無(wú)人機航空遙感圖像拼接技術(shù)研究簡(jiǎn)介，目錄書(shū)摘

編輯推薦:　?。?）根據無(wú)人機遙感圖像成像的內、外方位元素，采用直角空間變換及二次線(xiàn)性插補方法，實(shí)現了遙感圖像校正。
　?。?）提出一種分布存儲環(huán)境下的并行幾何校正算法，每個(gè)處理器通過(guò)計算本地輸入子圖像在目標圖像中的范圍，確定其需要進(jìn)行重采樣計算的區域，使計算過(guò)程中所需的數據均為本地數據，很好地解決了數據局部性問(wèn)題。
　?。?）基于圖像數據總體分布的統計，分析了飛行試驗圖像的成像質(zhì)量?；谌搜哿炼纫曈X(jué)特性曲線(xiàn)，結合小波變換和Curvelet變換特點(diǎn)，提出一種新的圖像增強方法，實(shí)現了無(wú)人機遙感序列圖像的自適應增強處理。
　?。?）提出結合小波變換和Canny算法的邊緣提取算法，該算法將Canny算法的非極大值抑制、雙閾值算法與小波變換多尺度分析思想相結合，利用Canny算法在高分辨率圖像的精確定位性與小波變換后的低分辨率圖像的抗噪聲能力相結合，從而消除噪聲的干擾，提取更加完整的邊緣。
　?。?）將圖像匹配分為粗匹配和精匹配兩個(gè)步驟。在粗匹配計算中，首先確定待拼接的兩幅圖像之間的大致重疊區域，然后利用小波變換與Canny算法提取圖像邊緣，最后采用區域匹配法求得兩幅圖像的匹配點(diǎn)。
　?。?）基于人眼的顏色視覺(jué)特性分析，本書(shū)提出了一種具有抗亮度干擾能力的彩色圖像色差度量方法。
　?。?）目標的特征描述是跟蹤算法中的重要步驟，直接影響最終的跟蹤效果，決定整個(gè)跟蹤系統的性能。
　?。?）傳統的離線(xiàn)分類(lèi)器需要人為標記大量的樣本訓練分類(lèi)器，當待測樣本與訓練樣本具有較大差異時(shí)，無(wú)法及時(shí)適應目標的外觀(guān)變化，且難以推廣到其他目標類(lèi)型，分類(lèi)器應用具有局限性。

內容簡(jiǎn)介:　　無(wú)人機航空遙感系統具有圖像分辨率高、圖像實(shí)時(shí)傳輸、適合高危地區作業(yè)、成本低、機動(dòng)靈活等優(yōu)點(diǎn)，適用于低空高分辨率遙感數據的實(shí)時(shí)獲取，在區域性、工程性、災害性和軍事性的遙感監測中發(fā)揮著(zhù)大型遙感系統難以替代的作用。無(wú)人機執行遙感監測任務(wù)時(shí)，需要實(shí)時(shí)傳輸其所獲取的圖像以及狀態(tài)數據，這就要求無(wú)人機航空遙感系統具備自動(dòng)、高速地完成圖像的獲取、壓縮、傳輸、處理、顯示以及存儲等功能。其中，確保遙感圖像處理的精準性、實(shí)時(shí)性與可視性是無(wú)人機得以有效利用的重要前提條件。由于現有成像設備的性能所限，目前的航空遙感成像系統無(wú)法獲得大面積、高分辨率的觀(guān)測圖像，因此需要將獲取的序列遙感圖像進(jìn)行在線(xiàn)動(dòng)態(tài)拼接，以提高遙感圖像的信息獲取能力。本書(shū)結合無(wú)人機航空遙感具體的應用需求，針對航空遙感圖像拼接技術(shù)中的幾項關(guān)鍵技術(shù)進(jìn)行了研究和探討。內容包括：圖像幾何畸變校正、灰度序列遙感圖像拼接、顏色空間與顏色相似性度量、彩色遙感圖像拼接、圖像特征提取方法、SVM機器學(xué)習算法、可變形模板的多目標跟蹤模型等。
　　本書(shū)可供信息科學(xué)、遙感科學(xué)和數理科學(xué)的科研人員和工程技術(shù)人員閱讀，還可以作為計算機科學(xué)與技術(shù)、自動(dòng)化、電子工程、遙感技術(shù)等專(zhuān)業(yè)的研究生和高年級本科生的教學(xué)參考書(shū)。

