第一篇 对地观测传感器成像系统与模型
　　第1章 遥感平台与成像系统
　　遥感平台（remote sensing platform）作为搭载传感器的工具，在遥感技术系统中占有重要地位。此外，遥感传感器是获取遥感信息并记录观测数据的重要系统。本章将重点介绍遥感平台和传感器成像系统，主要包括遥感平台种类及轨道特点、传感器结构、摄影成像类传感器、扫描成像类传感器、合成孔径雷达等内容。通过这些内容，使读者对获取遥感数据的技术过程有一个基本的了解，从而更好地理解各种类型的遥感数据的特征。
　　1.1 遥感平台的种类及轨道特点
　　遥感平台是用于安置各种遥感仪器，使其从一定高度或距离对地面目标进行探测，并为其提供技术保障和工作条件的运载工具。
　　遥感平台通常由遥感传感器、数据记录装置、姿态控制仪、通信系统、电源系统、热控制系统等组成（孙家抦，2013）。遥感平台的功能为记录准确的传感器位置，获取可靠的数据及将获取的数据传送到地面站。
　　1.1.1 遥感平台的种类
　　遥感平台可以按照不同的方式分类，比如按照平台运行高度、用途、对象进行分类。按照平台运行高度的不同，可以分为地面遥感平台、航空遥感平台、航天遥感平台、星系（月球）遥感平台等。不同类型的遥感平台见表1.1。
　　表1.1 遥感平台类型
　　地面实况调查，地物光谱特性测定
　　根据遥感目的、对象和技术特点（如观测的高度或距离、范围、周期，寿命和运行方式等），可将遥感平台大体分为以下几类（周军其等，2014）。
　　（1）地面遥感平台，如固定的遥感塔、可移动的遥感车、舰船等。
　　（2）航空遥感平台（空中平台），如各种固定翼和旋翼式飞机、系留气球、自由气球、探空火箭等。
　　（3）航天遥感平台（空间平台），如各种不同高度的人造地球卫星、载人或不载人的宇宙飞船、航天站和航天飞机等。这些具有不同技术性能、工作方式和技术经济效益的遥感平台，组成一个多层、立体化的现代化遥感信息获取系统，为完成专题的或综合的、区域的或全球的、静态的或动态的各种遥感活动提供了技术保证。
　　遥感平台按不同的用途可以分为以下几类。
　　（1）科学卫星。科学卫星是用于科学探测和研究的卫星，主要包括空间物理探测卫星和天文卫星，用来研究高层大气、地球辐射带、地球磁场、宇宙射线、太阳辐射等，并可以观测其他星体。
　　（2）技术卫星。技术卫星是进行新材料试验或为应用卫星进行试验的卫星。航天技术中有很多新原理、新材料、新仪器，其能否使用，必须在太空进行试验；一种新卫星的性能如何，也只有把它发射到太空去实际“锻炼”，试验成功后才能应用。
　　（3）应用卫星。针对不同的应用采用不同的遥感平台。应用卫星是直接为人类服务的卫星，它的种类*多、数量*大，包括地球资源卫星、气象卫星、海洋卫星、环境卫星、通信卫星、测绘卫星、高光谱卫星、高空间分辨率卫星、导航卫星、侦察卫星、截击卫星、小卫星、雷达卫星等。
　　对于航天遥感平台，按照其运行轨道高度和寿命的不同可以分为三种类型。
　　（1）低高度、短寿命的卫星。其高度一般为150～200km，寿命只有1～3周，可以获得分辨率较高的影像，这类卫星多为军事服务。
　　（2）中高度、长寿命的卫星。其高度一般为300～1500km，寿命可达1年以上，如陆地卫星、气象卫星和海洋卫星等。
　　（3）高高度、长寿命的卫星。这类卫星即地球同步卫星或静止卫星，其高度约为35800km，一般通信卫星、静止气象卫星均属于此类。
　　此外，目前遥感卫星监测的对象已经不只限于人类居住的地球，还开始关注地球以外的星球，比如月球、水星、火星等。
　　1.1.2 遥感平台的轨道特点
　　遥感平台的姿态是指平台坐标系相对于地面坐标系的倾斜程度，用三轴的旋转角度来表示。若定义卫星质心为坐标原点，沿轨道前进的切线方向为x轴，垂直轨道面的方向为y轴，垂直zy平面的为z轴，则卫星的三轴倾斜为：绕x轴的旋转角称滚动或侧滚，绕y轴的旋转角称俯仰，绕z轴旋转的姿态角称偏航，如图1.1（卢小平等，2014；彭望琭等，2002）所示。由于搭载传感器的卫星或飞机的姿态总是变化的，遥感图像产生几何变形，严重影响图像的定位精度，必须在获取图像的同时测量、记录遥感平台的姿态数据，以修正其影响。目前，用于平台姿态测量的设备主要有红外姿态测量仪、星相机、陀螺仪等。
　　图1.1 遥感平台的姿态
　　卫星轨道的计算主要参考开普勒三大定律。
　　（1）行星绕太阳运动的轨道为椭圆，太阳位于椭圆的一个焦点上。
