全球遙感數(shù)據(jù)自動化處理技術(shù)與系統(tǒng)架構(gòu)

目錄
“地球大數(shù)據(jù)科學(xué)論叢”序 i
前言 iii
**篇 數(shù)據(jù)處理
第1章 遙感大數(shù)據(jù)處理的新思維 3
1.1 引言 3
1.1.1 何謂“大數(shù)據(jù)” 3
1.1.2 數(shù)據(jù)密集型科學(xué) 5
1.1.3 數(shù)據(jù)密集型科學(xué)和大數(shù)據(jù)技術(shù)的區(qū)別和聯(lián)系 7
1.2 數(shù)據(jù)密集型的遙感應(yīng)用研究 9
1.3 大數(shù)據(jù)時代遙感數(shù)據(jù)處理的新思維 11
1.4 小結(jié) 19
參考文獻(xiàn) 19
第2章 多尺度遙感數(shù)據(jù)的幾何歸一化處理 21
2.1 引言 21
2.2 為什么需要幾何歸一化處理 22
2.3 幾何校正自動化實現(xiàn)的關(guān)鍵點(diǎn) 23
2.3.1 控制點(diǎn)提取的發(fā)展脈絡(luò) 23
2.3.2 幾何校正模型的選取和發(fā)展 34
2.4 誤匹配點(diǎn)檢測方法 35
2.4.1 研究現(xiàn)狀概述 35
2.4.2 現(xiàn)有方法問題及改進(jìn)方向 39
2.5 基于高精度基準(zhǔn)影像的多尺度遙感影像歸一化處理框架和應(yīng)用 41
2.5.1 幾何歸一化處理總體框架 41
2.5.2 正射校正 42
2.5.3 分層匹配流程 42
2.5.4 幾何約束SIFT 算法 44
2.5.5 基于點(diǎn)特征和灰度特征的遙感影像自動匹配方法 46
2.5.6 實際應(yīng)用情況及效果 47
2.6 小結(jié) 55
參考文獻(xiàn) 56
第3章 多源數(shù)據(jù)輻射一致性處理 59
3.1 引言 59
3.2 絕對輻射校正 60
3.2.1 輻射定標(biāo) 61
3.2.2 大氣校正 64
3.2.3 絕對輻射校正軟件介紹 70
3.3 基于典型相關(guān)分析的輻射一致性處理 73
3.3.1 IR-MAD算法 74
3.3.2 IR-MAD算法數(shù)據(jù)實驗 79
3.3.3 基于地物平均光譜的線性相對輻射校正 81
3.4 基于核典型相關(guān)分析的輻射一致性處理 84
3.5 小結(jié) 94
參考文獻(xiàn) 94
第4章 薄霧去除 97
4.1 引言 97
4.2 基于濾波的薄霧去除算法 98
4.2.1 同態(tài)濾波法 98
4.2.2 小波變換法 99
4.2.3 大尺度中值濾波法 101
4.3 基于暗通道的薄霧去除算法 103
4.3.1 薄霧成像模型 103
4.3.2 暗通道先驗 105
4.3.3 薄霧精細(xì)分布的快速估計 106
4.4 定量薄霧去除算法 109
4.4.1 輻射傳輸過程中的氣溶膠光學(xué)厚度 109
4.4.2 區(qū)域直方圖匹配法 112
4.5 幾種薄霧去除算法比較 115
4.6 基于深度學(xué)習(xí)的薄霧去除 120
4.6.1 基于對抗學(xué)習(xí)的物理驅(qū)動去霧模型 121
4.6.2 深度學(xué)習(xí)訓(xùn)練樣本庫 124
4.6.3 算法優(yōu)化 126
參考文獻(xiàn) 130
第5章 云/云影檢測與修補(bǔ) 132
5.1 云/云影檢測的傳統(tǒng)方法 132
5.1.1 算法 133
5.1.2 實驗結(jié)果 140
5.2 云/云影檢測的深度學(xué)習(xí)方法 143
5.2.1 Refined UNet：基于UNet和全連接條件隨機(jī)場的云和陰影
邊緣精準(zhǔn)分割方法 146
5.2.2 Refined UNet V2：端到端的云和陰影降噪分割模型 150
5.2.3 Refined UNet v3：基于多通道光譜特征的端到端云和陰影快
速分割模型 153
5.2.4 實驗及結(jié)果分析 156
5.3 云/云影修補(bǔ)算法 165
5.3.1 基于泊松融合的云與云下陰影自動修補(bǔ)算法 165
5.3.2 基于核典型相關(guān)分析的序列圖像云檢測與修補(bǔ)算法 174
5.4 小結(jié) 186
參考文獻(xiàn) 187
第6章 光譜信息和高空間分辨率信息融合 192
6.1 引言 192
6.2 **融合模型 196
6.2.1 SSD模型 197
6.2.2 BDSD模型 198
6.2.3 MTF-GLP-HPM-PP模型 198
