多尺度理論與遙感圖像處理及應(yīng)用

目錄
“信息科學(xué)技術(shù)學(xué)術(shù)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(jié) 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(shù) 13
2.1.2 可見光成像遙感技術(shù) 14
2.1.3 高光譜成像遙感技術(shù) 15
2.1.4 SAR成像遙感技術(shù) 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(zhì)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(jié) 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(fù)雜環(huán)境的洪水災(zāi)害檢測 40
3.2.3 簡單場景的洪水災(zāi)害檢測 42
3.2.4 變化區(qū)域明顯但輪廓復(fù)雜場景的洪水災(zāi)害檢測 44
3.2.5 基于ROC*線的檢測算法性能評價 45
3.2.6 基于Kappa系數(shù)的準(zhǔn)確度分析 48
3.3 小波變換和恒虛警率結(jié)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*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(jié)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(zhì)量檢測判斷 72
3.4.3 實驗結(jié)果與分析 73
3.4.4 算法性能分析 77
3.5 小波變換和*小序列值結(jié)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(jié)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(jié)果與分析 90
3.7 本章小結(jié) 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(biāo)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(jié)果與分析 107
4.4 基于Contourlet變換的低信雜比SAR目標(biāo)檢測算法 115
4.4.1 算法原理概述 116
4.4.2 實驗結(jié)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(jié)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(biāo)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(biāo)檢測 129
4.7 本章小結(jié) 132
參考文獻 132
第5章 基于經(jīng)驗?zāi)B(tài)分解的SAR圖像處理 135
5.1 引言 135
5.2 多尺度經(jīng)驗?zāi)B(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?zāi)B(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?zāi)B(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(biāo)的二維固有模態(tài)函數(shù)特征提取 145
5.4 不同經(jīng)驗?zāi)B(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(jié)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(jié)果與分析 153
5.6 基于SWT-BIMF特征的SAR目標(biāo)檢測算法 154
5.6.1 算法原理概述 155
5.6.2 實驗結(jié)果與分析 157
5.7 本章小結(jié) 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(jié)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(jié)果與分析 192
6.5 本章小結(jié) 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(dǎo)的紅外圖像增強算法 219
7.3.1 引導(dǎo)濾波器 220
7.3.2 加權(quán)引導(dǎo)濾波器 221
7.3.3 算法原理概述 223
7.3.4 實驗結(jié)果與分析 226
7.4 多尺度窗口特征引導(dǎo)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(jié)果與分析 233
7.5 本章小結(jié) 240
參考文獻 240
第8章 基于深度卷積神經(jīng)網(wǎng)絡(luò)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(luò) 245
8.2.1 深度卷積神經(jīng)網(wǎng)絡(luò)概述 245
8.2.2 全卷積神經(jīng)網(wǎng)絡(luò) 251
8.2.3 U-Net網(wǎng)絡(luò) 252
8.3 基于滾動深度學(xué)習(xí)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(jié)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(luò)的SAR艦船目標(biāo)檢測算法 266
8.4.1 構(gòu)建WA-CNN結(jié)構(gòu) 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(shè)置與評價 272
8.4.5 實驗結(jié)果與分析 273
8.5 本章小結(jié) 279
參考文獻 280