遙感圖像處理技術(shù)及應(yīng)用

第1章 緒論 1
1.1　圖像及圖像處理　2
1.1.1　從連續(xù)圖像到數(shù)字圖像　3
1.1.2　從黑白圖像到彩色圖像　5
1.1.3　從靜止圖像到視頻圖像　6
1.1.4　數(shù)字圖像處理技術(shù)　6
1.2　遙感圖像及其成像鏈　7
1.2.1　航空遙感與航天遙感　8
1.2.2　電磁波與電磁波譜　10
1.2.3　典型遙感圖像及應(yīng)用　12
1.2.4　遙感圖像成像鏈及影響因素　17
1.3　遙感信息源　20
1.3.1　電磁輻射的基本概念　20
1.3.2　電磁輻射源　22
1.3.3　黑體輻射　23
1.3.4　大氣傳輸窗口　26
1.3.5　地物反射特性　27
1.3.6　地物發(fā)射特性　29
1.4　遙感信息獲取　30
1.4.1　遙感平臺及載荷成像的幾何關(guān)系　30
1.4.2　光學(xué)傳感器成像　32
1.4.3　合成孔徑雷達(dá)成像　35
1.5　遙感數(shù)據(jù)傳輸/接收鏈路　37
1.5.1　遙感數(shù)據(jù)發(fā)射系統(tǒng)　38
1.5.2　遙感數(shù)據(jù)接收系統(tǒng)　38
1.5.3　遙感圖像處理系統(tǒng)　39
1.5.4　星上實時圖像處理系統(tǒng)　40
1.6　遙感圖像處理技術(shù)　41
1.6.1　遙感技術(shù)發(fā)展趨勢及面臨挑戰(zhàn)　42
1.6.2　遙感圖像處理及應(yīng)用所涉及的技術(shù)　44
第2章　電磁特性及遙感成像　51
2.1　概述　51
2.2　光與視覺系統(tǒng)　55
2.2.1　光及光的物理特性　56
2.2.2　人類視覺系統(tǒng)　58
2.2.3　人類視覺系統(tǒng)對光亮度和顏色的感知　60
2.3　光學(xué)圖像及其數(shù)字化描述　63
2.3.1　光學(xué)圖像簡化模型　64
2.3.2　模擬量采樣　64
2.3.3　模擬量量化　68
2.3.4　數(shù)字圖像表示及分析　69
2.4　遙感多波段圖像及彩色合成　70
2.4.1　遙感多波段圖像　71
2.4.2　多波段圖像彩色合成　73
2.4.3　多波段圖像可視化　74
2.4.4　多波段圖像存儲　76
2.5　光學(xué)成像系統(tǒng)模型與人工神經(jīng)網(wǎng)絡(luò)　79
2.5.1　點源及點擴展函數(shù)　79
2.5.2　光學(xué)成像系統(tǒng)調(diào)制傳遞函數(shù)　80
2.5.3　人工神經(jīng)網(wǎng)絡(luò)　81
第3章　圖像變換與分解　85
3.1　信號及圖像的正交分解　85
3.1.1　信號分解的基本原理　86
3.1.2　信號的時域分解　87
3.1.3　信號的變換域（頻域）分解　89
3.1.4　二維圖像分解　90
3.2　傅里葉變換　91
3.2.1　連續(xù)信號的傅里葉變換　91
3.2.2　離散序列的傅里葉變換　92
3.2.3　二維圖像的離散傅里葉變換　93
3.3　主成分變換　95
3.4　離散余弦變換　98
3.5　短時傅里葉變換　99
3.6　小波變換　102
3.6.1　小波變換的定義及二進(jìn)制小波　102
3.6.2　小波變換與信號多分辨率分解　103
3.6.3　二維圖像的小波變換　106
第4章　遙感圖像增強　110
4.1　遙感圖像空間域變換增強　110
4.1.1　遙感圖像對比度增強　110
4.1.2　遙感圖像直方圖增強　112
4.2　遙感圖像空間域濾波增強　115
4.2.1　遙感圖像平滑濾波與銳化濾波　116
4.2.2　遙感圖像均值濾波與中值濾波　117
4.3　遙感圖像頻域濾波增強　119
4.3.1　低通濾波增強　120
4.3.2　高通濾波增強　122
4.3.3　同態(tài)濾波增強　124