6.2.4 PanNet模型 198
6.3 PDSD 模型 198
6.3.1 模型原理 198
6.3.2 網(wǎng)絡(luò)結(jié)構(gòu) 200
6.4 數(shù)據(jù)融合結(jié)果比較與評價 201
6.4.1 實驗數(shù)據(jù)集介紹 201
6.4.2 實驗評價指標(biāo) 202
6.4.3 實驗流程 204
6.4.4 實驗結(jié)果與分析 205
6.5 小結(jié) 214
參考文獻(xiàn) 214
第7章 時相缺失圖像的插值生成 218
7.1 引言 218
7.2 線性插值模型及問題 223
7.3 基于自適應(yīng)濾波器的非線性圖像插值方法 224
7.3.1 單向的時相間圖像插值生成方法 225
7.3.2 雙向的時相間圖像插值生成方法 225
7.4 實驗結(jié)果與分析 228
7.4.1 實現(xiàn)細(xì)節(jié) 228
7.4.2 結(jié)果評價 233
7.5 數(shù)據(jù)集的構(gòu)建實踐 235
7.5.1 區(qū)域數(shù)據(jù)的缺失狀況 235
7.5.2 數(shù)據(jù)集的構(gòu)建策略 235
7.5.3 生成結(jié)果的性能分析 237
7.5.4 生成結(jié)果的視覺展示 239
7.6 小結(jié) 241
參考文獻(xiàn) 241
第二篇 分類與識別
第8章 遙感圖像場景分類 245
8.1 引言 245
8.2 遙感圖像場景分類發(fā)展現(xiàn)狀 247
8.3 遙感圖像場景分類的傳統(tǒng)方法 250
8.3.1 基于**視覺詞包模型的遙感圖像場景分類方法 250
8.3.2 基于二維小波分解的多尺度視覺詞包特征表達(dá)與場景分類方法 251
8.3.3 基于同心圓結(jié)構(gòu)的旋轉(zhuǎn)不變性視覺詞包特征表達(dá)與場景分類方法 254
8.4 遙感圖像場景分類的深度學(xué)習(xí)方法 258
8.4.1 SiftingGAN：自篩選生成對抗網(wǎng)絡(luò)的場景分類方法 258
8.4.2 CNN-CapsNet：融合膠囊網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的場景分類
方法 264
8.5 小結(jié) 270
參考文獻(xiàn) 270
第9章 遙感圖像目標(biāo)檢測 275
9.1 引言 275
9.2 遙感圖像目標(biāo)檢測的傳統(tǒng)思路 276
9.2.1 候選區(qū)域提取 276
9.2.2 特征提取 277
9.2.3 分類器分類 278
9.2.4 后處理 278
9.3 遙感圖像目標(biāo)檢測的深度學(xué)習(xí)方法 279
9.4 形狀信息在遙感圖像目標(biāo)檢測中的應(yīng)用 280
9.4.1 偏向形狀特征的目標(biāo)檢測樣本擴(kuò)增方法 280
9.4.2 引入形狀先驗約束的目標(biāo)檢測網(wǎng)絡(luò)模型 284
9.4.3 融入分類后處理的遙感圖像目標(biāo)檢測方法 286
9.5 多尺度小樣本目標(biāo)檢測方法 288
9.6 小結(jié) 291
參考文獻(xiàn) 291
第10章 樣本處理視角下的遙感圖像地表覆蓋分類 296
10.1 引言 296
10.2 主動學(xué)習(xí)：訓(xùn)練樣本的有效選擇方法 297
10.3 半監(jiān)督學(xué)習(xí)：未標(biāo)記樣本的使用方法 301
10.4 訓(xùn)練樣本集中錯誤樣本的漸進(jìn)式剔除方法 305
10.5 由弱到強(qiáng)監(jiān)督的訓(xùn)練樣本提升方法 308
10.6 小結(jié) 311
參考文獻(xiàn) 312
第11章 小樣本下空譜關(guān)系網(wǎng)絡(luò)的地表覆蓋分類 315
11.1 高光譜圖像分類概述 315
11.1.1 深度卷積神經(jīng)網(wǎng)絡(luò)在高光譜圖像分類中的應(yīng)用 318
11.1.2 高光譜圖像分類模型遷移學(xué)習(xí)現(xiàn)狀 320
11.1.3 高光譜圖像分類方法存在的問題 321
11.2 相關(guān)工作簡介 323
11.2.1 空間金字塔池化和自適應(yīng)池化 323
11.2.2 關(guān)系網(wǎng)絡(luò) 324
11.3 空譜關(guān)系網(wǎng)絡(luò) 326
