基于深度神經網絡的遙感圖像分割 ( 簡體 字) |
| 作者：楊藝、王宇、王蔚、王筱超 | 類別：1. -> 程式設計 -> 深度學習
2. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53648
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：10/1/2020 |
| 頁數：151 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302559658 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：隨著遙感科學與技術的迅猛發展，遙感圖像的分辨率越來越高。高分辨率遙感圖像為實現地物準確識別和分類提供了重要的支撐條件。分辨率的提高一方面使表征目標的特征空間維度大幅增加，使關鍵性特征信息的選取面臨巨大的挑戰； 另一方面使特征與目標間的非線性映射關系變得更加復雜，建模更加困難。因此，如何確定高分辨率遙感圖像中目標的低秩特征空間，并構建目標分割的高維非線性映射模型，是實現遙感圖像目標高精度分割的關鍵。
本書深入分析了高分辨率遙感圖像中特定目標的高精度分割關鍵性問題，在總結目前主流研究方法基礎上，著重講述了作者在多光譜遙感圖像中的水域分割、可見光遙感圖像中的建筑物分割兩個問題上的基本理論、解決思路和實現方法。
本書共分6章，第1章重點講述高分辨率遙感圖像分割的數學本質，即建立從輸入圖像到分割結果之間的映射關系。在此基礎上，引出基于目標特征建模和基于機器學習的兩類主流方法。目標特征建模方法是在手動提取目標特征基礎上，借助數學工具建立合理的目標分割模型。這類方法無須大量的訓練樣本，獲取結果快，可有效分割多光譜遙感圖像中的部分目標。因此，在第2章介紹了主動輪廓模型這一重要的目標特征建模方法。
然而，對于可見光遙感圖像而言，由于遙感圖像分辨率很高，圖像的紋理信息十分豐富，使目標特征建模變得十分困難。隨著人工智能的快速發展，深度神經網絡在機器視覺及圖像處理領域取得了巨大的成就。將深度神經網絡應用于遙感圖像特定目標分割成為當前的研究熱點和主流方法。為此，第3章介紹了深度神經網絡的基本原理、核心要素和搭建方法，并詳細闡述了深度神經網絡在TensorFlow框架下的實現過程。第4~6章分別介紹了全卷積神經網絡、Encoder拟Decoder架構、深度神經網絡條件隨機場3種典型的遙感圖像目標分割方法的理論及實現過程。
本書適合測繪、地理信息、遙感、計算機、自動化等專業本科生和研究生用于了解遙感圖像分割方法，也可作為相關專業的科研工作者和工程技術人員的參考書。
本書得到了國家重點研發計劃項目、河南省科技攻關項目、河南省高等學校重點科研項目以及河南理工大學博士基金的資助。
同時誠摯感謝河南理工大學王寶山教授、北京航空航天大學秦世引教授、王田副教授的指導。
書中的參考文獻列出了書中引用的全部文獻，在此對所有參考文獻著者表示感謝。同時，書中所有程序的參考來源均給出了相應的鏈接網址，在此對網站和著者表示衷心感謝。
由于著者水平有限，本書難免存在各種不足，敬請讀者不吝批評指正。
著者
2020年8月 |
內容簡介：遙感圖像特定目標分割是遙感圖像處理的研究熱點和重要方向。本書在分析遙感圖像特定目標分割的關鍵性問題基礎上，介紹基于目標特征建模和基于深度神經網絡兩種分割方法。其中，在目標特征建模方法中，重點闡述了主動輪廓模型及改進算法的原理和實現方法；在深度神經網絡方法中，重點講述了全卷積神經網絡、Encoder-Decoder架構和深度神經網絡條件隨機場三種典型算法。
