遙感數(shù)據(jù)是空間大數(shù)據(jù)的一個子集。面向大數(shù)據(jù)處理，需要新的思維指導實踐。新思維之一：尋找多源數(shù)據(jù)不變特征的思維，基于不變特征減弱同地、同譜、同時不同傳感器數(shù)據(jù)之間的不一致性，不同傳感器數(shù)據(jù)可綜合集成應用。本書數(shù)據(jù)處理篇多源數(shù)據(jù)的幾何一致性處理、輻射一致性處理等都是這一思維指導下的關鍵技術。新思維之二：將信息提取轉化為數(shù)據(jù)智能的思維，一方面構建覆蓋問題空間的樣本集，另一方面構建深度學習模型表達與樣本的深度相似性。本書分類與識別篇的遙感圖像的場景分類、目標檢測、地表覆蓋分類、時間序列分類聚類的關鍵技術都是這一思維的具體體現(xiàn)。新思維之三：云計算和容器技術融合構建技術平臺的思維，以支撐遙感大數(shù)據(jù)的在線處理和分析。本書的系統(tǒng)架構篇涉及的關鍵技術包括全球多源遙感數(shù)據(jù)的集成和組織技術、信息產(chǎn)品生產(chǎn)流程建模與算法集成優(yōu)化技術、容器化全球多源遙感數(shù)據(jù)信息產(chǎn)品生產(chǎn)系統(tǒng)關鍵設計技術。

更多科學出版社服務，請掃碼獲取。

目錄
“地球大數(shù)據(jù)科學論叢”序 i
前言 iii
第一篇 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 5
1.1.3 數(shù)據(jù)密集型科學和大數(shù)據(jù)技術的區(qū)別和聯(lián)系 7
1.2 數(shù)據(jù)密集型的遙感應用研究 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 19
參考文獻 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)的關鍵點 23
2.3.1 控制點提取的發(fā)展脈絡 23
2.3.2 幾何校正模型的選取和發(fā)展 34
2.4 誤匹配點檢測方法 35
2.4.1 研究現(xiàn)狀概述 35
2.4.2 現(xiàn)有方法問題及改進方向 39
2.5 基于高精度基準影像的多尺度遙感影像歸一化處理框架和應用 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 實際應用情況及效果 47
2.6 小結 55
參考文獻 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 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 基于核典型相關分析的輻射一致性處理 84
3.5 小結 94
參考文獻 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 基于深度學習的薄霧去除 120
4.6.1 基于對抗學習的物理驅動去霧模型 121
4.6.2 深度學習訓練樣本庫 124
4.6.3 算法優(yōu)化 126
參考文獻 130
第5章 云/云影檢測與修補 132
5.1 云/云影檢測的傳統(tǒng)方法 132
5.1.1 算法 133
5.1.2 實驗結果 140
5.2 云/云影檢測的深度學習方法 143
5.2.1 Refined UNet：基于UNet和全連接條件隨機場的云和陰影
邊緣精準分割方法 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 實驗及結果分析 156
5.3 云/云影修補算法 165
5.3.1 基于泊松融合的云與云下陰影自動修補算法 165
5.3.2 基于核典型相關分析的序列圖像云檢測與修補算法 174
5.4 小結 186
參考文獻 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 經(jīng)典融合模型 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)絡結構 200
6.4 數(shù)據(jù)融合結果比較與評價 201
6.4.1 實驗數(shù)據(jù)集介紹 201
6.4.2 實驗評價指標 202
6.4.3 實驗流程 204
6.4.4 實驗結果與分析 205
6.5 小結 214
參考文獻 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 實驗結果與分析 228
7.4.1 實現(xiàn)細節(jié) 228
7.4.2 結果評價 233
7.5 數(shù)據(jù)集的構建實踐 235
7.5.1 區(qū)域數(shù)據(jù)的缺失狀況 235
7.5.2 數(shù)據(jù)集的構建策略 235
7.5.3 生成結果的性能分析 237
7.5.4 生成結果的視覺展示 239
7.6 小結 241
參考文獻 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 基于經(jīng)典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與場景分類方法 251
8.3.3 基于同心圓結構的旋轉不變性視覺詞包特征表達與場景分類方法 254
8.4 遙感圖像場景分類的深度學習方法 258
8.4.1 SiftingGAN：自篩選生成對抗網(wǎng)絡的場景分類方法 258
