遙感數(shù)據(jù)質(zhì)量提升理論與方法（第二版）

目錄
第一篇 對(duì)地觀測(cè)傳感器成像系統(tǒng)與模型
第1章 遙感平臺(tái)與成像系統(tǒng) 2
1.1 遙感平臺(tái)的種類及軌道特點(diǎn) 2
1.1.1 遙感平臺(tái)的種類 2
1.1.2 遙感平臺(tái)的軌道特點(diǎn) 4
1.2 傳感器 6
1.2.1 傳感器的結(jié)構(gòu) 6
1.2.2 傳感器的分類 7
1.3 攝影成像類傳感器 8
1.3.1 框幅式攝影機(jī) 8
1.3.2 縫隙式攝影機(jī) 9
1.3.3 全景式攝影機(jī) 9
1.3.4 多光譜攝影機(jī) 9
1.4 掃描成像類傳感器 10
1.4.1 垂直航跡掃描相機(jī) 10
1.4.2 沿航跡掃描相機(jī) 11
1.4.3 成像光譜儀 12
1.5 合成孔徑雷達(dá) 14
第2章 對(duì)地觀測(cè)成像模型與降質(zhì)模型 17
2.1 遙感圖像成像模型 17
2.1.1 遙感與電磁波理論 17
2.1.2 地物波譜特性及其變化規(guī)律 18
2.1.3 遙感圖像成像數(shù)學(xué)模型 18
2.2 遙感圖像分辨率 20
2.2.1 空間分辨率 20
2.2.2 光譜分辨率 20
2.2.3 時(shí)相分辨率 21
2.2.4 輻射分辨率 21
2.2.5 角分辨率 22
2.3 遙感圖像降質(zhì)因素 23
2.3.1 傳感器降晰因素 23
2.3.2 地物目標(biāo)影響因素 24
2.3.3 圖像獲取過(guò)程的外部干擾因素 24
2.4 觀測(cè)模型及數(shù)學(xué)描述 24
2.4.1 觀測(cè)模型 24
2.4.2 數(shù)學(xué)描述 26
第二篇 質(zhì)量提升理論基礎(chǔ)與遙感圖像模型
第3章 稀疏表征與壓縮感知 30
3.1 壓縮感知理論 30
3.2 小波與濾波器組 32
3.3 稀疏字典 33
第4章 隨機(jī)場(chǎng)理論 36
4.1 隨機(jī)過(guò)程 36
4.1.1 隨機(jī)過(guò)程的基本概念 36
4.1.2 隨機(jī)過(guò)程的有限維分布函數(shù)族 36
4.1.3 隨機(jī)過(guò)程的數(shù)字特征 37
4.1.4 隨機(jī)過(guò)程的特征函數(shù) 37
4.2 高斯過(guò)程 38
4.2.1 平穩(wěn)高斯過(guò)程概述 38
4.2.2 平穩(wěn)高斯過(guò)程的核函數(shù) 38
4.2.3 各向同性與各向異性核函數(shù) 39
4.2.4 非平穩(wěn)核函數(shù) 39
4.3 馬爾可夫過(guò)程 40
4.3.1 馬爾可夫過(guò)程的概念 40
4.3.2 馬爾可夫過(guò)程的有限維分布族 40
第5章 變分與偏微分方程 42
5.1 變分原理 42
5.2 各向異性擴(kuò)散 42
5.2.1 加權(quán)梯度散度 43
5.2.2 常見(jiàn)的權(quán)重函數(shù) 43
5.3 Mumford-Shah泛函 44
5.4 張量與多維數(shù)據(jù) 44
5.4.1 張量概念 44
5.4.2 多維數(shù)據(jù) 45
第6章 卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)模型 48
6.1 卷積神經(jīng)網(wǎng)絡(luò) 48
6.1.1 基礎(chǔ)操作與基礎(chǔ)單元 48
6.1.2 高效卷積運(yùn)算 52
6.1.3 隨機(jī)或無(wú)監(jiān)督特征 53
6.1.4 卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)科學(xué)基礎(chǔ) 53
6.1.5 卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)歷史 54
6.2 循環(huán)和遞歸神經(jīng)網(wǎng)絡(luò) 54
6.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 54
6.2.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 55
