遙感圖像處理模型與方法（第三版）

第1章 遙感的本質(zhì)
1.1 引言
1.2 遙感
1.2.1 從遙感圖像提取信息
1.2.2 遙感的光譜因子
1.3 光譜信號
1.4 遙感系統(tǒng)
1.4.1 空間和輻射度特性
1.4.2 光譜特性
1.4.3 時相特性
1.4.4 多遙感器編隊飛行
1.5 圖像顯示系統(tǒng)
1.6 數(shù)據(jù)系統(tǒng)
1.7 小結(jié)
1.8 習題
第2章 光學輻射模型
2.1 概述
2.2 可見光到短波紅外光譜區(qū)
2.2.1 太陽輻射
2.2.2 輻射組成
2.2.3 太陽輻射區(qū)域的圖像實例
2.3 中波段到熱紅外波段
2.3.1 熱輻射
2.3.2 熱輻射組成
2.3.3 總的向上傳播的太陽輻射和熱輻射
2.3.4 熱輻射區(qū)的圖像實例
2.4 小結(jié)
2.5 習題
第3章 遙感器模型
3.1 概述
3.2 遙感器模型簡介
3.3 分辨率
3.3.1 儀器響應(yīng)
3.3.2 空間分辨率
3.3.3 光譜分辨率
3.4 空間響應(yīng)
3.4.1 光學PSF
3.4.2 探測器PSF
3.4.3 圖像運動PSF
3.4.4 電子PSF
3.4.5 總PSF
3.4.6 遙感器各個PSF之間的比較
3.4.7 成像系統(tǒng)模擬
3.4.8 測量PSF
3.5 光譜響應(yīng)
3.6 信號放大
3.7 采樣與量化
3.8 簡化的遙感器模型
3.9 幾何變形
3.9.1 遙感器定位模型
3.9.2 遙感器姿態(tài)模型
3.9.3 掃描儀模型
3.9.4 地球模型
3.9.5 擺掃幾何模型
3.9.6 推掃幾何模型
3.9.7 地形扭曲
3.10 小結(jié)
3.11 習題
第4章 數(shù)據(jù)模型
4.1 引言
4.2 符號中的世界
4.3 單變量的圖像統(tǒng)計
4.3.1 直方圖
4.3.2 累積直方圖
4.3.3 統(tǒng)計參數(shù)
4.4 多變量圖像統(tǒng)計
4.4.1 約簡為單變量統(tǒng)計
4.5 噪聲模型
4.5.1 圖像質(zhì)量的統(tǒng)計測量
4.5.2 噪聲等價信號
4.6 空間統(tǒng)計
4.6.1 空間協(xié)方差的可視化
4.6.2 協(xié)方差和半變量圖
4.6.3 功率譜密度
4.6.4 共現(xiàn)矩陣
4.6.5 分形幾何
4.7 地形和遙感器效應(yīng)
4.7.1 地形和光譜散布圖
4.7.2 遙感器特性和空間統(tǒng)計
4.7.3 遙感器特性和光譜散布圖
4.8 小結(jié)
4.9 習題
第5章 光譜變換
5.1 概述
5.2 特征空間
5.3 波段比率法
5.3.1 植被指數(shù)
5.3.2 圖像示例
5.4 主成分分析法
5.4.1 標準化的主成分
5.4.2 最大噪聲分量
5.5 纓帽主成分變換
5.6 對比度增強
5.6.1 全局變換
5.6.2 局部變換
5.6.3 彩色圖像
5.7 小結(jié)
5.8 習題
第6章 空間變換
6.1 引言
6.2 空間濾波的圖像模型
6.3 卷積濾波
6.3.1 線性濾波器
6.3.2 統(tǒng)計濾波器
6.3.3 梯度濾波器
6.4 傅里葉變換
6.4.1 傅里葉分析和合成
6.4.2 二維離散傅里葉變換
6.4.3 傅里葉分量
6.4.4 基于傅里葉變換的濾波
6.4.5 采用傅里葉變換的系統(tǒng)模型
6.4.6 功率譜
6.5 尺度空間變換
6.5.1 圖像分辨率金字塔
6.5.2 過零點濾波器
6.5.3 小波變換
6.6 小結(jié)
6.7 習題
第7章 校正與定標
7.1 概述
7.2 幾何校正
7.2.1 多項式校正模型
7.2.2 坐標轉(zhuǎn)換
7.2.3 重采樣
7.3 遙感器MTF補償
7.3.1 MTF補償舉例
7.4 噪聲去除
7.4.1 全局噪聲
7.4.2 局部噪聲
7.4.3 周期噪聲
7.4.4 探測器條紋
7.5 輻射定標
7.5.1 多光譜遙感器與圖像
7.5.2 高光譜遙感器與圖像
7.6 小結(jié)
7.7 習題
第8章 配準與融合
8.1 概述
8.2 什么是配準
8.3 自動GCP定位
8.3.1 區(qū)域相關(guān)
8.3.2 其他空間特征方法
8.4 正射校正
8.4.1 低分辨率DEM
8.4.2 高分辨率DEM
8.5 多圖像融合
8.5.1 特征域融合
8.5.2 空間域融合
8.5.3 尺度-空間融合
8.5.4 圖像融合舉例
8.6 小結(jié)
8.7 習題
第9章 專題分類
9.1 概述
9.2 分類流程
9.2.1 圖像尺度和分辨率的重要性
9.2.2 相似度概念
9.2.3 硬分類和軟分類的比較
9.3 特征提取
9.4 分類器訓練
9.4.1 監(jiān)督分類
9.4.2 非監(jiān)督分類
9.4.3 監(jiān)督分類和非監(jiān)督分類的混合訓練
9.5 非參數(shù)化分類器
9.5.1 分級分片算法
9.5.2 直方圖估計分類器
9.5.3 最近鄰算法
9.5.4 人工神經(jīng)網(wǎng)絡(luò)算法
9.5.5 非參數(shù)化分類器實例
9.6 參數(shù)化分類器
9.6.1 模型參數(shù)的估計
9.6.2 辨析函數(shù)
9.6.3 正態(tài)分布模型
9.6.4 最近均值分類器
9.6.5 參數(shù)化分類實例
9.7 光譜空間分割
9.7.1 區(qū)域生長
9.8 混合像元分類算法
9.8.1 線性混合模型
9.8.2 模糊分類
9.9 高光譜圖像分析
9.9.1 圖像立方體的可視化
9.9.2 分類訓練
9.9.3 從高光譜數(shù)據(jù)中提取特征
9.9.4 高光譜數(shù)據(jù)的分類算法
9.10 小結(jié)
9.11 習題
附錄A 遙感器縮寫詞
附錄B 一維函數(shù)和二維函數(shù)
參考文獻