本書適合作為從事遙感圖像目標分割方法及應用研究的科技工作者、專業技術人員、研究生及高年級本科生的參考書。 |
目錄：第1章緒論
1．1引言
1．2高分辨率遙感圖像
1．3高分辨率遙感圖像目標分割的關鍵問題
1．3．1高分辨率遙感圖像特定目標分割問題的描述
1．3．2高分辨率遙感圖像目標分割的挑戰性問題
1．4遙感圖像目標分割方法概述
1．4．1傳統的遙感圖像目標分割方法
1．4．2基于學習的遙感圖像目標分割方法
1．4．3基于深度神經網絡的遙感圖像目標分割方法
1．5本書的內容及組織
參考文獻
第2章主動輪廓模型在遙感圖像分割中的應用
2．1CV主動輪廓模型
2．1．1主動輪廓模型封閉曲線進化原理
2．1．2CV模型的水平集進化方法
2．1．3CV主動輪廓模型的實現
2．2遙感圖像的特性表示
2．2．1灰度共生矩陣
2．2．2紋理特征
2．2．3灰度共生矩陣紋理特征實現
2．3局部圖像熵主動輪廓模型
2．3．1遙感圖像的熵
2．3．2局部圖像熵能量泛函
2．3．3局部圖像熵主動輪廓模型的實現
2．4全局圖像熵主動輪廓模型
2．4．1全局圖像熵能量泛函
2．4．2全局圖像熵進化原理
2．4．3全局圖像熵主動輪廓模型的實現
2．5遙感圖像水域分割對比實驗
2．5．1性能評價指標
2．5．2實驗及結果分析
2．6本章小結
2．7附錄：K拟means水域分割程序
參考文獻
第3章深度神經網絡基礎
3．1人工神經網絡
3．2神經網絡的訓練
3．3深度神經網絡
3．3．1深度神經網絡的基本要素
3．3．2深度神經網絡的結構
3．3．3優化性能指標
3．4深度神經網絡的TensorFlow實現
3．5本章小結
參考文獻
第4章全卷積神經網絡建筑物語義分割
4．1全卷積深度神經網絡
4．1．1全卷積
4．1．2反卷積
4．2VGG全卷積神經網絡
4．2．1VGG的卷積層
4．2．2全卷積層
4．2．3反卷積層
4．3遙感圖像建筑物分割
4．3．1實驗數據資源
4．3．2實驗平臺
4．3．3數據預處理及結果評價指標
4．3．4IAILD數據集制作及管理
4．3．5VGG全卷積神經網絡的實現
4．3．6實驗及結果分析
4．4本章小結
參考文獻
第5章Encoder拟Decoder網絡建筑物分割
5．1Encoder拟Decoder深度神經網絡語義分割架構
5．2ResNet構建Encoder
5．2．1ResNet的基本結構
5．2．2ResNet的前饋通道
5．3Decoder構建與建筑物分割
5．4批量規范化技術
5．4．1卷積神經網絡輸出的數據特征
5．4．2批量規范化原理
5．5基于ResNet的Encoder拟Decoder
5．5．1ResNet模型
5．5．2TensorFlow圖及運行文件
5．6實驗及結果分析
5．7本章小結
參考文獻
第6章條件隨機場深度神經網絡建筑物分割
6．1條件隨機場
6．1．1概率無向圖模型
6．1．2條件隨機場
6．2深度神經網絡與條件隨機場建筑物分割
6．2．1整體架構
6．2．2全連接條件隨機場模型
6．3基于Encoder拟Decoder的一元勢函數值估計
6．3．1ResNet的Encoder結構
6．3．2ResNet的Decoder結構
6．4成對勢函數的均值場估計
6．4．1成對勢函數的構建
6．4．2條件概率的均值場逼近
6．4．3均值場算法的RNN實現機制
6．5條件隨機場深度神經網絡建筑物分割的實現
6．5．1條件隨機場的實現
6．5．2條件隨機場深度神經網絡的實現
6．6實驗及結果分析
6．6．1分割對比實驗
6．6．2復雜建筑物分割對比實驗
6．6．3多分辨率遙感圖像分割實驗
6．7本章小結
參考文獻 |
| 序： |