　　（2）行星向径在相等的时间内扫过相等的面积。
　　（3）行星绕太阳公转周期的平方与轨道长半轴的立方呈正比：
　　（1.1）
　　式中：T为卫星运行周期；R为地球平均半径；H为卫星运行高度；C为开普勒常数，
　　应用第三定律确定卫星运行周期和卫星运行高度：
　　（1.2）
　　卫星轨道参数如下。
　　（1）长半轴a：决定卫星离地面的*大高度。
　　（2）偏心率e：决定卫星轨道的形状。
　　（1.3）
　　（3）轨道面倾角i。
　　（4）升交点赤经。
　　（5）近地点角距。
　　轨道倾角i为卫星轨道面与赤道面的夹角，如图1.2（张安定，2016）所示。
　　图1.2 卫星轨道面与赤道面夹角示意图
　　i=0表示卫星轨道面与地球赤道面重合，且卫星绕地球公转方向与地球自转方向一致，如地球同步卫星。
　　i=90°表示卫星南北向绕地球公转，称为极轨卫星。注意：轨道倾角越大，覆盖地球表面的面积越大，资源卫星多为近极轨卫星。
　　升交点赤经为卫星轨道的升交点与春分点之间的角距，如图1.3（张安定，2016）所示。
　　图1.3 卫星轨道与升交点示意图
　　春分线：春分线是春分时刻（约在3月21日）地心与太阳质心的连线，春分时太阳直射地球赤道。因地球自转和绕太阳公转，地心与赤道上任意一点的连线在宇宙空间中的方向时刻在发生着变化，为了在宇宙空间中固定一个方向，特引入春分线的概念。
　　春分点：春分点是春分线与赤道的交点。
　　近地点角距ω：ω=0°升交点为近地点的星下点；ω=180°升交点为远地点的星下点。
　　卫星坐标的确定方法：①GPS测定法；②卫星星历表解算法。将卫星轨道参数代入推算卫星坐标的公式，可编制卫星星历表。以卫星的运行时刻为参数，就可以在卫星星历表上查取卫星的地理坐标。
　　典型轨道主要有以下几类。
　　（1）同步轨道：卫星运行周期与地球自转周期（23小时56分4秒）相同的轨道。
　　（1.4）
　　（2）静止轨道：i=0°的同步轨道。
　　（3）极地轨道：i=90°的轨道。
　　（4）太阳同步轨道：指轨道面与太阳地球连线之间的夹角不随地球绕太阳的公转而改变的轨道。
　　1.2 传感器
　　光电成像类型传感器与光学摄影类型传感器有很大区别。光电成像类型传感器是将收集到的电磁波能量，通过仪器内的光敏或热敏元件（探测器）转变成电能后再记录下来。
　　光电成像传感器较光学摄影类型传感器的优点在于：一是扩大了探测的波段范围；二是便于数据的存储与传输。光电成像传感器主要包括摄影机、扫描仪、电荷耦合器件（charge coupled device，CCD）。其中后两种应用*广泛，特别是长线阵大面阵电荷耦合器件已经问世，其地面分辨率*高可达1m，为遥感图像定量研究提供了保证。
　　1.2.1 传感器的结构
　　传感器是遥感技术系统的核心部分，其性能制约整个遥感技术的能力，即传感器对电磁波段的响应能力、传感器的空间分辨率及图像的几何特征、传感器获取地物信息量的大小和可靠程度。
　　传感器的种类很多，但从结构上看，基本都是由收集器、探测器、处理器、输出器等器件组成（图1.4）（彭望琭等，2002）。
　　图1.4 传感器组成示意图
　　1. 收集器
　　收集器负责收集或接收目标物发射或反射的电磁辐射能量，并把它们进行聚焦，然后送往探测系统。传感器的类型不同，收集器的设备元件不一样，*基本的是透镜（组）、反射镜（组）或天线。摄影机的元件是凸透镜；扫描仪的元件是反射镜；雷达的元件是天线。
　　2. 探测器
　　探测器是传感器中*重要的部分，探测元件是真正接收地物电磁辐射的器件，它的功能是负责将收集的辐射能转变成化学能或电能。测量和记录接收到的电磁辐射能。常用的探测元件有感光胶片、光电管、光电二极管等光敏探测元件，以及热敏电阻等热敏探测元件等。
　　1）感光胶片
　　感光胶片通过光化学作用探测近紫外至近红外的电磁辐射，它的响应波段约为0.3～

目录
第一篇 对地观测传感器成像系统与模型
第1章 遥感平台与成像系统 2
1.1 遥感平台的种类及轨道特点 2
1.1.1 遥感平台的种类 2
1.1.2 遥感平台的轨道特点 4
1.2 传感器 6
1.2.1 传感器的结构 6
1.2.2 传感器的分类 7
1.3 摄影成像类传感器 8
1.3.1 框幅式摄影机 8
1.3.2 缝隙式摄影机 9
1.3.3 全景式摄影机 9
1.3.4 多光谱摄影机 9
