遙感影像作為人們獲取地理信息的重要數據來源，在環(huán)境監(jiān)測、農業(yè)發(fā)展和國土利用和規(guī)劃等方面起著十分重要的作用，但是獲取影像數據時容易受不均勻的光照、不同的環(huán)境條件和不同的傳感器平臺等因素的影響，導致遙感影像內部存在局部亮度和色彩分布不均勻現象，特別是在由若干幅影像拼接而成的多源拼接影像中，影像內部色彩差異較大，使得影像看起

本書基于非合作目標雷達特性、運動特性和形狀特征，分析了影響目標ISAR成像的因素，重點對稀疏重構成像方法和彈道目標特征提取方法進行了闡述分析，針對非合作目標成像、特征提取與識別面臨的成像時間短、積累信號少、成像質量不高和特征提取識別難的問題，提出了多種基于聯合稀疏重構和二維稀疏重構的成像方法，并闡述了機動非合作目標的快

本書共分為8章，重點研究了基于深度屬性學習的光學遙感圖像分類方法，如基于屬性學習預測的細粒度遙感目標分類、基于多源屬性學習的細粒度遙感場景分類、基于屬性建模遷移的少樣本遙感圖像分類、基于視覺屬性自動化標注的零樣本遙感圖像場景分類等。對于每種典型的遙感圖像分類方法，從研究者的角度，詳細地介紹了其研究背景、問題描述、算法模

本書共分為十一章，涉及九個用于圖像分類的著名卷積神經網絡模型，分別是：LeNet-5(識別手寫數字)、AlexNet(寵物貓狗識別)、VGG(表情識別)GoogleNet(車輛品牌識別)、ResNet(寵物貓狗品種識別)、MobileNet(新疆蘋果品種識別)、SqueezeNet(西紅柿病害識別)、SqueezeNe

本書圍繞高光譜遙感圖像智能分類與檢測這一主題，著重介紹以機器學習、深度學習等為代表的智能新方法和新技術在高光譜圖像分類與檢測中的應用，反映該領域目前最新研究成果與趨勢，突出先進性和前瞻性。本書在介紹智能算法基本原理的同時，注重闡述算法與應用問題的機理性結合，突出啟發(fā)性和實用性。

本書主要內容包括進化計算、機器學習、模式識別、數據降維、影像解譯等。本書著重對上述領域的國內外發(fā)展現狀進行了總結，闡述了作者對高光譜遙感影像分類實際應用的思考與探索。

本書總結了作者近年來基于人工智能深度學習模型的高光譜遙感影像智能分類方向的最新研究成果，從深度學習領域最具代表性的卷積神經網絡、圖卷積網絡出發(fā)，對高光譜影像分類的理論發(fā)展和最新動態(tài)以及該領域存在的若干關鍵問題、研究難點及新方法等進行了論述。

本書針對遙感成像衛(wèi)星在軌實時處理這一新技術方向，系統全面地介紹了在軌實時處理的基本概念、研究意義、國內外發(fā)展歷程及趨勢；面向微波成像衛(wèi)星，從在軌成像處理與在軌目標檢測分類兩個方面闡述了算法流程及優(yōu)化設計方法；面向光學成像衛(wèi)星，從在軌數據預處理、在軌壓縮與質量評價、在軌目標檢測分類等方面闡述了算法優(yōu)化設計方法；面向在軌數

本書在介紹深空探測任務與深空影像背景知識的基礎上,著重從統計數據分析和人工智能兩個方面介紹深空遙感影像相關的智能解譯方法.其中,在統計數據分析方面,介紹了統計理論工具及其在“嫦娥”觀測數據的判讀解譯應用.在人工智能數據分析方面,介紹了深度學習中基于語義分割和基于目標檢測方法在全月撞擊坑的自動判讀識別.為了便于讀者使用上

本書針對該種成像儀獲取的影像進行航帶拼接研究，以獲得具有高幾何定位精度和高光譜保真性的高光譜影像。本書首先利用曲面樣條函數法或基于導航數據或二者結合的方法對影像進行幾何校正；然后采用基于邊緣塊剔除的局部方差法計算各波段信噪比，取分值最高的波段作為最優(yōu)波段；再利用該最優(yōu)波段采用SIFT算法或改進的相位相關法來糾正航帶間已