遙感圖像處理與數學建模——二維衛星和航空圖像分析模型及方法

Gabriele Moser和Josiane Zerubia是法國國家信息與自動化研究所（INRIA）的研究人員，合作發表了多篇關於SAR圖像處理的學術論文，主要研究方向包括合成孔徑雷達（SAR）幅度概率密度函數估計、有限混合模型及隨機期望最大化算法等 。Gabriele Moser，IEEE高級會員，長期從事遙感圖像處理與模式識別研究，提出基於有限混合模型和Copula函數的高分辨率雙極化SAR圖像分類方法。Josiane Zerubia，IEEE高級會員，專註於SAR圖像分析與機器學習方法，開發字典驅動的隨機期望最大化算法，用於SAR幅度概率密度函數估計。
李晉川，籍貫山西，航天工程大學碩士，華南理工大學博士，現任職於中國星網網絡創新研究院有限公司。長期從事航天信息數據處理及應用、新型材料數據分析與技術應用等領域的研究工作。

第1章 緒論：遙感圖像分析的數學模型和方法 1
1.1 基本概念 2
1.2 遙感圖像基礎知識 3
1.2.1 遙感圖像的概念 3
1.2.2 遙感平臺 3
1.2.3 遙感圖像的采集 4
1.2.4 分辨率的概念 9
1.3 遙感圖像分析的數學模型 11
1.3.1 總論 11
1.3.2 圖像數字化的數學模型 13
1.3.3 概率建模和貝葉斯方法處理圖像數據 14
1.3.4 圖像數據處理中的非貝葉斯方法 16
1.3.5 優化方法的作用 19
1.4 本書的結構與組織 20
原書參考文獻 21
第2章 高光譜圖像分析模型：解混分析及基於對象的分類 29
2.1 高光譜遙感簡介 30
2.2 解混 31
2.2.1 降維 35
2.2.2 端元提取 35
2.3 分類 44
2.3.1 像元級分類 45
2.3.2 光譜-空間分類法 47
2.3.3 面向對象的二元分割樹分類 49
2.3.4 實驗結果 55
2.4 挑戰 59
原書參考文獻 60
第3章 高空間分辨率光學成像：樹模型方法及面向數據挖掘和分析的多時相
模型 66
3.1 引言 67
3.2 分層數據結構耦合的交互式圖像信息挖掘 68
3.2.1 簡介 68
3.2.2 圖像內容組織 70
3.2.3 層級圖像表示結構 72
3.2.4 空間采樣 75
3.2.5 高效的剪枝分類法 77
3.2.6 實驗與應用 81
3.3 多時相多角度光學圖像分析 85
3.3.1 簡介 85
3.3.2 非物理量和物理量 87
3.3.3 角度變化的影響 90
3.3.4 實驗結果 94
3.4 結論 104
原書參考文獻 105
第4章 高分辨率幹涉合成孔徑雷達圖像信息解譯：馬爾可夫模型和基於圖像塊的
非局部模型 111
4.1 合成孔徑雷達成像原理 112
4.1.1 合成孔徑雷達信息采集原理 112
4.1.2 二維到四維合成孔徑雷達成像 117
4.1.3 合成孔徑成像中的斑點噪聲統計 118
4.2 馬爾可夫模型的應用 122
4.2.1 馬爾可夫圖像模型 122
4.2.2 馬爾可夫隨機場的推斷 125
4.2.3 SAR圖像降噪方法：聯合正則化與光學數據融合 133
4.2.4 多通道幹涉測量相位解纏 136
4.3 基於圖像塊的SAR成像模型 139
4.3.1 從局部領域到圖像塊 139
4.3.2 極化雷達和幹涉雷達圖像中基於圖像塊估計的篩選方法 143
4.4 結論 149
拓展閱讀 150
原書參考文獻 150

