38
4.2.1 平稳高斯过程概述 38
4.2.2 平稳高斯过程的核函数 38
4.2.3 各向同性与各向异性核函数 39
4.2.4 非平稳核函数 39
4.3 马尔可夫过程 40
4.3.1 马尔可夫过程的概念 40
4.3.2 马尔可夫过程的有限维分布族 40
第5章 变分与偏微分方程 42
5.1 变分原理 42
5.2 各向异性扩散 42
5.2.1 加权梯度散度 43
5.2.2 常见的权重函数 43
5.3 Mumford-Shah泛函 44
5.4 张量与多维数据 44
5.4.1 张量概念 44
5.4.2 多维数据 45
第6章 卷积神经网络与深度学习模型 48
6.1 卷积神经网络 48
6.1.1 基础操作与基础单元 48
6.1.2 高效卷积运算 52
6.1.3 随机或无监督特征 53
6.1.4 卷积神经网络的神经科学基础 53
6.1.5 卷积神经网络与深度学习历史 54
6.2 循环和递归神经网络 54
6.2.1 循环神经网络 54
6.2.2 双向循环神经网络 55
6.2.3 深度循环神经网络 55
6.2.4 递归神经网络 56
6.2.5 长期依赖挑战 57
6.2.6 渗透单元与其他多时间尺度策略 57
6.2.7 长短时记忆与其他门控循环神经网络 58
6.3 自编码器 59
6.3.1 欠完备自编码器 59
6.3.2 正则自编码器 59
6.3.3 表征能力、层的大小和深度 60
6.4 深度生成模型 60
6.4.1 玻尔兹曼机与受限玻尔兹曼机 60
6.4.2 深度置信网络 61
6.4.3 深度玻尔兹曼机 62
6.4.4 有向生成网络 62
第7章 边缘保持型滤波 63
7.1 双边滤波 63
7.2 引导滤波 63
7.3 均值漂移 64
7.4 加权*小二乘滤波 64
第三篇 遥感数据质量提升方法
第8章 遥感图像噪声去除 66
8.1 高光谱图像条带噪声去除 66
8.1.1 矩匹配方法 67
8.1.2 改进的矩匹配方法 68
8.2 SAR图像斑点噪声去除 68
8.2.1 Forst滤波 69
8.2.2 Kuan滤波 69
8.2.3 Lee滤波 70
8.2.4 Gamma Map滤波 70
8.3 常见加性去噪方法 70
8.3.1 全变分 70
8.3.2 小波 72
8.3.3 双边滤波 74
8.3.4 三维块匹配滤波 75
8.3.5 低秩 77
8.3.6 图像块似然对数期望 79
8.3.7 稀疏表征 80
8.4 同步噪声理论 84
8.4.1 基于同步噪声选择非线性扩散的停止时间 84
8.4.2 基于同步噪声优化的非局部平均去噪 86
第9章 遥感图像薄云去除 90
9.1 基于大气散射模型的方法 90
9.1.1 暗通道先验法 91
9.1.2 颜色衰减先验法 93
9.1.3 基于卷积神经网络的介质传播图获取 96
9.2 光谱混合分析 98
9.3 滤波方法 100
9.3.1 同态滤波 100
9.3.2 小波变换 103
9.4 薄云*优化变换方法 106
第10章 遥感图像阴影检测与去除 109
10.1 阴影概述 109
10.1.1 阴影的属性 109
10.1.2 阴影的利弊 110
10.2 阴影检测方法 110
10.2.1 基于物理模型的方法 110
10.2.2 基于颜色空间模型的方法 111
10.2.3 基于阈值分割的方法 113
10.2.4 基于种子区域生长的方法 114
10.2.5 基于几何模型的方法 115
10.2.6 阴影检测方法对比 117
10.3 阴影去除方法 118
10.3.1 基于颜色恒常性的方法 118
10.3.2 基于Retinex图像的方法 119
10.3.3 基于HSI色彩空间的方法 121
10.3.4 基于同态滤波的方法 122
10.3.5 基于马尔可夫场的方法 124
10.3.6 阴影去除方法对比 125
第11章 遥感图像修复 126
11.1 问题描述 126
11.2 基于空域的修复方法 128
11.2.1 插值方法 128
11.2.2 基于变分的修复方法 128