11.3.1 用于特征提取的三維嵌入模塊 328
11.3.2 用于相似性度量的三維關(guān)系模塊 330
11.4 自適應(yīng)空譜關(guān)系網(wǎng)絡(luò)的遷移學(xué)習(xí) 331
11.4.1 自適應(yīng)空譜金字塔池化 332
11.4.2 ASSP-SSRN 預(yù)訓(xùn)練部分 333
11.4.3 ASSP-SSRN 微調(diào)部分 335
11.5 SS-RN 性能驗證與分析 336
11.5.1 實驗數(shù)據(jù)描述和實驗設(shè)計 336
11.5.2 網(wǎng)絡(luò)參數(shù)選擇 340
11.5.3 訓(xùn)練時間分析 346
11.5.4 SS-RN 深度特征的可視化 347
11.5.5 SS-RN 與之前深度學(xué)習(xí)方法的對比 349
11.5.6 基于ASSP-SSRN 的遷移學(xué)習(xí)實驗結(jié)果 354
11.6 小樣本下空譜關(guān)系網(wǎng)絡(luò)應(yīng)用小結(jié) 358
參考文獻(xiàn) 360
第12章 遙感影像時間序列聚類與分類 364
12.1 引言 364
12.2 遙感影像時間序列的構(gòu)成 366
12.3 基于相似性度量的遙感影像時間序列聚類/分類 367
12.3.1 時間序列相似性度量方法的發(fā)展脈絡(luò) 367
12.3.2 動態(tài)時間規(guī)整 368
12.3.3 動態(tài)時間規(guī)整的路徑約束 372
12.3.4 動態(tài)時間規(guī)整的變種方法 374
12.3.5 動態(tài)時間規(guī)整的下界距離與提前終止 378
12.3.6 遙感影像時間序列種子聚類與分類框架 380
12.4 基于深度學(xué)習(xí)的遙感影像時間序列分類 383
12.4.1 時間序列分類網(wǎng)絡(luò)的發(fā)展脈絡(luò) 383
12.4.2 時序卷積網(wǎng)絡(luò) 386
12.4.3 長短期記憶網(wǎng)絡(luò) 386
12.4.4 時序自注意力網(wǎng)絡(luò) 388
12.4.5 網(wǎng)絡(luò)結(jié)構(gòu)與遙感數(shù)據(jù)特征 393
12.5 小結(jié) 393
參考文獻(xiàn) 394
第三篇 系統(tǒng)架構(gòu)
第13章 全球多源遙感數(shù)據(jù)的集成和組織 401
13.1 引言 401
13.2 多源遙感數(shù)據(jù)格式統(tǒng)一抽象模型 402
13.2.1 幾種常見遙感數(shù)據(jù)格式與格式庫 402
13.2.2 遙感數(shù)據(jù)格式與庫分析 402
13.2.3 統(tǒng)一格式抽象庫設(shè)計與實現(xiàn) 406
13.3 結(jié)合數(shù)據(jù)尺度和產(chǎn)品類型的多源多尺度遙感數(shù)據(jù)協(xié)同剖分體系 408
13.3.1 數(shù)據(jù)剖分體系 409
13.3.2 多源遙感數(shù)據(jù)立方體協(xié)同生成流程 413
13.3.3 邏輯數(shù)據(jù)立方體協(xié)同生成 414
13.3.4 實體數(shù)據(jù)立方體協(xié)同生成 417
13.4 小結(jié) 419
參考文獻(xiàn) 419
第14章 全球多源遙感數(shù)據(jù)信息產(chǎn)品生產(chǎn)流程建模與算法集成 421
14.1 引言 421
14.2 遙感產(chǎn)品生產(chǎn)架構(gòu) 422
14.3 產(chǎn)品生產(chǎn)架構(gòu)形式化表達(dá)與服務(wù)化集成 424
14.3.1 產(chǎn)品生產(chǎn)架構(gòu)形式化表達(dá) 424
14.3.2 產(chǎn)品生產(chǎn)流程腳本生成 427
14.3.3 流程建模過程中不確定問題的處理策略 428
14.3.4 遙感產(chǎn)品算法服務(wù)化集成 430
14.4 遙感產(chǎn)品并行處理框架 432
14.4.1 遙感產(chǎn)品處理算法的運(yùn)算特點(diǎn) 432
14.4.2 上層粗粒度任務(wù)并行處理 436
14.4.3 下層基于內(nèi)存的圖像加速處理 438
14.5 小結(jié) 440
參考文獻(xiàn) 441
第15章 容器化全球多源遙感數(shù)據(jù)信息產(chǎn)品生產(chǎn)系統(tǒng)關(guān)鍵