新書推薦：
《
量子网络的构建与应用
》
售價：NT$
500.0
《
拍电影的热知识：126部影片里的创作技巧（全彩插图版）
》
售價：NT$
500.0
《
大唐名城：长安风华冠天下
》
售價：NT$
398.0
《
情绪传染（当代西方社会心理学名著译丛）
》
售價：NT$
403.0
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價：NT$
1100.0
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：NT$
435.0
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：NT$
1573.0
《
大国脊梁：漫画版
》
售價：NT$
374.0
|
| 編輯推薦： |
|
本书介绍了遥感图像特定目标分割的代表性算法，包括全卷积神经网络、Encoder-Decoder架构和深度神经网络条件随机场等。作者从映射关系的角度阐述了遥感图像分割的实质，以算法设计、理论推导和代码实现的方式，展示了解决遥感图像目标分割问题的完整流程，理论与实现有机结合。
|
| 內容簡介： |
|
遥感图像特定目标分割是遥感图像处理的研究热点和重要方向。本书在分析遥感图像特定目标分割的关键性问题基础上，介绍基于目标特征建模和基于深度神经网络两种分割方法。其中，在目标特征建模方法中，重点阐述了主动轮廓模型及改进算法的原理和实现方法；在深度神经网络方法中，重点讲述了全卷积神经网络、Encoder-Decoder架构和深度神经网络条件随机场三种典型算法。 本书适合作为从事遥感图像目标分割方法及应用研究的科技工作者、专业技术人员、研究生及高年级本科生的参考书。
|
| 目錄：
|
第1章 绪论
1.1 引言
1.2 高分辨率遥感图像
1.3 高分辨率遥感图像目标分割的关键问题
1.3.1 高分辨率遥感图像特定目标分割问题的描述
1.3.2 高分辨率遥感图像目标分割的挑战性问题
1.4 遥感图像目标分割方法概述
1.4.1 传统的遥感图像目标分割方法
1.4.2 基于学习的遥感图像目标分割方法
1.4.3 基于深度神经网络的遥感图像目标分割方法
1.5 本书的内容及组织
参考文献
第2章 主动轮廓模型在遥感图像分割中的应用
2.1 CV主动轮廓模型
2.1.1 主动轮廓模型封闭曲线进化原理
2.1.2 CV模型的水平集进化方法
2.1.3 CV主动轮廓模型的实现
2.2 遥感图像的特性表示
2.2.1 灰度共生矩阵
2.2.2 纹理特征
2.2.3 灰度共生矩阵纹理特征实现
2.3 局部图像熵主动轮廓模型
2.3.1 遥感图像的熵
2.3.2 局部图像熵能量泛函
2.3.3 局部图像熵主动轮廓模型的实现
2.4 全局图像熵主动轮廓模型
2.4.1 全局图像熵能量泛函
2.4.2 全局图像熵进化原理
2.4.3 全局图像熵主动轮廓模型的实现
2.5 遥感图像水域分割对比实验
2.5.1 性能评价指标
2.5.2 实验及结果分析
2.6 本章小结
2.7 附录： Kmeans水域分割程序
参考文献
第3章 深度神经网络基础
3.1 人工神经网络
3.2 神经网络的训练
3.3 深度神经网络
3.3.1 深度神经网络的基本要素
3.3.2 深度神经网络的结构
3.3.3 优化性能指标
3.4 深度神经网络的TensorFlow实现
3.5 本章小结
参考文献
第4章 全卷积神经网络建筑物语义分割
4.1 全卷积深度神经网络
4.1.1 全卷积
4.1.2 反卷积
4.2 VGG全卷积神经网络
4.2.1 VGG的卷积层
4.2.2 全卷积层
4.2.3 反卷积层
4.3 遥感图像建筑物分割
4.3.1 实验数据资源
4.3.2 实验平台
4.3.3 数据预处理及结果评价指标
4.3.4 IAILD数据集制作及管理
4.3.5 VGG全卷积神经网络的实现
4.3.6 实验及结果分析
4.4 本章小结
参考文献
第5章 EncoderDecoder网络建筑物分割