11.2.3 样例填充的方法 129
11.3 基于谱域的修复方法 130
11.4 基于时域的修复方法 133
11.4.1 时域替代法 134
11.4.2 时域滤波器 136
11.4.3 时域学习模型 138
11.4.4 定量数据的重建 139
11.5 混合方法 140
11.5.1 联合时空方法 140
11.5.2 联合时谱方法 142
11.5.3 联合时空谱方法 143
第12章 遥感图像复原 146
12.1 遥感图像模糊的形成 146
12.1.1 散焦模糊 146
12.1.2 运动模糊 147
12.1.3 大气模糊 148
12.1.4 高斯模糊 149
12.2 已知模糊核函数的图像复原 150
12.2.1 基本的变换域图像复原 150
12.2.2 基本的空域图像复原 154
12.2.3 规整化方法 155
12.2.4 多通道图像复原 159
12.3 未知模糊核函数的盲复原 159
12.3.1 早期方法 160
12.3.2 变分贝叶斯盲复原 162
第13章 遥感图像融合 167
13.1 光谱融合 167
13.1.1 多光谱和全色图像融合方法 167
13.1.2 多光谱和高光谱图像融合方法 172
13.2 时空融合 177
13.2.1 基于权重函数的时空融合方法 178
13.2.2 基于像元解混的时空融合方法 184
13.2.3 基于贝叶斯估计的时空融合方法 186
13.2.4 基于学习的时空融合方法 187
13.2.5 基于卡尔曼滤波的时空融合方法 187
13.2.6 多种方法混合的时空融合方法 188
13.3 时空谱角融合 189
13.3.1 多角度模型构建 190
13.3.2 时空关系构建 190
13.3.3 空谱关系构建 190
13.3.4 时空谱角一体化融合模型 190
13.4 光学图像与SAR图像融合 193
13.4.1 像素级图像融合 193
13.4.2 特征级图像融合 194
13.4.3 决策级图像融合 194
13.5 融合结果比较及评价 194
13.5.1 光谱保真性评价 194
13.5.2 空间结构评价 195
13.5.3 综合评价 196
第14章 超分辨率图像重建 197
14.1 观测模型 199
14.2 超分辨率图像重建算法 202
14.2.1 非均匀插值方法 202
14.2.2 频域方法 204
14.2.3 规整化的超分辨率重建方法 205
14.2.4 凸集投影法 208
14.2.5 极大似然-凸集投影重建方法 210
14.2.6 其他超分辨率重建方法 211
14.3 超分辨率中的其他难题 212
14.3.1 考虑配准错误的超分辨率 212
14.3.2 盲超分辨率图像重建 214
14.3.3 计算效率高的超分辨率算法 214
14.4 基于样例的超分辨率重建 215
14.4.1 局部自相似性 215
14.4.2 非二进制滤波器 216
14.4.3 滤波器设计 217
14.5 基于卷积神经网络的超分辨率重建 218
14.5.1 基于SRCNN的超分辨率重建 220
14.5.2 基于SRGAN的超分辨率重建 223
14.5.3 遥感图像SR模型 225
第四篇 遥感图像质量提升应用
第15章 定量遥感数据产品质量提升 234
15.1 地表温度产品质量提升 234
15.1.1 地表温度产品概述 234
15.1.2 地表温度产品重建 236
15.1.3 地表温度产品时空分辨率提升 237
15.2 植被指数产品质量提升 238
15.2.1 NDVI数据产品概述 238
15.2.2 NDVI时间序列数据产品重建方法 240
15.3 土壤水分产品质量提升 241
15.3.1 土壤水分产品概述 241
15.3.2 土壤水分产品降尺度方法 243
15.4 大气臭氧产品质量提升 244
15.4.1 大气臭氧产品概述 244
15.4.2 大气臭氧产品缺失信息重建方法 245
15.5 积雪产品质量提升 246
15.5.1 积雪产品概述 246
15.5.2 积雪产品去云方法 247
猜您喜欢
