本書主要講述了智能遙感衛(wèi)星的遙感影像在軌高精度處理與實(shí)時(shí)智能服務(wù)系統(tǒng)的設(shè)計(jì)理念與核心技術(shù)，重點(diǎn)圍繞智能遙感衛(wèi)星在軌處理與實(shí)時(shí)智能服務(wù)的服務(wù)模式、流式架構(gòu)、關(guān)鍵技術(shù)算法和處理系統(tǒng)進(jìn)行論述。本書包括7個(gè)核心章節(jié)，分別介紹了對(duì)智能遙感衛(wèi)星得發(fā)展現(xiàn)狀與趨勢(shì)、智能遙感衛(wèi)星在軌流式處理架構(gòu)與服務(wù)模式、面向任務(wù)遙感衛(wèi)星協(xié)同自主任務(wù)規(guī)

本書全面介紹了遙感數(shù)字圖像獲取，遙感數(shù)據(jù)表示方法、存儲(chǔ)及顯示，遙感圖像校正，遙感影像調(diào)色、鑲嵌與正射影像生產(chǎn)，圖像變換與增強(qiáng)，圖像分割，遙感圖像分類等的基本概念、理論和方法。同時(shí)，本書在ENVI軟件的基礎(chǔ)上介紹了遙感數(shù)字圖像處理的應(yīng)用，并與景觀生態(tài)風(fēng)險(xiǎn)時(shí)空變化驅(qū)動(dòng)與預(yù)測(cè)項(xiàng)目相結(jié)合，詳細(xì)介紹了遙感數(shù)字圖像處理在景觀生態(tài)風(fēng)

高光譜遙感綜合了影像學(xué)和光譜學(xué)等學(xué)科優(yōu)勢(shì)，可實(shí)現(xiàn)對(duì)水體環(huán)境狀況的空間分布和光譜特征的統(tǒng)一探測(cè)，為水體環(huán)境監(jiān)測(cè)提供了一種新手段。高分5號(hào)衛(wèi)星高光譜遙感數(shù)據(jù)在光譜分辨率和信噪比等技術(shù)指標(biāo)方面均有顯著提升，為提高水環(huán)境參數(shù)反演精度和實(shí)現(xiàn)內(nèi)陸水體環(huán)境的業(yè)務(wù)化遙感監(jiān)測(cè)等提供了新的契機(jī)。本書是在國家自然科學(xué)基金重大項(xiàng)目、國家重點(diǎn)研

超高空間分辨率(VHR)遙感影像中陰影的形成主要是由于光線被物體阻擋，從而降低了地物的光譜亮度。高效的陰影消除方法可以恢復(fù)陰影中地物的光譜信息，是遙感影像分析的關(guān)鍵預(yù)處理步驟。然而，由于缺乏精確陰影掩膜和無陰影圖像的原因，導(dǎo)致VHR影像陰影消除中存在“數(shù)據(jù)缺陷”。為了獲得高精度的陰影掩膜，為陰影消除提供準(zhǔn)確的位置信息，

遙感影像作為人們獲取地理信息的重要數(shù)據(jù)來源，在環(huán)境監(jiān)測(cè)、農(nóng)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(shù)據(jù)時(shí)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(tái)等因素的影響，導(dǎo)致遙感影像內(nèi)部存在局部亮度和色彩分布不均勻現(xiàn)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(nèi)部色彩差異較大，使得影像看起

遙感應(yīng)用工程是構(gòu)建在一定科學(xué)與技術(shù)積累上的、為滿足某種需求而開展的系統(tǒng)建設(shè)與運(yùn)行及其應(yīng)用，包括在一定的應(yīng)用基礎(chǔ)設(shè)施支持下開展新型遙感器研發(fā)、應(yīng)用方法與技術(shù)研究、遙感信息系統(tǒng)研發(fā)。 本書以多角度偏振成像儀（DPC）的應(yīng)用研究與載荷研發(fā)為主，結(jié)合航天遙感應(yīng)用理論研究與應(yīng)用基礎(chǔ)設(shè)施建設(shè)主題，兼容并蓄高分專項(xiàng)及這一階段我國民用

在當(dāng)今的自動(dòng)駕駛和智能交通系統(tǒng)領(lǐng)域，視頻車道線檢測(cè)技術(shù)扮演著至關(guān)重要的角色。本書將帶您深入探索這一領(lǐng)域，揭示如何使用深度學(xué)習(xí)技術(shù)來實(shí)現(xiàn)精確、魯棒和實(shí)時(shí)的車道線檢測(cè)。本書全面系統(tǒng)地介紹了基于深度學(xué)習(xí)的視頻車道線檢測(cè)技術(shù)，包括基于深度學(xué)習(xí)的車道線檢測(cè)理論基礎(chǔ)、基于SwinTransformer的車道線檢測(cè)技術(shù)、基于深度混合

本書基于非合作目標(biāo)雷達(dá)特性、運(yùn)動(dòng)特性和形狀特征，分析了影響目標(biāo)ISAR成像的因素，重點(diǎn)對(duì)稀疏重構(gòu)成像方法和彈道目標(biāo)特征提取方法進(jìn)行了闡述分析，針對(duì)非合作目標(biāo)成像、特征提取與識(shí)別面臨的成像時(shí)間短、積累信號(hào)少、成像質(zhì)量不高和特征提取識(shí)別難的問題，提出了多種基于聯(lián)合稀疏重構(gòu)和二維稀疏重構(gòu)的成像方法，并闡述了機(jī)動(dòng)非合作目標(biāo)的快

本書共分為8章，重點(diǎn)研究了基于深度屬性學(xué)習(xí)的光學(xué)遙感圖像分類方法，如基于屬性學(xué)習(xí)預(yù)測(cè)的細(xì)粒度遙感目標(biāo)分類、基于多源屬性學(xué)習(xí)的細(xì)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(dòng)化標(biāo)注的零樣本遙感圖像場景分類等。對(duì)于每種典型的遙感圖像分類方法，從研究者的角度，詳細(xì)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(gè)用于圖像分類的著名卷積神經(jīng)網(wǎng)絡(luò)模型，分別是：LeNet-5(識(shí)別手寫數(shù)字)、AlexNet(寵物貓狗識(shí)別)、VGG(表情識(shí)別)GoogleNet(車輛品牌識(shí)別)、ResNet(寵物貓狗品種識(shí)別)、MobileNet(新疆蘋果品種識(shí)別)、SqueezeNet(西紅柿病害識(shí)別)、SqueezeNe