无人机航空遥感图像拼接技术研究

图书标准信息

• 作者 程远航 著
• 出版社 清华大学出版社
• 出版时间 2016-09
• 版次 1
• ISBN 9787302444039
• 定价 48.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 196页
• 字数 216千字
• 正文语种 简体中文

【内容简介】

　　无人机航空遥感系统具有图像分辨率高、图像实时传输、适合高危地区作业、成本低、机动灵活等优点，适用于低空高分辨率遥感数据的实时获取，在区域性、工程性、灾害性和军事性的遥感监测中发挥着大型遥感系统难以替代的作用。无人机执行遥感监测任务时，需要实时传输其所获取的图像以及状态数据，这就要求无人机航空遥感系统具备自动、高速地完成图像的获取、压缩、传输、处理、显示以及存储等功能。其中，确保遥感图像处理的精准性、实时性与可视性是无人机得以有效利用的重要前提条件。由于现有成像设备的性能所限，目前的航空遥感成像系统无法获得大面积、高分辨率的观测图像，因此需要将获取的序列遥感图像进行在线动态拼接，以提高遥感图像的信息获取能力。本书结合无人机航空遥感具体的应用需求，针对航空遥感图像拼接技术中的几项关键技术进行了研究和探讨。内容包括：图像几何畸变校正、灰度序列遥感图像拼接、颜色空间与颜色相似性度量、彩色遥感图像拼接、图像特征提取方法、SVM机器学习算法、可变形模板的多目标跟踪模型等。
　　本书可供信息科学、遥感科学和数理科学的科研人员和工程技术人员阅读，还可以作为计算机科学与技术、自动化、电子工程、遥感技术等专业的研究生和高年级本科生的教学参考书。

【目录】

第1章 绪论 1
1.1 无人机 2
1.2 无人机航空遥感系统 4
1.3 遥感图像拼接技术 7
1.3.1 图像匹配技术 8
1.3.2 图像融合技术 12
第2章 遥感图像的基础理论及相关知识 17
2.1 遥感图像几何畸变校正 18
2.1.1 坐标系统 19
2.1.2 影像的内外方位元素 20
2.1.3 空间直角坐标系的旋转变换 21
2.1.4 共线方程 22
2.1.5 灰度重采样 24
2.2 遥感图像并行几何校正算法 25
2.2.1 并行几何校正算法 26
2.2.2 并行几何校正算法的实验结果与分析 31
2.3 遥感图像对比度增强 34
2.3.1 直方图修正法 34
2.3.2 直接灰度变换法 36
2.3.3 Wavelet与Curvelet变换相结合的图像增强方法 39
2.4 实验结果与分析 43
2.5 结论 45
第3章 灰度序列遥感图像拼接 47
3.1 图像边缘检测 48
3.1.1 微分算子法 49
3.1.2 Canny算法 49
3.1.3 数学形态学在边缘检测中的应用 50
3.1.4 基于小波变换的边缘检测方法 51
3.2 小波变换与Canny算法相结合的边缘检测方法 52
3.2.1 小波基选择 54
3.2.2 自适应确定双阈值 55
3.3 图像匹配 57
3.3.1 匹配搜索区域计算 57
3.3.2 特征模板提取 59
3.3.3 匹配计算 59
3.4 图像融合 62
3.4.1 失真程度 68
3.4.2 能量总和 69
3.4.3 能量最小化 71
3.5 实验结果与分析 75
3.6 结论 77
第4章 颜色空间与颜色相似性度量 79
4.1 颜色空间分析 80
4.1.1 面向设备的颜色空间 80
4.1.2 面向视觉感知的颜色空间 83
4.1.3 均匀颜色空间 87
4.1.4 色差度量 90
4.2 颜色相似性度量 91
4.2.1 RGB与HSI颜色空间变换的特征 92
4.2.2 颜色相似系数 93
4.3 实验结果与分析 95
4.4 结论 96
第5章 彩色遥感图像拼接 99
5.1 颜色空间变换 100
5.2 色差计算 101
5.3 彩色图像匹配 102
5.3.1 特征模板提取 102
5.3.2 匹配搜索策略 104
5.4 彩色图像平滑 104
5.4.1 伽马校正方法 105
5.4.2 亮度变换函数 106
5.4.3 平滑计算 106
5.5 实验结果与分析 107
5.6 结论 110
第6章 图像特征提取 111
6.1 图像特征 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 图像梯度计算 120
6.2.2 空间以及方向上的梯度统计 121
6.2.3 块内梯度直方图的归一化 122
6.2.4 最终HOG特征向量的生成 123
6.3 HOG特征的目标描述 124
6.4 实验结果与分析 125
第7章 SVM机器学习算法 129
7.1 支持向量机(SVM)的原理 130
7.2 SVM分类器的数学模型 130
7.2.1 线性可分情况下的SVM模型 130
7.2.2 线性不可分情况下的SVM模型 134
7.2.3 非线性可分情况下的SVM模型 135
7.3 SVM分类器设计 136
7.4 HOG和SVM的目标外观模型 137
7.4.1 目标外观模型的建立 137
7.4.2 SVM分类器的训练 138
第8章 可变形模板的多目标跟踪模型 141
8.1 可变形模板 142
8.2 图结构模型 142
8.2.1 图的基本概念 144
8.2.2 表示图像结构特征的图 145
8.3 构造最小生成树 146
8.4 建立目标跟踪模型 147
第9章 SVM在线学习的模型参数更新 151
9.1 在线学习的跟踪算法 152
9.2 SVM在线学习的跟踪框架 152
9.3 结构化的SVM学习 154
9.3.1 结构化的SVM 154
9.3.2 结构化学习 155
9.4 实验结果与分析 157
第10章 总结与展望 163
10.1 工作总结 164
10.2 未来工作的展望 165
参考文献 167