4.4　彩色圖像增強　126
4.4.1　偽彩色圖像增強　126
4.4.2　真彩色圖像增強和假彩色圖像增強　127
第5章　遙感圖像恢復(fù)　128
5.1　遙感圖像降質(zhì)及退化模型　128
5.1.1　遙感圖像降質(zhì)因素　129
5.1.2　遙感圖像退化模型　131
5.2　無約束和有約束遙感圖像恢復(fù)　133
5.2.1　無約束遙感圖像恢復(fù)　133
5.2.2　有約束遙感圖像恢復(fù)　134
5.3　遙感圖像幾何校正　135
5.3.1　多項式校正模型　136
5.3.2　圖像灰度再采樣　139
5.3.3　地面控制點提取與選擇　141
第6章　遙感圖像壓縮編碼　145
6.1　概述　145
6.1.1　圖像壓縮的必要性及遙感圖像壓縮的特殊性　146
6.1.2　遙感圖像壓縮的可行性　148
6.1.3　霍夫曼編碼　152
6.1.4　圖像壓縮質(zhì)量評價方法　154
6.2　經(jīng)典圖像壓縮編碼方法　157
6.2.1　圖像預(yù)測壓縮編碼　157
6.2.2　圖像變換壓縮編碼　160
6.2.3　圖像矢量量化編碼　163
6.3　基于JPEG 2000的遙感圖像壓縮編碼　165
6.3.1　從JPEG到JPEG 2000　165
6.3.2　JPEG 2000圖像壓縮的基本原理　167
6.3.3　基于JPEG 2000的遙感圖像壓縮性能分析　173
6.4　基于光譜預(yù)測與空間變換的高光譜圖像壓縮編碼　178
6.4.1　光譜維DPCM預(yù)測　178
6.4.2　光譜維雙向預(yù)測　179
6.4.3　光譜維遞歸雙向預(yù)測　180
6.4.4　基于光譜遞歸雙向預(yù)測與空間JPEG壓縮的高光譜圖像壓縮　181
第7章　遙感圖像特征提取及描述　183
7.1　遙感圖像空間特征提取　184
7.1.1　遙感圖像幾何形狀特征提取　184
7.1.2　遙感圖像統(tǒng)計特征提取　186
7.1.3　遙感圖像紋理特征提取　188
7.2　遙感圖像光譜特征提取　190
7.2.1　經(jīng)典光譜指數(shù)特征　191
7.2.2　基于光譜曲線的光譜特征　192
7.3　遙感圖像邊緣檢測　195
7.3.1　梯度邊緣檢測　196
7.3.2　Sobel邊緣檢測算子　197
7.3.3　Laplacian邊緣檢測算子　199
7.3.4　Marr邊緣檢測算子　200
7.4　遙感圖像分割與閉合　200
7.4.1　經(jīng)典遙感圖像分割方法　201
7.4.2　最佳閾值選擇　203
7.4.3　邊緣/邊界閉合方法　205
7.5　遙感圖像特征提取應(yīng)用技術(shù)　208
7.5.1　尺度不變特征變換　208
7.5.2　方向梯度直方圖　210
7.5.3　基于線段檢測算子的目標(biāo)邊緣提取　211
7.5.4　基于小波多分辨率分解的目標(biāo)邊緣提取　213
第8章　遙感圖像分類　215
8.1　概述　215
8.1.1　遙感圖像分類基本出發(fā)點及測度準(zhǔn)則　216
8.1.2　最優(yōu)分類器設(shè)計及費舍爾線性可分性分析　218
8.1.3　遙感圖像分類評價準(zhǔn)則　220
8.2　經(jīng)典有監(jiān)督遙感圖像分類　223
8.2.1　最小距離分類器　224
8.2.2　最大似然分類器　225
8.2.3　基于機器學(xué)習(xí)的遙感圖像分類　228
8.3　經(jīng)典無監(jiān)督遙感圖像分類　230
8.3.1　分類測度準(zhǔn)則　230
8.3.2　聚類算法　231
8.3.3　迭代自組織數(shù)據(jù)分析技術(shù)算法　232
8.3.4　迭代收斂準(zhǔn)則　233
8.4　基于支持向量機的高光譜圖像分類　235
8.4.1　基于支持向量機的高光譜圖像分類原理　236