6.2.3 深度循環(huán)神經(jīng)網(wǎng)絡(luò) 55
6.2.4 遞歸神經(jīng)網(wǎng)絡(luò) 56
6.2.5 長(zhǎng)期依賴挑戰(zhàn) 57
6.2.6 滲透單元與其他多時(shí)間尺度策略 57
6.2.7 長(zhǎng)短時(shí)記憶與其他門控循環(huán)神經(jīng)網(wǎng)絡(luò) 58
6.3 自編碼器 59
6.3.1 欠完備自編碼器 59
6.3.2 正則自編碼器 59
6.3.3 表征能力、層的大小和深度 60
6.4 深度生成模型 60
6.4.1 玻爾茲曼機(jī)與受限玻爾茲曼機(jī) 60
6.4.2 深度置信網(wǎng)絡(luò) 61
6.4.3 深度玻爾茲曼機(jī) 62
6.4.4 有向生成網(wǎng)絡(luò) 62
第7章 邊緣保持型濾波 63
7.1 雙邊濾波 63
7.2 引導(dǎo)濾波 63
7.3 均值漂移 64
7.4 加權(quán)*小二乘濾波 64
第三篇 遙感數(shù)據(jù)質(zhì)量提升方法
第8章 遙感圖像噪聲去除 66
8.1 高光譜圖像條帶噪聲去除 66
8.1.1 矩匹配方法 67
8.1.2 改進(jìn)的矩匹配方法 68
8.2 SAR圖像斑點(diǎn)噪聲去除 68
8.2.1 Forst濾波 69
8.2.2 Kuan濾波 69
8.2.3 Lee濾波 70
8.2.4 Gamma Map濾波 70
8.3 常見(jiàn)加性去噪方法 70
8.3.1 全變分 70
8.3.2 小波 72
8.3.3 雙邊濾波 74
8.3.4 三維塊匹配濾波 75
8.3.5 低秩 77
8.3.6 圖像塊似然對(duì)數(shù)期望 79
8.3.7 稀疏表征 80
8.4 同步噪聲理論 84
8.4.1 基于同步噪聲選擇非線性擴(kuò)散的停止時(shí)間 84
8.4.2 基于同步噪聲優(yōu)化的非局部平均去噪 86
第9章 遙感圖像薄云去除 90
9.1 基于大氣散射模型的方法 90
9.1.1 暗通道先驗(yàn)法 91
9.1.2 顏色衰減先驗(yàn)法 93
9.1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的介質(zhì)傳播圖獲取 96
9.2 光譜混合分析 98
9.3 濾波方法 100
9.3.1 同態(tài)濾波 100
9.3.2 小波變換 103
9.4 薄云*優(yōu)化變換方法 106
第10章 遙感圖像陰影檢測(cè)與去除 109
10.1 陰影概述 109
10.1.1 陰影的屬性 109
10.1.2 陰影的利弊 110
10.2 陰影檢測(cè)方法 110
10.2.1 基于物理模型的方法 110
10.2.2 基于顏色空間模型的方法 111
10.2.3 基于閾值分割的方法 113
10.2.4 基于種子區(qū)域生長(zhǎng)的方法 114
10.2.5 基于幾何模型的方法 115
10.2.6 陰影檢測(cè)方法對(duì)比 117
10.3 陰影去除方法 118
10.3.1 基于顏色恒常性的方法 118
10.3.2 基于Retinex圖像的方法 119
10.3.3 基于HSI色彩空間的方法 121
10.3.4 基于同態(tài)濾波的方法 122
10.3.5 基于馬爾可夫場(chǎng)的方法 124
10.3.6 陰影去除方法對(duì)比 125
第11章 遙感圖像修復(fù) 126
11.1 問(wèn)題描述 126
11.2 基于空域的修復(fù)方法 128
11.2.1 插值方法 128
11.2.2 基于變分的修復(fù)方法 128
11.2.3 樣例填充的方法 129
11.3 基于譜域的修復(fù)方法 130
11.4 基于時(shí)域的修復(fù)方法 133
11.4.1 時(shí)域替代法 134
11.4.2 時(shí)域?yàn)V波器 136
11.4.3 時(shí)域?qū)W習(xí)模型 138
11.4.4 定量數(shù)據(jù)的重建 139
11.5 混合方法 140
11.5.1 聯(lián)合時(shí)空方法 140
11.5.2 聯(lián)合時(shí)譜方法 142
11.5.3 聯(lián)合時(shí)空譜方法 143
第12章 遙感圖像復(fù)原 146
12.1 遙感圖像模糊的形成 146
12.1.1 散焦模糊 146
12.1.2 運(yùn)動(dòng)模糊 147
