第1章 遙感圖像解譯的一般問題
1.1 信息傳遞與圖像解譯
1.2 遙感圖像解譯的任務與實施
1.2.1 遙感圖像解譯的任務
1.2.2 遙感圖像解譯的實施
1.3 遙感信息的利用方式和支撐技術
1.3.1 遙感信息的利用方式
1.3.2 遙感信息的支撐技術
1.4 遙感圖像解譯的質量要求
1.4.1 解譯的完整性
1.4.2 解譯的可靠性
1.4.3 解譯的及時性
1.4.4 解譯的明顯性
第2章 遙感研究對象的特性
2.1 空間特性——空
2.1.1 地理單元
2.1.2 空間分布
2.2 波譜反射和輻射特征——譜
2.2.1 水體的電磁輻射特性
2.2.2 植被的電磁輻射特性
2.2.3 巖石和礦物的電磁輻射特性
2.2.4 土壤的電磁輻射特性
2.2.5 人工地物目標的電磁輻射特性
2.3 時間特性——時
2.4 解譯對象的劃分
2.5 地表覆蓋類型
第3章 遙感數據的觀測性能
3.1 遙感數據的多源性
3.1.1 遙感平臺多層次
3.1.2 傳感器多樣性
3.1.3 小衛星群
3.2 遙感圖像量測性能與空間分辨率
3.3 多光譜圖像及光譜分辨率
3.3.1 不同波譜范圍的比較
3.3.2 光譜分辨率
3.3.3 波段組合
3.4 輻射信息與輻射分辨力
3.5 遙感中的時間因素與時間分辨率
3.5.1 地物的時間特性
3.5.2 時間分辨率
3.5.3 時間分辨率的類型
3.5.4 時間分辨率的作用
3.6 遙感圖像的成像性能
3.6.1 成像性能的表示
3.6.2 圖像解像力的確定
3.6.3 遙感圖像的選擇
第4章 遙感圖像光譜指數特征
4.1 植被-不透水面-裸土(VIS)模型
4.2 植被光譜指數
4.3 水體光譜指數
4.4 不透水面光譜指數
4.5 土壤光譜指數
第5章 遙感圖像空間特征
5.1 Harris角點特征
5.2 紋理特征
5.2.1 灰度共生矩陣
5.2.2 小波紋理變換
5.3 形狀特征
5.3.1 像元形狀指數
5.3.2 形狀特征集合
5.4 結構特征
5.4.1 數學形態學
5.4.2 數學形態學譜
5.4.3 屬性形態學譜
5.4.4 建筑形態學指數與陰影形態學指數
5.5 多視角特征
5.5.1 數字表面模型
5.5.2 多視角光譜特征
5.5.3 多視角形狀特征
5.5.4 多視角紋理特征
5.5.5 多視角屬性特征
第6章 變化特征提取
6.1 多時相影像預處理
6.1.1 幾何預處理
6.1.2 光譜預處理
6.2 從灰度比較法到變化向量分析法
6.2.1 灰度比較法
6.2.2 變化向量分析法
6.3 變化域特征比較法
6.3.1 主成分分析法
6.3.2 多元變化檢測法
6.4 特征驅動比較法
第7章 遙感影像解譯方法
7.1 遙感影像計算機分類方法
7.1.1 非監督分類方法
7.1.2 監督分類方法
7.1.3 智能分類器和機器學習算法
7.2 混合像元分解
7.2.1 光譜混合模型
7.2.2 端元提取方法
7.2.3 盲分解方法
7.3 面向對象的遙感影像解譯
7.3.1 遙感影像分割方法
7.3.2 馬爾可夫(Markov)隨機場面向對象分類模型
7.3.3 均值漂移的面向對象遙感影像分類
7.4 遙感影像分類后處理
7.4.1 基于濾波的分類后處理算法
7.4.2 面向對象的分類后處理方法
7.4.3 基于隨機場的分類后處理方法
7.4.4 再學習分類后處理方法
第8章 人工智能遙感解譯
8.1 深度神經網絡概述
8.1.1 神經網絡結構
8.1.2 前向傳播
8.1.3 誤差反向傳播
8.1.4 深度神經網絡使用
8.2 面向地塊解譯的遙感深度網絡
8.2.1 卷積神經網絡結構
8.2.2 卷積塊的基本組件
8.2.3 主流的卷積神經網絡
8.2.4 基于卷積神經網絡的遙感地塊場景解譯
8.3 面向遙感像元解譯的語義分割網絡
8.3.1 編碼-解碼框架的語義分割網絡
8.3.2 高分辨率語義分割網絡
8.4 面向地表時序檢測的變化檢測網絡
8.4.1 判斷地表是否發生變化的深度網絡
8.4.2 識別變化類型的深度網絡
8.4.3 分析變化軌跡與過程的神經網絡
8.5 面向遙感對象解譯的目標識別網絡
8.5.1 基于深度卷積網絡的目標檢測
8.5.2 基于深度卷積網絡的實例分割
參考文獻