本书主要内容包括进化计算、机器学习、模式识别、数据降维、影像解译等。本书着重对上述领域的国内外发展现状进行了总结，阐述了作者对高光谱遥感影像分类实际应用的思考与探索。

本书总结了作者近年来基于人工智能深度学习模型的高光谱遥感影像智能分类方向的最新研究成果，从深度学习领域最具代表性的卷积神经网络、图卷积网络出发，对高光谱影像分类的理论发展和最新动态以及该领域存在的若干关键问题、研究难点及新方法等进行了论述。

本书针对遥感成像卫星在轨实时处理这一新技术方向，系统全面地介绍了在轨实时处理的基本概念、研究意义、国内外发展历程及趋势；面向微波成像卫星，从在轨成像处理与在轨目标检测分类两个方面阐述了算法流程及优化设计方法；面向光学成像卫星，从在轨数据预处理、在轨压缩与质量评价、在轨目标检测分类等方面阐述了算法优化设计方法；面向在轨数

本书在介绍深空探测任务与深空影像背景知识的基础上,着重从统计数据分析和人工智能两个方面介绍深空遥感影像相关的智能解译方法.其中,在统计数据分析方面,介绍了统计理论工具及其在“嫦娥”观测数据的判读解译应用.在人工智能数据分析方面,介绍了深度学习中基于语义分割和基于目标检测方法在全月撞击坑的自动判读识别.为了便于读者使用上

本书针对该种成像仪获取的影像进行航带拼接研究，以获得具有高几何定位精度和高光谱保真性的高光谱影像。本书首先利用曲面样条函数法或基于导航数据或二者结合的方法对影像进行几何校正；然后采用基于边缘块剔除的局部方差法计算各波段信噪比，取分值最高的波段作为最优波段；再利用该最优波段采用SIFT算法或改进的相位相关法来纠正航带间已

高光谱图像分析是遥感技术对地球表面分析和应用的一个关键步骤，同时也是人类认知地球的重要手段之一。为满足对分类精度和效率以及泛化性的要求，针对高光谱图像具有的复杂空-谱特性、非线性可分以及标记样本有限等特点，利用深度学习和宽度学习技术，探索监督型、半监督型、无监督型以及迁移型深-宽度高光谱图像分类方法，分别对应第3章、第

本书全面讲解了卷积神经网络（CNN）、单阶段目标检测、双阶段目标检测、多尺度融合、注意力机制和语义分割等深度学习算法在遥感图像分类、检测、分割和提取等方面的应用，介绍了各种深度学习模型的原理及其在遥感图像处理中的具体实现方法。本书以遥感图像飞机目标检测、舰船目标检测、遥感图像建筑物提取及遥感图像土地语义分割为例，详细介

本书基于注入模型从像素级层面开展遥感图像新算法研究，重点是提高遥感图像的融合性能和应用价值，主要论述基于精炼细节注入的遥感图像融合算法、基于补偿细节注入的遥感图像融合算法、基于多光谱图像改进的遥感图像融合算法、基于光谱及亮度调制的遥感图像融合算法和基于多目标决策的遥感图像融合算法。本书适合数据融合、计算机视觉、图像处理

随着海道测量技术的不断发展，卫星水深反演(SDB)技术在浅海水域应用日趋广泛，SDB技术较传统海道测量可以实现以较少的成本获得浅水区域的水深，同时可应用于声学测量手段无法获取的水域，在海图尚未标明的水域尤其有效，可以在声学测量之前提高其安全性。国际海道测量组织IHO《卫星测深实践指南(B-13)》提供了关于SDB技术的

本书系统地介绍了高分辨率遥感影像分割与分类的相关概念、原理、方法、步骤和新进展等，具体框架模型和实现方法都有着鲜明的特色，内容涵盖多分支融合网络、基于CNN的双边融合网络、小卷积特征重用模型、基于多尺度近端特征拼接网络、深度置信网络、局部与混合扩张卷积融合网络、预激活残差注意力网络、基于多判别器生成对抗网络以及3D-2