12.1.3 大氣模糊 148
12.1.4 高斯模糊 149
12.2 已知模糊核函數(shù)的圖像復(fù)原 150
12.2.1 基本的變換域圖像復(fù)原 150
12.2.2 基本的空域圖像復(fù)原 154
12.2.3 規(guī)整化方法 155
12.2.4 多通道圖像復(fù)原 159
12.3 未知模糊核函數(shù)的盲復(fù)原 159
12.3.1 早期方法 160
12.3.2 變分貝葉斯盲復(fù)原 162
第13章 遙感圖像融合 167
13.1 光譜融合 167
13.1.1 多光譜和全色圖像融合方法 167
13.1.2 多光譜和高光譜圖像融合方法 172
13.2 時(shí)空融合 177
13.2.1 基于權(quán)重函數(shù)的時(shí)空融合方法 178
13.2.2 基于像元解混的時(shí)空融合方法 184
13.2.3 基于貝葉斯估計(jì)的時(shí)空融合方法 186
13.2.4 基于學(xué)習(xí)的時(shí)空融合方法 187
13.2.5 基于卡爾曼濾波的時(shí)空融合方法 187
13.2.6 多種方法混合的時(shí)空融合方法 188
13.3 時(shí)空譜角融合 189
13.3.1 多角度模型構(gòu)建 190
13.3.2 時(shí)空關(guān)系構(gòu)建 190
13.3.3 空譜關(guān)系構(gòu)建 190
13.3.4 時(shí)空譜角一體化融合模型 190
13.4 光學(xué)圖像與SAR圖像融合 193
13.4.1 像素級(jí)圖像融合 193
13.4.2 特征級(jí)圖像融合 194
13.4.3 決策級(jí)圖像融合 194
13.5 融合結(jié)果比較及評(píng)價(jià) 194
13.5.1 光譜保真性評(píng)價(jià) 194
13.5.2 空間結(jié)構(gòu)評(píng)價(jià) 195
13.5.3 綜合評(píng)價(jià) 196
第14章 超分辨率圖像重建 197
14.1 觀測(cè)模型 199
14.2 超分辨率圖像重建算法 202
14.2.1 非均勻插值方法 202
14.2.2 頻域方法 204
14.2.3 規(guī)整化的超分辨率重建方法 205
14.2.4 凸集投影法 208
14.2.5 極大似然-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 超分辨率中的其他難題 212
14.3.1 考慮配準(zhǔn)錯(cuò)誤的超分辨率 212
14.3.2 盲超分辨率圖像重建 214
14.3.3 計(jì)算效率高的超分辨率算法 214
14.4 基于樣例的超分辨率重建 215
14.4.1 局部自相似性 215
14.4.2 非二進(jìn)制濾波器 216
14.4.3 濾波器設(shè)計(jì) 217
14.5 基于卷積神經(jīng)網(wǎng)絡(luò)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 遙感圖像SR模型 225
第四篇 遙感圖像質(zhì)量提升應(yīng)用
第15章 定量遙感數(shù)據(jù)產(chǎn)品質(zhì)量提升 234
15.1 地表溫度產(chǎn)品質(zhì)量提升 234
15.1.1 地表溫度產(chǎn)品概述 234
15.1.2 地表溫度產(chǎn)品重建 236
15.1.3 地表溫度產(chǎn)品時(shí)空分辨率提升 237
15.2 植被指數(shù)產(chǎn)品質(zhì)量提升 238
15.2.1 NDVI數(shù)據(jù)產(chǎn)品概述 238
15.2.2 NDVI時(shí)間序列數(shù)據(jù)產(chǎn)品重建方法 240
15.3 土壤水分產(chǎn)品質(zhì)量提升 241
15.3.1 土壤水分產(chǎn)品概述 241
15.3.2 土壤水分產(chǎn)品降尺度方法 243
15.4 大氣臭氧產(chǎn)品質(zhì)量提升 244
15.4.1 大氣臭氧產(chǎn)品概述 244
15.4.2 大氣臭氧產(chǎn)品缺失信息重建方法 245
15.5 積雪產(chǎn)品質(zhì)量提升 246
15.5.1 積雪產(chǎn)品概述 246
15.5.2 積雪產(chǎn)品去云方法 247