8.4.2　支持向量機的等效核函數(shù)映射　239
8.4.3　面向多類的高光譜圖像分類　241
8.5　基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類　242
8.5.1　基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類原理　243
8.5.2　面向高光譜圖像分類的卷積神經(jīng)網(wǎng)絡(luò)模型　245
8.5.3　3D-CNN模型在高光譜圖像分類中的應(yīng)用　247
第9章　遙感圖像目標(biāo)檢測與識別　250
9.1　遙感圖像目標(biāo)檢測　251
9.1.1　似然比檢驗　252
9.1.2　最大似然估計模型　253
9.1.3　高光譜圖像目標(biāo)檢測　254
9.1.4　目標(biāo)檢測評價準(zhǔn)則　257
9.2　高光譜圖像異常目標(biāo)檢測　259
9.2.1　基于RX算法的高光譜圖像異常目標(biāo)檢測　259
9.2.2　基于高階矩的高光譜圖像異常目標(biāo)檢測　261
9.3　高光譜圖像解混及子像素目標(biāo)識別　264
9.3.1　高光譜圖像混合像素及混合模型　264
9.3.2　典型高光譜圖像線性光譜解混　266
9.3.3　線性光譜混合模型與線性支持向量機模型的等效　269
9.3.4　基于光譜解混的子像素制圖技術(shù)　271
9.3.5　廣義線性光譜混合模型及解譯　274
9.4　遙感圖像目標(biāo)區(qū)域分割　278
9.4.1　基于二維直方圖的圖像目標(biāo)區(qū)域分割　278
9.4.2　基于圖論的圖像目標(biāo)區(qū)域分割　283
9.4.3　基于梯度下降的圖像目標(biāo)區(qū)域分割　285
9.5　高光譜圖像目標(biāo)識別　289
9.5.1　基于空間特征的圖像目標(biāo)識別　290
9.5.2　基于光譜波形匹配的高光譜圖像目標(biāo)識別　292
9.5.3　基于空譜聯(lián)合的高光譜圖像目標(biāo)識別　295
第10章　多源遙感圖像解譯及應(yīng)用　300
10.1　遙感高光譜圖像目標(biāo)參數(shù)反演　302
10.1.1　遙感圖像參數(shù)反演及其應(yīng)用　302
10.1.2　基于光譜指數(shù)的高光譜圖像植被參數(shù)反演　307
10.1.3　基于光譜曲線擬合的高光譜圖像植被相對含水量參數(shù)反演　309
10.1.4　基于網(wǎng)絡(luò)模型的相對含水量反演及精細(xì)分類　312
10.2　遙感熱紅外圖像目標(biāo)參數(shù)反演　317
10.2.1　遙感熱紅外波段大氣輻射傳輸模型　318
10.2.2　遙感熱紅外波段溫度和發(fā)射率特征　320
10.2.3　遙感熱紅外圖像ASTER-TES算法　322
10.3　遙感合成孔徑雷達(dá)圖像目標(biāo)參數(shù)反演　325
10.3.1　目標(biāo)散射的極化描述　326
10.3.2　目標(biāo)散射分解　329
10.3.3　基于散射分解的特征參數(shù)反演　332
10.4　遙感圖像立體目標(biāo)處理　334
10.4.1　遙感圖像立體目標(biāo)概念　335
10.4.2　典型遙感圖像立體目標(biāo)獲取　337
10.4.3　基于3D-Zernike矩特征的遙感圖像立體目標(biāo)識別　342
10.5　多源遙感圖像融合　346
10.5.1　多源遙感圖像融合概述　347
10.5.2　多源遙感圖像配準(zhǔn)　349
10.5.3　基于主成分分析的多源遙感圖像融合　350
10.5.4　基于小波變換的高光譜圖像波段融合　352
參考文獻(xiàn)　357