本書介紹多尺度理論在遙感圖像處理中的應用，涉及多尺度的概念、小波多尺度變換、多尺度幾何分析理論、經(jīng)驗模態(tài)分解、鄰域多尺度濾波器和深度學習多尺度卷積等理論，并用于光學、紅外、高光譜、合成孔徑雷達等遙感圖像處理，主要包括紅外圖像濾波、光學圖像霧霾去除和合成孔徑雷達圖像增強，以及遙感圖像的特征提取、目標檢測、語義分割、地物分類和變化檢測等，還結合近年來的研究成果對相關理論和算法在應用領域的實踐情況進行介紹。
更多科學出版社服務，請掃碼獲取。
目錄
“信息科學技術學術著作叢書”序
前言
第1章 緒論 1
1.1 多尺度的概念 2
1.1.1 一維尺度空間 3
1.1.2 二維尺度空間 3
1.1.3 高斯函數(shù)尺度空間 6
1.2 單尺度傅里葉變換與小波多尺度變換 7
1.3 遙感圖像多尺度概念 9
1.4 本章小結 11
參考文獻 11
第2章 多尺度與多分辨率遙感圖像處理 13
2.1 遙感成像類型與原理概述 13
2.1.1 紅外成像遙感技術 13
2.1.2 可見光成像遙感技術 14
2.1.3 高光譜成像遙感技術 15
2.1.4 SAR成像遙感技術 17
2.2 多源遙感圖像的尺度空間特征 18
2.3 多尺度遙感圖像的融合處理 20
2.3.1 基于多尺度分解的圖像融合原理 22
2.3.2 基于多尺度分解的圖像融合規(guī)則 23
2.3.3 融合圖像的質量評價 27
2.3.4 多源遙感圖像融合的模式 29
2.4 本章小結 32
參考文獻 32
第3章 基于小波多尺度變換的遙感圖像處理 36
3.1 引言 36
3.2 多尺度多方向性的SAR 圖像變化檢測算法 37
3.2.1 算法原理概述 37
3.2.2 復雜環(huán)境的洪水災害檢測 40
3.2.3 簡單場景的洪水災害檢測 42
3.2.4 變化區(qū)域明顯但輪廓復雜場景的洪水災害檢測 44
3.2.5 基于ROC曲線的檢測算法性能評價 45
3.2.6 基于Kappa系數(shù)的準確度分析 48
3.3 小波變換和恒虛警率結合的SAR 圖像分割算法 50
3.3.1 恒虛警率檢測器和小波分解理論 52
3.3.2 算法原理概述 54
3.3.3 不同SAR 圖像和不同算法的分割實驗 57
3.3.4 算法性能的定量分析 61
3.3.5 滑動窗口選擇和最佳尺度確定 64
3.3.6 特征尺度的選擇 65
3.4 小波變換和局部插值結合的高光譜遙感圖像條帶噪聲消除算法 67
3.4.1 算法原理概述 69
3.4.2 高光譜遙感圖像數(shù)據(jù)質量檢測判斷 72
3.4.3 實驗結果與分析 73
3.4.4 算法性能分析 77
3.5 小波變換和最小序列值結合的高光譜遙感圖像條帶噪聲消除算法 78
3.5.1 條帶噪聲產(chǎn)生機理和分布特點 79
3.5.2 算法原理概述 80
3.5.3 實驗結果與分析 83
3.6 短波紅外高光譜遙感圖像寬條帶噪聲消除算法 86
3.6.1 梯度均值矩匹配算法原理 86
3.6.2 梯度插值矩匹配算法原理 89
3.6.3 實驗結果與分析 90
3.7 本章小結 91
參考文獻 92
第4章 基于多尺度幾何分析理論的SAR圖像處理 96
4.1 引言 96
4.2 基于Curvelet變換的SAR圖像處理 97
4.2.1 Curvelet變換的系數(shù)特征分析與選擇 97
4.2.2 基于Curvelet變換的SAR圖像目標檢測 100
4.3 基于Curvelet變換的SAR圖像統(tǒng)計維納濾波 102
4.3.1 濾波閾值確定與維納濾波器 103
4.3.2 算法原理概述 105
4.3.3 實驗結果與分析 107
4.4 基于Contourlet變換的低信雜比SAR目標檢測算法 115
4.4.1 算法原理概述 116