8.4.2 CNN-CapsNet：融合膠囊網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的場景分類
方法 264
8.5 小結 270
參考文獻 270
第9章 遙感圖像目標檢測 275
9.1 引言 275
9.2 遙感圖像目標檢測的傳統(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 遙感圖像目標檢測的深度學習方法 279
9.4 形狀信息在遙感圖像目標檢測中的應用 280
9.4.1 偏向形狀特征的目標檢測樣本擴增方法 280
9.4.2 引入形狀先驗約束的目標檢測網(wǎng)絡模型 284
9.4.3 融入分類后處理的遙感圖像目標檢測方法 286
9.5 多尺度小樣本目標檢測方法 288
9.6 小結 291
參考文獻 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 主動學習：訓練樣本的有效選擇方法 297
10.3 半監(jiān)督學習：未標記樣本的使用方法 301
10.4 訓練樣本集中錯誤樣本的漸進式剔除方法 305
10.5 由弱到強監(jiān)督的訓練樣本提升方法 308
10.6 小結 311
參考文獻 312
第11章 小樣本下空譜關系網(wǎng)絡的地表覆蓋分類 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)絡在高光譜圖像分類中的應用 318
11.1.2 高光譜圖像分類模型遷移學習現(xiàn)狀 320
11.1.3 高光譜圖像分類方法存在的問題 321
11.2 相關工作簡介 323
11.2.1 空間金字塔池化和自適應池化 323
11.2.2 關系網(wǎng)絡 324
11.3 空譜關系網(wǎng)絡 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系模塊 330
11.4 自適應空譜關系網(wǎng)絡的遷移學習 331
11.4.1 自適應空譜金字塔池化 332
11.4.2 ASSP-SSRN 預訓練部分 333
11.4.3 ASSP-SSRN 微調部分 335
11.5 SS-RN 性能驗證與分析 336
11.5.1 實驗數(shù)據(jù)描述和實驗設計 336
11.5.2 網(wǎng)絡參數(shù)選擇 340
11.5.3 訓練時間分析 346
11.5.4 SS-RN 深度特征的可視化 347
11.5.5 SS-RN 與之前深度學習方法的對比 349
11.5.6 基于ASSP-SSRN 的遷移學習實驗結果 354
11.6 小樣本下空譜關系網(wǎng)絡應用小結 358
參考文獻 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 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 基于深度學習的遙感影像時間序列分類 383
12.4.1 時間序列分類網(wǎng)絡的發(fā)展脈絡 383
12.4.2 時序卷積網(wǎng)絡 386
12.4.3 長短期記憶網(wǎng)絡 386
12.4.4 時序自注意力網(wǎng)絡 388
12.4.5 網(wǎng)絡結構與遙感數(shù)據(jù)特征 393
12.5 小結 393
參考文獻 394
第三篇 系統(tǒng)架構
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)一格式抽象庫設計與實現(xiàn) 406
13.3 結合數(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 419
參考文獻 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 422
14.3 產(chǎn)品生產(chǎn)架構形式化表達與服務化集成 424
14.3.1 產(chǎn)品生產(chǎn)架構形式化表達 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)品處理算法的運算特點 432
14.4.2 上層粗粒度任務并行處理 436
14.4.3 下層基于內存的圖像加速處理 438
14.5 小結 440
參考文獻 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)關鍵設計 443
15.1 引言 443
15.1.1 容器與虛擬機 443
15.1.2 容器與鏡像內部結構 445
15.1.3 遙感數(shù)據(jù)信息產(chǎn)品算法容器化的意義 446
15.2 生產(chǎn)系統(tǒng)架構 446
15.3 容器集群架構 448
15.4 算法鏡像倉庫 450
15.5 算法容器封裝與集成 451
15.6 工作流調度與產(chǎn)品生產(chǎn) 453
15.6.1 產(chǎn)品生產(chǎn)業(yè)務流程 453
15.6.2 工作流的定義與結構 453
15.6.3 工作流的調度運行 458
15.7 系統(tǒng)實例 461
15.7.1 全球空間數(shù)據(jù)處理與信息產(chǎn)品生產(chǎn)系統(tǒng) 461
15.7.2 數(shù)據(jù)管理子系統(tǒng) 461
15.7.3 算法管理子系統(tǒng) 463
15.7.4 產(chǎn)品生產(chǎn)子系統(tǒng) 465
15.7.5 系統(tǒng)管理子系統(tǒng) 467
15.8 小結 470
參考文獻 470