本书针对复杂场景下遥感图像处理与分析领域的理论基础、关键技术和应用进行系统深入的阐述。首先，对遥感图像增强处理方法、语义分割技术和目标检测方法进行梳理总结。然后，面向复杂场景下遥感图像处理与目标识别任务，开展遥感图像去雾、低照度增强、云层遮挡去除、模糊粘连分割、阴影遮挡分割等关键技术方法的优化设计工作。同时，针对小目标检测精度不足、小目标特征捕捉能力弱、小目标对位置偏移较为敏感以及目标检测模型参数量较大等问题，进一步开展模型结构优化、特征表达增强与轻量化设计工作，并通过实验测试验证相关方法的有效性。

更多科学出版社服务，请扫码获取。

2003年-2007年 吉林大学 计算机科学与技术专业 本科生； 2007年-2010年 吉林大学 计算机应用技术专业 硕士研究生； 2014年-2019年 吉林大学 计算机软件与理论专业 博士研究生。2010年-至今 中国科学院长春光学精密机械与物理研究所 工程师 中国科学院长春光学精密机械与物理研究所 高级工程师 中国科学院长春光学精密机械与物理研究所 正高级工程师控制工程2023年-至今 吉林省鼎辉科技有限公司 科创专员

目录
前言
第1章 复杂场景遥感图像处理分析方法 1
1.1 遥感图像增强处理方法 1
1.1.1 遥感图像去雾增强处理方法 4
1.1.2 遥感图像低照度增强处理方法 9
1.1.3 遥感图像去云层遮挡处理方法 16
1.2 遥感图像语义分割技术 18
1.2.1 语义分割技术 19
1.2.2 语义分割技术在遥感图像中的应用 23
1.2.3 遥感图像语义分割的典型应用场景与案例分析 26
1.2.4 遥感图像语义分割面临的挑战与解决方案分析 29
1.2.5 用于语义分割的深度学习架构分类 32
1.2.6 遥感图像语义分割的特殊性 35
1.2.7 遥感图像语义分割的应用场景拓展趋势 35
1.3 遥感图像目标检测方法 36
1.3.1 遥感图像目标检测的背景与意义 36
1.3.2 目标检测方法 37
1.3.3 基于YOLO模型的遥感图像目标检测方法 44
1.3.4 网络轻量化技术 46
参考文献 49
第2章 多尺度自适应的遥感图像去雾方法 60
2.1 基于去雾FFA-Net 模型分析 60
2.1.1 多尺度特征提取 61
2.1.2 ECA机制 62
2.2 优化FFA-Net模型设计 63
2.2.1 多尺度自适应特征提取方法 63
2.2.2 损失函数 65
2.3 实验方案与结果分析 65
2.3.1 数据集设置 65
iv 基于深度学习的复杂场景遥感图像处理技术
2.3.2 实验环境及参数初始化 66
2.3.3 评价指标 66
2.3.4 实验结果 67
2.4 本章小结 72
参考文献 72
第3章 视觉感知的遥感图像低照度增强方法 74
3.1 基于低照度增强SCINet模型分析 74
3.1.1 伽马校正 75
3.1.2 像素注意力机制 75
3.2 优化SCINet模型设计 76
3.2.1 自适应伽马校正模块 76
3.2.2 像素注意力照明估计模块 77
3.2.3 损失函数 77
3.3 实验方案与结果分析 78
3.3.1 数据集设置 78
3.3.2 实验环境及参数初始化 79
3.3.3 评价指标 79
3.3.4 实验结果 80
3.4 本章小结 87
参考文献 87
第4章 域自适应的遥感图像去云层遮挡方法 89
4.1 基于去云层遮挡CTGAN模型分析 89
4.2 优化CTGAN模型设计 92
4.2.1 域自适应云层检测模块 92
4.2.2 局部对比度鉴别器 93
4.2.3 损失函数 93
4.3 实验方案与结果分析 94
4.3.1 数据集设置 94
4.3.2 实验环境及参数初始化 95
4.3.3 评价指标 95
4.3.4 实验结果 96
4.4 本章小结 103
参考文献 103
第5章 基于分形曲线与UNet 3+的边界分割FCUNet模型 105
5.1 基于UNet 3+模型和分形曲线的图像编码 106
5.1.1 双线性插值模块 107
5.1.2 分形曲线编码方案 108
5.2 基于UNet 3+模型的遥感图像解码框架 112
5.2.1 处理多源多维特征图的汇聚层 112
5.2.2 分形曲线模块的解码方案 113
5.3 实验方案与结果分析 114
5.3.1 数据集设置 114
5.3.2 评价指标 115
5.3.3 实验结果 118
5.4 本章小结 123
参考文献 124
第6章 基于相似点模块与U-Net型框架的区域遮挡SPENet模型 125
6.1 基于ResNet遥感图像的高维特征编码 125
6.2 三支路并行网络结构设计 128
6.2.1 基于FCUNet模型的边界确定模块 128
6.2.2 基于相似点模块的区域像素分类 129
6.2.3 基于U-Net框架的语义分割解码方案 131
6.3 实验方案与结果分析 132
6.3.1 数据集设置 132
6.3.2 评价指标 132
6.3.3 实验结果 133
6.4 本章小结 138
参考文献 138
第7章 基于SPENet的全尺寸遥感图像语义分割 140
7.1 基于图像尺寸与模型适配的策略 140
7.1.1 遥感图像的裁切策略 141
7.1.2 遥感图像切片的推理及掩码图的拼接合并策略 144
7.2 实验方案与结果分析 145
7.2.1 数据集设置 145
7.2.2 评价指标 147
7.2.3 实验结果 148
7.3 本章小结 153
参考文献 153
第8章 基于感受野特性的遥感图像目标检测模型 155
8.1 基于聚类算法动态调整锚框以适应不同数据集的尺寸 155
8.2 基于感受野特性改进网络架构 156
8.2.1 多尺度上下文增强模块 158
8.2.2 基于注意力机制的特征提取层 159
8.3 实验方案与结果分析 161
8.3.1 对开源遥感图像数据集DOTA 进行图像增强 161
8.3.2 实验环境及评价指标 162
8.3.3 消融实验 163
8.3.4 对比实验 164
8.4 本章小结 168
参考文献 168
第9章 基于中心相似度的小目标定位模型 170
9.1 基于Wasserstein距离计算样本中心相似度 170
9.1.1 小目标漏检问题分析 170
9.1.2 基于高斯分布映射检测框 171
9.2 利用WIoU损失函数对样本进行梯度分配策略 173
9.3 基于数据自适应平衡系数构建WTW 损失函数 175
9.4 实验方案与结果分析 177
9.4.1 实验环境 177
9.4.2 消融实验 178
9.4.3 对比实验 179
9.5 本章小结 182
参考文献 182
第10章 基于全局通道剪枝的轻量化遥感图像目标检测模型 184
10.1 基于全局通道剪枝算法 184
10.2 构建轻量化的遥感图像目标检测模型 185
10.2.1 基于联合显著性重排网络结构 185
10.2.2 基于逐层连续贪婪剪枝策略确定最佳剪枝率 188
10.3 实验方案与结果分析 191
10.3.1 实验环境 192
10.3.2 验证剪枝损失预实验 193
10.3.3 剪枝对比实验 195
10.4 本章小结 199
参考文献 200