現代航空圖像處理

目 錄
第1章 緒論 1
1.1 引言 1
1.1.1 數字圖像基礎 2
1.1.2 攝影測量與遙感 3
1.1.3 計算機視覺 5
1.2 航空圖像的發展歷史 6
1.2.1 早期航空圖像的獲取 6
1.2.2 航空飛行平臺 8
1.2.3 現代航空圖像 12
1.3 航空圖像的應用舉例 15
1.3.1 地圖制圖學 15
1.3.2 防災應急 16
1.3.3 軍事與公共安全 16
1.3.4 其他 17
1.4 航空圖像處理的問題與挑戰 17
1.5 本章小結 19
第2章 機載成像傳感器 20
2.1 電磁波譜成像 20
2.2 成像傳感器的類型 21
2.2.1 機載數碼相機 21
2.2.2 熱輻射傳感器 23
2.2.3 多光譜傳感器 24
2.2.4 高光譜傳感器 25
2.2.5 微波輻射計 26
2.2.6 合成孔徑雷達（SAR） 26
2.3 光學相機的數學模型 29
2.3.1 成像模型的基本元素 29
2.3.2 成像坐標系定義 30
2.3.3 透視投影成像模型 31
2.3.4 圖像畸變數學模型 33
2.3.5 光學相機的幾何標定 35
2.4 幹涉合成孔徑雷達成像 38
2.4.1 雷達幹涉測量的原理 38
2.4.2 雷達幹涉圖和數字高程圖 40
2.4.3 DInSAR和變形測量 43
2.4.4 多時間相幹圖像 47
2.4.5 空間去相關和比率相幹技術 49
2.4.6 條紋平滑濾波器 51
2.5 激光雷達掃描儀 53
2.5.1 LiDAR成像特點 53
2.5.2 飛行時間法 54
2.5.3 系統基本組成 55
2.5.4 三維點雲特征分析 58
2.6 本章小結 60
第3章 航空圖像增強、復原和幾何校正 61
3.1 空間域圖像增強 61
3.1.1 基本灰度變換 61
3.1.2 基於直方圖的圖像增強 64
3.1.3 基於空間濾波器的圖像增強 67
3.2 頻率域增強 73
3.2.1 傅裏葉變換 73
3.2.2 傅裏葉頻域濾波器 77
3.2.3 離散余弦變換 79
3.3 航空圖像去霧 81
3.3.1 圖像復原的概述 81
3.3.2 航空圖像去霧的概述 81
3.3.3 基於物理模型的去霧算法 82
3.3.4 基於暗通道先驗的去霧算法 83
3.4 圖像超分辨率重建 86
3.4.1 超分辨率重建的概念 86
3.4.2 多圖像超分辨率重建技術 87
3.4.3 單圖像超分辨率重建技術 89
3.4.4 基於稀疏表示的超分辨率重建算法 91
3.5 遙感圖像幾何校正 93
3.5.1 圖像的幾何變形 93
3.5.2 多項式變形模型 95
3.5.3 GCP的選擇和圖像聯合配準的自動化 98
3.6 本章小結 100
第4章 圖像特征分析與景象匹配 101
4.1 邊緣信息 101
4.1.1 邊緣檢測 101
4.1.2 邊緣跟蹤 103
4.2 特征點提取和特征描述 104
4.2.1 Harris角點 105
4.2.2 FAST角點 107
4.2.3 SIFT特征點 108
4.2.4 SURF特征點 112
4.2.5 ORB特征提取 115
4.2.6 特征點匹配 116
4.3 紋理特征表達 120
4.3.1 紋理的概念 120
4.3.2 紋理特征類型 120
4.4 形狀特征提取 123
4.4.1 圖像中形狀的概述 123
4.4.2 形狀特征的應用 124
4.4.3 形狀的描述和表示 124
4.5 景象匹配 125
4.5.1 初始區域搜索 126
4.5.2 灰度匹配法 127
4.5.3 基於特征的匹配方法 130
4.5.4 基於深度學習的匹配方法 133
4.5.5 景象匹配效果舉例 139