5.1 EncoderDecoder深度神经网络语义分割架构
5.2 ResNet构建Encoder
5.2.1 ResNet的基本结构
5.2.2 ResNet的前馈通道
5.3 Decoder构建与建筑物分割
5.4 批量规范化技术
5.4.1 卷积神经网络输出的数据特征
5.4.2 批量规范化原理
5.5 基于ResNet的EncoderDecoder
5.5.1 ResNet模型
5.5.2 TensorFlow图及运行文件
5.6 实验及结果分析
5.7 本章小结
参考文献
第6章 条件随机场深度神经网络建筑物分割
6.1 条件随机场
6.1.1 概率无向图模型
6.1.2 条件随机场
6.2 深度神经网络与条件随机场建筑物分割
6.2.1 整体架构
6.2.2 全连接条件随机场模型
6.3 基于EncoderDecoder的一元势函数值估计
6.3.1 ResNet的Encoder结构
6.3.2 ResNet的Decoder结构
6.4 成对势函数的均值场估计
6.4.1 成对势函数的构建
6.4.2 条件概率的均值场逼近
6.4.3 均值场算法的RNN实现机制
6.5 条件随机场深度神经网络建筑物分割的实现
6.5.1 条件随机场的实现
6.5.2 条件随机场深度神经网络的实现
6.6 实验及结果分析
6.6.1 分割对比实验
6.6.2 复杂建筑物分割对比实验
6.6.3 多分辨率遥感图像分割实验
6.7 本章小结
参考文献
|
| 內容試閱：
|
随着遥感科学与技术的迅猛发展，遥感图像的分辨率越来越高。高分辨率遥感图像为实现地物准确识别和分类提供了重要的支撑条件。分辨率的提高一方面使表征目标的特征空间维度大幅增加，使关键性特征信息的选取面临巨大的挑战； 另一方面使特征与目标间的非线性映射关系变得更加复杂，建模更加困难。因此，如何确定高分辨率遥感图像中目标的低秩特征空间，并构建目标分割的高维非线性映射模型，是实现遥感图像目标高精度分割的关键。
本书深入分析了高分辨率遥感图像中特定目标的高精度分割关键性问题，在总结目前主流研究方法基础上，着重讲述了作者在多光谱遥感图像中的水域分割、可见光遥感图像中的建筑物分割两个问题上的基本理论、解决思路和实现方法。
本书共分6章，第1章重点讲述高分辨率遥感图像分割的数学本质，即建立从输入图像到分割结果之间的映射关系。在此基础上，引出基于目标特征建模和基于机器学习的两类主流方法。目标特征建模方法是在手动提取目标特征基础上，借助数学工具建立合理的目标分割模型。这类方法无须大量的训练样本，获取结果快，可有效分割多光谱遥感图像中的部分目标。因此，在第2章介绍了主动轮廓模型这一重要的目标特征建模方法。
然而，对于可见光遥感图像而言，由于遥感图像分辨率很高，图像的纹理信息十分丰富，使目标特征建模变得十分困难。随着人工智能的快速发展，深度神经网络在机器视觉及图像处理领域取得了巨大的成就。将深度神经网络应用于遥感图像特定目标分割成为当前的研究热点和主流方法。为此，第3章介绍了深度神经网络的基本原理、核心要素和搭建方法，并详细阐述了深度神经网络在TensorFlow框架下的实现过程。第4~6章分别介绍了全卷积神经网络、EncoderDecoder架构、深度神经网络条件随机场3种典型的遥感图像目标分割方法的理论及实现过程。
本书适合测绘、地理信息、遥感、计算机、自动化等专业本科生和研究生用于了解遥感图像分割方法，也可作为相关专业的科研工作者和工程技术人员的参考书。
本书得到了国家重点研发计划项目、河南省科技攻关项目、河南省高等学校重点科研项目以及河南理工大学博士基金的资助。
同时诚挚感谢河南理工大学王宝山教授、北京航空航天大学秦世引教授、王田副教授的指导。
书中的参考文献列出了书中引用的全部文献，在此对所有参考文献著者表示感谢。同时，书中所有程序的参考来源均给出了相应的链接网址，在此对网站和著者表示衷心感谢。
由于著者水平有限，本书难免存在各种不足，敬请读者不吝批评指正。
著者
2020年8月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