1.4 扫描成像类传感器 10
1.4.1 垂直航迹扫描相机 10
1.4.2 沿航迹扫描相机 11
1.4.3 成像光谱仪 12
1.5 合成孔径雷达 14
第2章 对地观测成像模型与降质模型 17
2.1 遥感图像成像模型 17
2.1.1 遥感与电磁波理论 17
2.1.2 地物波谱特性及其变化规律 18
2.1.3 遥感图像成像数学模型 18
2.2 遥感图像分辨率 20
2.2.1 空间分辨率 20
2.2.2 光谱分辨率 20
2.2.3 时相分辨率 21
2.2.4 辐射分辨率 21
2.2.5 角分辨率 22
2.3 遥感图像降质因素 23
2.3.1 传感器降晰因素 23
2.3.2 地物目标影响因素 24
2.3.3 图像获取过程的外部干扰因素 24
2.4 观测模型及数学描述 24
2.4.1 观测模型 24
2.4.2 数学描述 26
第二篇 质量提升理论基础与遥感图像模型
第3章 稀疏表征与压缩感知 30
3.1 压缩感知理论 30
3.2 小波与滤波器组 32
3.3 稀疏字典 33
第4章 随机场理论 36
4.1 随机过程 36
4.1.1 随机过程的基本概念 36
4.1.2 随机过程的有限维分布函数族 36
4.1.3 随机过程的数字特征 37
4.1.4 随机过程的特征函数 37
4.2 高斯过程 38
4.2.1 平稳高斯过程概述 38
4.2.2 平稳高斯过程的核函数 38
4.2.3 各向同性与各向异性核函数 39
4.2.4 非平稳核函数 39
4.3 马尔可夫过程 40
4.3.1 马尔可夫过程的概念 40
4.3.2 马尔可夫过程的有限维分布族 40
第5章 变分与偏微分方程 42
5.1 变分原理 42
5.2 各向异性扩散 42
5.2.1 加权梯度散度 43
5.2.2 常见的权重函数 43
5.3 Mumford-Shah泛函 44
5.4 张量与多维数据 44
5.4.1 张量概念 44
5.4.2 多维数据 45
第6章 卷积神经网络与深度学习模型 48
6.1 卷积神经网络 48
6.1.1 基础操作与基础单元 48
6.1.2 高效卷积运算 52
6.1.3 随机或无监督特征 53
6.1.4 卷积神经网络的神经科学基础 53
6.1.5 卷积神经网络与深度学习历史 54
6.2 循环和递归神经网络 54
6.2.1 循环神经网络 54
6.2.2 双向循环神经网络 55
6.2.3 深度循环神经网络 55
6.2.4 递归神经网络 56
6.2.5 长期依赖挑战 57
6.2.6 渗透单元与其他多时间尺度策略 57
6.2.7 长短时记忆与其他门控循环神经网络 58
6.3 自编码器 59
6.3.1 欠完备自编码器 59
6.3.2 正则自编码器 59
6.3.3 表征能力、层的大小和深度 60
6.4 深度生成模型 60
6.4.1 玻尔兹曼机与受限玻尔兹曼机 60
6.4.2 深度置信网络 61
6.4.3 深度玻尔兹曼机 62
6.4.4 有向生成网络 62
第7章 边缘保持型滤波 63
7.1 双边滤波 63
7.2 引导滤波 63
7.3 均值漂移 64
7.4 加权*小二乘滤波 64
第三篇 遥感数据质量提升方法
第8章 遥感图像噪声去除 66
8.1 高光谱图像条带噪声去除 66
8.1.1 矩匹配方法 67
8.1.2 改进的矩匹配方法 68
8.2 SAR图像斑点噪声去除 68
8.2.1 Forst滤波 69
8.2.2 Kuan滤波 69
8.2.3 Lee滤波 70
8.2.4 Gamma Map滤波 70
8.3 常见加性去噪方法 70
8.3.1 全变分 70
8.3.2 小波 72
8.3.3 双边滤波 74
8.3.4 三维块匹配滤波 75
8.3.5 低秩 77
8.3.6 图像块似然对数期望 79
8.3.7 稀疏表征 80
8.4 同步噪声理论 84
8.4.1 基于同步噪声选择非线性扩散的停止时间 84
8.4.2 基于同步噪声优化的非局部平均去噪 86
第9章 遥感图像薄云去除 90
9.1 基于大气散射模型的方法 90
9.1.1 暗通道先验法 91
9.1.2 颜色衰减先验法 93
9.1.3 基于卷积神经网络的介质传播图获取 96
9.2 光谱混合分析 98
9.3 滤波方法 100
9.3.1 同态滤波 100