4.6 本章小結 139
第5章 遙感圖像中的地物分類 140
5.1 圖像分類基本知識 140
5.1.1 圖像識別方法 140
5.1.2 分類器的設計 141
5.2 傳統地物分類方法 142
5.2.1 非監督疊代聚類 142
5.2.2 特征空間疊代聚類 144
5.2.3 聚類分裂 145
5.3 監督分類 147
5.3.1 監督分類算法的一般範式 147
5.3.2 光譜角度映射分類 147
5.3.3 決策規則：差異性度量函數 148
5.3.4 最優多數點重分配 149
5.3.5 分類後平滑和準確性評估 150
5.4 基於支持向量機的遙感圖像地物分類 153
5.4.1 SVM理論基礎 153
5.4.2 多分類SVM 154
5.5 基於卷積神經網絡的分類模型 155
5.5.1 卷積神經網絡 155
5.5.2 全卷積神經網絡 162
5.5.3 UNet 163
5.5.4 DeepLab系列網絡 164
5.5.5 基於SAM的遙感分類網絡 167
5.6 基於改進型DeepLabv3+的地物分類 168
5.6.1 輕量化網絡MobileNetv2 168
5.6.2 條件隨機場 171
5.6.3 基於改進型DeepLabv3+的遙感圖像地物分類 172
5.6.4 分類實驗 172
5.7 本章小結 175
第6章 對地觀測目標定位與跟蹤 177
6.1 載體平臺的位置與姿態 177
6.1.1 全球導航衛星系統 177
6.1.2 慣性導航系統 179
6.2 地面目標檢測 180
6.2.1 混合概率密度模型分割檢測 180
6.2.2 基於深度學習的目標檢測 187
6.2.3 紅外圖像小目標檢測 192
6.3 基於機載光電吊艙數據的目標定位與測速 197
6.3.1 目標地理定位 197
6.3.2 目標測速 200
6.4 視覺SLAM系統 202
6.4.1 視覺SLAM基本概念 202
6.4.2 ORB-SLAM2算法 204
6.4.3 顧及動態目標的改進SLAM算法 206
6.4.4 基於神經輻射場的SLAM算法 208
6.5 視頻目標跟蹤 209
6.5.1 基於核相關的視頻目標跟蹤算法 210
6.5.2 基於卡爾曼濾波的視頻目標跟蹤算法 214
6.5.3 基於匈牙利算法的目標關聯方法 217
6.6 本章小結 227
第7章 基於航空圖像的三維重建 228
7.1 引言 228
7.2 對極幾何基礎 229
7.2.1 對極幾何恢復 229
7.2.2 求解二視圖的基礎矩陣 236
7.2.3 三視圖和四視圖幾何計算 240
7.3 攝像機位置姿態和場景結構恢復 240
7.3.1 初始化圖像位置姿態和場景結構 241
7.3.2 由本質矩陣提取攝像機矩陣 242
7.3.3 更新結構和位置姿態 244
7.3.4 PnP問題 245
7.4 光束法平差 246
7.4.1 光束法平差模型 246
7.4.2 最小二乘原理 247
7.4.3 高斯?牛頓算法 248
7.4.4 列文伯格?馬奎特算法 248
7.4.5 光束法平差的LM算法模型 250
7.4.6 稀疏光束法平差 250
7.5 航拍軌跡和視點優化 252
7.5.1 生成視點搜索空間 253
7.5.2 量化視點收益 255
7.5.3 路徑規劃 256
7.6 城市場景建模 257
7.6.1 城市場景的三維數據采集 257
7.6.2 單體化建模 260
7.7 基於NeRF和Gaussian Splatting的全新方法 265
7.7.1 神經輻射場NeRF 265
7.7.2 高斯潑濺 267
7.8 本章小結 268
參考文獻 270