第5章 極化合成孔徑雷達建模：梅林型統計和時頻分析 155
5.1 簡介 156
5.2 信號模型 157
5.3 乘積模型 158
5.4 雷達極化技術 160
5.5 參數估計 162
5.5.1 協方差估計 162
5.5.2 梅林型統計 164
5.5.3 形狀參數估計 168
5.5.4 紋理參數估計 171
5.6 圖像分類 172
5.6.1 監督分類 172
5.6.2 無監督分割 175
5.7 復極化特征的相幹時頻特性 177
5.7.1 極化合成孔徑雷達圖像的相幹時頻分解 178
5.7.2 針對自然環境的非穩態極化時頻合成孔徑雷達響應 181
5.7.3 復雜場景的極化時頻特征 186
5.8 結論 194
原書參考文獻 195
第6章 遙感數據融合—基於引導濾波器的高光譜全色銳化和基於圖的特征級
融合 197
6.1 引言 198
6.2 高光譜圖像全色銳化 199
6.2.1 熱紅外高光譜和可見光圖像融合的混合方法 200
6.3 基於圖的多源數據分類特征級融合模型 204
6.3.1 高光譜數據和LiDAR數據的圖融合 207
6.3.2 多源數據融合的局部圖融合模型 213
6.4 結論 220
原書參考文獻 221
第7章 遙感數據融合—針對多傳感器、多分辨率、多尺度圖像分類的馬爾可夫
模型與數學形態學 226
7.1 針對圖像分類的多源數據融合 227
7.1.1 多尺度特征提取 227
7.1.2 多傳感器與多分辨率圖像分類 229
7.2 由數學形態學實現的多級別特征提取 231
7.2.1 數學形態學 231
7.2.2 理論背景 232
7.2.3 多層次圖像表征 236
7.2.4 多通道多屬性表征 237
7.2.5 自動濾波參數選擇 238
7.2.6 實驗研究 240
7.3 用於多源圖像分類的層次化馬爾可夫模型 244
7.3.1 貝葉斯分類 246
7.3.2 多時序邊緣後驗模式推斷 247
7.3.3 轉移概率 251
7.3.4 像元級類別條件概率密度函數 252
7.3.5 實驗研究 252
7.4 結論 256
原書參考文獻 257
第8章 基於單尺度與多尺度方法的多時相圖像變化檢測 264
8.1 引言 265
8.2 前沿技術 266
8.2.1 多時相航天圖像中的變化檢測 266
8.2.2 SAR變化檢測 267
8.2.3 超高分辨率SAR圖像變化檢測方法 268
8.3 實驗與分析 274
8.3.1 模擬數據 274
8.3.2 COSMO-SkyMed（CSK）圖像 283
8.4 結論 285
原書參考文獻 285
第9章 衛星圖像時間序列：數據的挖掘模型和缺失數據的恢復模型 289
9.1 引言 290
9.2 時空模式提取的數據挖掘方法 292
9.2.1 方法來源與目標 292
9.2.2 分組頻繁序列模式 292
9.2.3 時空定位圖和基於歸一化互信息的評分 298
9.2.4 結論 301
9.3 多光譜圖像的重建方法 302
9.3.1 綜述 302
9.3.2 問題建模 304
9.3.3 線性上下文預測方法 306
9.3.4 壓縮感知重建策略 309
9.3.5 示例 312
9.3.6 討論 317
9.4 結論 318
原書參考文獻 318
第10章 遙感圖像分類和生物物理參數反演中的核機器發展 323
10.1 導論 324
10.2 核方法介紹 325
10.2.1 特征映射和核 325
10.2.2 正定核與核技巧 326
10.2.3 運用核函數的操作 326
10.2.4 核函數 327
10.2.5 核函數組合 328
10.2.6 核度量 329
10.2.7 支持向量機在分類中的應用 329
10.2.8 高斯過程回歸 331
10.3 多模態數據分類 332
10.3.1 多核方法在多源像元分類中的應用 332
10.3.2 流形對齊技術提高不同圖像表示相似程度 338
10.3.3 新挑戰 343
10.4 生物物理參數估計 344
10.4.1 高斯過程中的協方差 344
10.4.2 自動相關性判別（ARD）協方差特征排序 346
10.4.3 不確定性區間圖 349
10.4.4 高斯過程回歸的新挑戰 352
10.5 結論 353
原書參考文獻 353