目錄:第1章 緒論 1
1.1 無(wú)人機 2
1.2 無(wú)人機航空遙感系統 4
1.3 遙感圖像拼接技術(shù) 7
1.3.1 圖像匹配技術(shù) 8
1.3.2 圖像融合技術(shù) 12
第2章 遙感圖像的基礎理論及相關(guān)知識 17
2.1 遙感圖像幾何畸變校正 18
2.1.1 坐標系統 19
2.1.2 影像的內外方位元素 20
2.1.3 空間直角坐標系的旋轉變換 21
2.1.4 共線(xiàn)方程 22
2.1.5 灰度重采樣 24
2.2 遙感圖像并行幾何校正算法 25
2.2.1 并行幾何校正算法 26
2.2.2 并行幾何校正算法的實(shí)驗結果與分析 31
2.3 遙感圖像對比度增強 34
2.3.1 直方圖修正法 34
2.3.2 直接灰度變換法 36
2.3.3 Wavelet與Curvelet變換相結合的圖像增強方法 39
2.4 實(shí)驗結果與分析 43
2.5 結論 45
第3章 灰度序列遙感圖像拼接 47
3.1 圖像邊緣檢測 48
3.1.1 微分算子法 49
3.1.2 Canny算法 49
3.1.3 數學(xué)形態(tài)學(xué)在邊緣檢測中的應用 50
3.1.4 基于小波變換的邊緣檢測方法 51
3.2 小波變換與Canny算法相結合的邊緣檢測方法 52
3.2.1 小波基選擇 54
3.2.2 自適應確定雙閾值 55
3.3 圖像匹配 57
3.3.1 匹配搜索區域計算 57
3.3.2 特征模板提取 59
3.3.3 匹配計算 59
3.4 圖像融合 62
3.4.1 失真程度 68
3.4.2 能量總和 69
3.4.3 能量最小化 71
3.5 實(shí)驗結果與分析 75
3.6 結論 77
第4章 顏色空間與顏色相似性度量 79
4.1 顏色空間分析 80
4.1.1 面向設備的顏色空間 80
4.1.2 面向視覺(jué)感知的顏色空間 83
4.1.3 均勻顏色空間 87
4.1.4 色差度量 90
4.2 顏色相似性度量 91
4.2.1 RGB與HSI顏色空間變換的特征 92
4.2.2 顏色相似系數 93
4.3 實(shí)驗結果與分析 95
4.4 結論 96
第5章 彩色遙感圖像拼接 99
5.1 顏色空間變換 100
5.2 色差計算 101
5.3 彩色圖像匹配 102
5.3.1 特征模板提取 102
5.3.2 匹配搜索策略 104
5.4 彩色圖像平滑 104
5.4.1 伽馬校正方法 105
5.4.2 亮度變換函數 106
5.4.3 平滑計算 106
5.5 實(shí)驗結果與分析 107
5.6 結論 110
第6章 圖像特征提取 111
6.1 圖像特征 112
6.1.1 LBP特征 112
6.1.2 Haar-like特征 115
6.1.3 SIFT特征 117
6.1.4 HOG特征 119
6.2 HOG特征的提取方法 120
6.2.1 圖像梯度計算 120
6.2.2 空間以及方向上的梯度統計 121
6.2.3 塊內梯度直方圖的歸一化 122
6.2.4 最終HOG特征向量的生成 123
6.3 HOG特征的目標描述 124
6.4 實(shí)驗結果與分析 125
第7章 SVM機器學(xué)習算法 129
7.1 支持向量機(SVM)的原理 130
7.2 SVM分類(lèi)器的數學(xué)模型 130
7.2.1 線(xiàn)性可分情況下的SVM模型 130
7.2.2 線(xiàn)性不可分情況下的SVM模型 134
7.2.3 非線(xiàn)性可分情況下的SVM模型 135
7.3 SVM分類(lèi)器設計 136
7.4 HOG和SVM的目標外觀(guān)模型 137
7.4.1 目標外觀(guān)模型的建立 137
7.4.2 SVM分類(lèi)器的訓練 138
第8章 可變形模板的多目標跟蹤模型 141
8.1 可變形模板 142
8.2 圖結構模型 142
8.2.1 圖的基本概念 144
8.2.2 表示圖像結構特征的圖 145
8.3 構造最小生成樹(shù) 146
8.4 建立目標跟蹤模型 147
第9章 SVM在線(xiàn)學(xué)習的模型參數更新 151
9.1 在線(xiàn)學(xué)習的跟蹤算法 152
9.2 SVM在線(xiàn)學(xué)習的跟蹤框架 152
9.3 結構化的SVM學(xué)習 154
9.3.1 結構化的SVM 154
9.3.2 結構化學(xué)習 155
9.4 實(shí)驗結果與分析 157
第10章 總結與展望 163
10.1 工作總結 164
10.2 未來(lái)工作的展望 165
參考文獻 167