• 
  合成孔径雷达图像...
  ￥156.42元
• 
  高光谱遥感图像解...
  ￥124.82元
• 
  行星微波遥感理论...
  ￥172.22元
• 
  合成孔径雷达图像...
  ￥132.72元
• 
  极化雷达理论与遥...
  ￥156.42元
• 
  星载高分辨率宽幅...
  ￥148.52元
• 
  空天目标雷达认知...
  ￥118.50元
• 
  气象卫星微波大气...
  ￥180.12元
• 
  新型海洋微波遥感...
  ￥221.20元

本书总结了作者近5年来在合成孔径雷达(SAR)图像智能解译方面的研究成果。本书共分13章。第1～3章主要介绍SAR图像解译的研究背景和现状、深度学习新技术的发展以及深度学习基本原理。第4～6章主要介绍基于深度学习技术的SAR图像智能目标识别研究，包括地面目标识别、海面目标识别以及目标特征表征学习等。第7～10章介绍极化SAR图像的智能解译技术研究，包括基于深度学习的极化SAR地表分类、多极化SAR图像重构、极化SAR图像因子分解以及极化干涉SAR植被参数反演。第11章介绍SAR图像统计建模和基于深度学习的SAR相干斑滤波。第12章介绍基于深度学习的虚拟场景重建。第13章介绍基于深度学习的SAR图像与光学图像相互翻译。主要章节均附有实例代码。

样章试读

• 暂时还没有任何用户评论

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

• 暂时还没有任何用户咨询内容

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

用户名：	匿名用户
E-mail：
咨询内容：

• 目录
  丛书序
  前言
  第1章 绪论 1
  1.1 SAR信息获取 2
  1.2 深度学习技术 9
  1.3 SAR智能解译与微波视觉 15
  参考文献 21
  第2章 SAR图像解译基础 27
  2.1 SAR成像原理 27
  2.1.1 雷达测距与脉冲压缩技术 27
  2.1.2 合成孔径与方位向压缩 28
  2.2 SAR极化信息 34
  2.2.1 极化电磁波 34
  2.2.2 完全极化波与相干散射 36
  2.2.3 部分极化波与非相干散射 37
  2.2.4 雷达极化测量 40
  2.2.5 目标分解与地表分类 46
  2.3 SAR图像统计模型 55
  2.3.1 Rayleigh相干斑模型 55
  2.3.2 乘积模型 56
  2.3.3 SAR图像统计模型 57
  2.4 SAR图像处理方法 59
  2.4.1 SAR图像滤波 59
  2.4.2 SAR图像目标检测与识别 65
  2.4.3 SAR图像分割与分类 66
  参考文献 68
  第3章 深度学习基础 70
  3.1 人工神经网络 70
  3.1.1 神经元模型 70
  3.1.2 神经网络模型 72
  3.1.3 神经网络学习 77
  3.1.4 神经网络的训练技巧 80
  3.2 深度神经网络 85
  3.2.1 深度卷积网络 85
  3.2.2 深度循环网络 88
  3.3 计算机视觉 91
  3.3.1 图像分类 91
  3.3.2 目标检测 94
  3.3.3 图像分割 96
  参考文献 99
  第4章 SAR地面目标智能识别 102
  4.1 全卷积网络(AConvNets) 102
  4.2 网络的训练方式 107
  4.3 车辆目标检测与识别 109
  4.4 飞机目标检测与识别 120
  4.5 小波散状网络 129
  附录 实例代码——AConvNets目标分类 137
  参考文献 140
  第5章 SAR海面目标智能识别 143
  5.1 SAR海面目标识别现状 143
  5.2 全球海陆数据库辅助的精细海陆分割 145
  5.3 复杂海陆环境中的船舶目标检测 157
  5.4 SAR-AIS船舶目标数据库 168
  5.5 SAR船舶目标鉴别与识别 175
  参考文献 180
  第6章 少样本SAR目标识别 183
  6.1 SAR目标表征空间与少样本学习 183
  6.2 电磁仿真数据辅助的少样本学习 194
  6.3 自动对抗编码器与少样本学习 201
  附录 实例代码——零样本目标识别 214
  参考文献 217
  第7章 极化SAR地表分类 219
  7.1 基于实数卷积网络的地表分类 219
  7.2 地表分类网络的普适性 229
  7.3 复数卷积网络(CV-CNN) 234
  7.4 基于复数卷积网络的地表分类 243
  附录 实例代码——复数卷积网络(CV-CNN) 255
  参考文献 260
  第8章 多极化SAR图像重构 262
  8.1 多极化SAR 262
  8.2 稀疏重构全极化SAR图像 265
  8.3 基于深度学习的极化SAR图像重构 278
  附录 实例代码——SAR图像上色网络(colorization-nets) 293
  参考文献 297
  第9章 极化SAR因子分解 300
  9.1 极化SAR因子分解理论 300
  9.2 极化SAR因子分解算法 306
  9.3 实验验证与结果分析 310
  附录 实例代码——极化SAR因子分解 320
  参考文献 322
  第10章 极化干涉SAR植被参数反演 324
  10.1 极化干涉SAR树高反演 324
  10.2 极化干涉SAR系统参数 329
  10.3 极化干涉SAR误差模型 331
  10.4 CV-CNN树高反演 349
  附录 实例代码——CV-CNN极化干涉SAR树高反演 358
  参考文献 362
  第11章 SAR相干斑仿真与滤波网络 364
  11.1 相干斑仿真 364
  11.2 相干斑滤波网络 375
  11.3 仿真与实验 383
  附录 实例代码——去相干斑网络(Despeckling-NN) 399
  参考文献 406
  第12章 虚拟场景重建与SAR图像仿真 409
  12.1 场景重建 409
  12.2 光学遥感影像地表分类 412
  12.3 光学遥感影像对建筑物的重构 420
  12.4 虚拟城市三维场景重建 423
  12.5 SAR图像仿真 427
  参考文献 430
  第13章 SAR与光学图像互译 433
  13.1 SAR和光学图像的互译 433
  13.2 双向翻译网络 436
  13.3 实验分析 442
  附录 实例代码——级联残差对抗网络(CRAN) 456
  参考文献 461