4.4.2 實驗結果與分析 119
4.5 基于Contourlet變換的SAR圖像變化檢測算法 123
4.5.1 算法原理概述 123
4.5.2 實驗結果與分析 125
4.6 基于非下采樣Contourlet變換的SAR圖像特征提取及目標檢測 126
4.6.1 基于NSCT的系數(shù)特征提取與分析 127
4.6.2 基于NSCT的目標檢測 129
4.7 本章小結 132
參考文獻 132
第5章 基于經(jīng)驗模態(tài)分解的SAR圖像處理 135
5.1 引言 135
5.2 多尺度經(jīng)驗模態(tài)分解理論概述 135
5.3 圖像二維固有模態(tài)函數(shù)特征分量的提取 139
5.3.1 一維經(jīng)驗模態(tài)分解提取圖像固有模態(tài)函數(shù)特征 139
5.3.2 二維經(jīng)驗模態(tài)分解提取圖像固有模態(tài)函數(shù)特征 144
5.3.3 SAR圖像目標的二維固有模態(tài)函數(shù)特征提取 145
5.4 不同經(jīng)驗模態(tài)分解融合的SAR 圖像變化檢測算法 147
5.4.1 算法原理概述 147
5.4.2 實驗結果與分析 149
5.5 基于SWT-BIMF特征的SAR圖像變化檢測算法 151
5.5.1 算法原理概述 152
5.5.2 實驗結果與分析 153
5.6 基于SWT-BIMF特征的SAR目標檢測算法 154
5.6.1 算法原理概述 155
5.6.2 實驗結果與分析 157
5.7 本章小結 160
參考文獻 160
第6章 多尺度Retinex理論與遙感圖像增強 163
6.1 引言 163
6.2 多尺度Retinex理論概述 165
6.2.1 Retinex理論模型 165
6.2.2 單尺度Retinex算法 167
6.2.3 多尺度Retinex算法 168
6.3 基于多尺度模型和直方圖特征的遙感圖像霧霾消除算法 168
6.3.1 算法原理概述 169
6.3.2 實驗結果與分析 173
6.4 基于相位一致性和Retinex理論的城市遙感圖像霧霾消除算法 187
6.4.1 算法原理概述 188
6.4.2 實驗結果與分析 192
6.5 本章小結 207
參考文獻 207
第7章 多尺度窗口特征提取與遙感圖像處理 211
7.1 引言 211
7.2 鄰域運算與多尺度濾波窗口理論 211
7.3 特征窗引導的紅外圖像增強算法 219
7.3.1 引導濾波器 220
7.3.2 加權引導濾波器 221
7.3.3 算法原理概述 223
7.3.4 實驗結果與分析 226
7.4 多尺度窗口特征引導的高光譜圖像分類算法 228
7.4.1 算法原理概述 230
7.4.2 實驗結果與分析 233
7.5 本章小結 240
參考文獻 240
第8章 基于深度卷積神經(jīng)網(wǎng)絡的遙感圖像處理 245
8.1 引言 245
8.2 深度卷積神經(jīng)網(wǎng)絡 245
8.2.1 深度卷積神經(jīng)網(wǎng)絡概述 245
8.2.2 全卷積神經(jīng)網(wǎng)絡 251
8.2.3 U-Net網(wǎng)絡 252
8.3 基于滾動深度學習的多光譜圖像霧霾消除算法 253
8.3.1 算法原理概述 254
8.3.2 實驗結果與分析 256
8.3.3 定量分析與評價 261
8.4 基于注意力卷積神經(jīng)網(wǎng)絡的SAR艦船目標檢測算法 266
8.4.1 構建WA-CNN結構 267
8.4.2 小波池化原理 268
8.4.3 基于注意力機制的特征提取 270
8.4.4 參數(shù)設置與評價 272
8.4.5 實驗結果與分析 273
8.5 本章小結 279
參考文獻 280
書單推薦
