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(wú)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(lái)源，在環(huán)境監(jiān)測(cè)、農(nóng)業(yè)發(fā)展和國(guó)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(mǎn)足某種需求而開(kāi)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(kāi)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(shū)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(zhuān)項(xiàng)及這一階段我國(guó)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(chē)道線檢測(cè)技術(shù)扮演著至關(guān)重要的角色。本書(shū)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(lái)實(shí)現(xiàn)精確、魯棒和實(shí)時(shí)的車(chē)道線檢測(cè)。本書(shū)全面系統(tǒng)地介紹了基于深度學(xué)習(xí)的視頻車(chē)道線檢測(cè)技術(shù)，包括基于深度學(xué)習(xí)的車(chē)道線檢測(cè)理論基礎(chǔ)、基于SwinTransformer的車(chē)道線檢測(cè)技術(shù)、基于深度混合

本書(shū)論述了衛(wèi)星遙感時(shí)間序列數(shù)據(jù)分析的主要方法和遙感時(shí)間序列在陸地生態(tài)系統(tǒng)變化分析領(lǐng)域的相關(guān)應(yīng)用：先概述了光學(xué)遙感時(shí)間序列數(shù)據(jù)重建與地表覆蓋變化檢測(cè)的主流方法，進(jìn)而針對(duì)典型生態(tài)問(wèn)題分別介紹了植被物候、土地荒漠化、人工林識(shí)別與動(dòng)態(tài)分析、生態(tài)系統(tǒng)干擾-恢復(fù)過(guò)程等方向的遙感分析方法和應(yīng)用案例。

本書(shū)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(wèn)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(shū)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(lèi)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(lèi)、基于多源屬性學(xué)習(xí)的細(xì)粒度遙感場(chǎng)景分類(lèi)、基于屬性建模遷移的少樣本遙感圖像分類(lèi)、基于視覺(jué)屬性自動(dòng)化標(biāo)注的零樣本遙感圖像場(chǎng)景分類(lèi)等。對(duì)于每種典型的遙感圖像分類(lèi)方法，從研究者的角度，詳細(xì)地介紹了其研究背景、問(wèn)題描述、算法模

本書(shū)共分為十一章，涉及九個(gè)用于圖像分類(lèi)的著名卷積神經(jīng)網(wǎng)絡(luò)模型，分別是：LeNet-5(識(shí)別手寫(xiě)數(shù)字)、AlexNet(寵物貓狗識(shí)別)、VGG(表情識(shí)別)GoogleNet(車(chē)輛品牌識(shí)別)、ResNet(寵物貓狗品種識(shí)別)、MobileNet(新疆蘋(píng)果品種識(shí)別)、SqueezeNet(西紅柿病害識(shí)別)、SqueezeNe

本書(shū)圍繞高光譜遙感圖像智能分類(lèi)與檢測(cè)這一主題，著重介紹以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等為代表的智能新方法和新技術(shù)在高光譜圖像分類(lèi)與檢測(cè)中的應(yīng)用，反映該領(lǐng)域目前最新研究成果與趨勢(shì)，突出先進(jìn)性和前瞻性。本書(shū)在介紹智能算法基本原理的同時(shí)，注重闡述算法與應(yīng)用問(wèn)題的機(jī)理性結(jié)合，突出啟發(fā)性和實(shí)用性。

本書(shū)主要內(nèi)容包括進(jìn)化計(jì)算、機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)降維、影像解譯等。本書(shū)著重對(duì)上述領(lǐng)域的國(guó)內(nèi)外發(fā)展現(xiàn)狀進(jìn)行了總結(jié)，闡述了作者對(duì)高光譜遙感影像分類(lèi)實(shí)際應(yīng)用的思考與探索。