9.3.2 小波变换 103
9.4 薄云*优化变换方法 106
第10章 遥感图像阴影检测与去除 109
10.1 阴影概述 109
10.1.1 阴影的属性 109
10.1.2 阴影的利弊 110
10.2 阴影检测方法 110
10.2.1 基于物理模型的方法 110
10.2.2 基于颜色空间模型的方法 111
10.2.3 基于阈值分割的方法 113
10.2.4 基于种子区域生长的方法 114
10.2.5 基于几何模型的方法 115
10.2.6 阴影检测方法对比 117
10.3 阴影去除方法 118
10.3.1 基于颜色恒常性的方法 118
10.3.2 基于Retinex图像的方法 119
10.3.3 基于HSI色彩空间的方法 121
10.3.4 基于同态滤波的方法 122
10.3.5 基于马尔可夫场的方法 124
10.3.6 阴影去除方法对比 125
第11章 遥感图像修复 126
11.1 问题描述 126
11.2 基于空域的修复方法 128
11.2.1 插值方法 128
11.2.2 基于变分的修复方法 128
11.2.3 样例填充的方法 129
11.3 基于谱域的修复方法 130
11.4 基于时域的修复方法 133
11.4.1 时域替代法 134
11.4.2 时域滤波器 136
11.4.3 时域学习模型 138
11.4.4 定量数据的重建 139
11.5 混合方法 140
11.5.1 联合时空方法 140
11.5.2 联合时谱方法 142
11.5.3 联合时空谱方法 143
第12章 遥感图像复原 146
12.1 遥感图像模糊的形成 146
12.1.1 散焦模糊 146
12.1.2 运动模糊 147
12.1.3 大气模糊 148
12.1.4 高斯模糊 149
12.2 已知模糊核函数的图像复原 150
12.2.1 基本的变换域图像复原 150
12.2.2 基本的空域图像复原 154
12.2.3 规整化方法 155
12.2.4 多通道图像复原 159
12.3 未知模糊核函数的盲复原 159
12.3.1 早期方法 160
12.3.2 变分贝叶斯盲复原 162
第13章 遥感图像融合 167
13.1 光谱融合 167
13.1.1 多光谱和全色图像融合方法 167
13.1.2 多光谱和高光谱图像融合方法 172
13.2 时空融合 177
13.2.1 基于权重函数的时空融合方法 178
13.2.2 基于像元解混的时空融合方法 184
13.2.3 基于贝叶斯估计的时空融合方法 186
13.2.4 基于学习的时空融合方法 187
13.2.5 基于卡尔曼滤波的时空融合方法 187
13.2.6 多种方法混合的时空融合方法 188
13.3 时空谱角融合 189
13.3.1 多角度模型构建 190
13.3.2 时空关系构建 190
13.3.3 空谱关系构建 190
13.3.4 时空谱角一体化融合模型 190
13.4 光学图像与SAR图像融合 193
13.4.1 像素级图像融合 193
13.4.2 特征级图像融合 194
13.4.3 决策级图像融合 194
13.5 融合结果比较及评价 194
13.5.1 光谱保真性评价 194
13.5.2 空间结构评价 195
13.5.3 综合评价 196
第14章 超分辨率图像重建 197
14.1 观测模型 199
14.2 超分辨率图像重建算法 202
14.2.1 非均匀插值方法 202
14.2.2 频域方法 204
14.2.3 规整化的超分辨率重建方法 205
14.2.4 凸集投影法 208
14.2.5 极大似然-凸集投影重建方法 210
14.2.6 其他超分辨率重建方法 211
14.3 超分辨率中的其他难题 212
14.3.1 考虑配准错误的超分辨率 212
14.3.2 盲超分辨率图像重建 214
14.3.3 计算效率高的超分辨率算法 214
14.4 基于样例的超分辨率重建 215
14.4.1 局部自相似性 215
14.4.2 非二进制滤波器 216
14.4.3 滤波器设计 217
14.5 基于卷积神经网络的超分辨率重建 218
14.5.1 基于SRCNN的超分辨率重建 220
14.5.2 基于SRGAN的超分辨率重建 223
14.5.3 遥感图像SR模型 225
第四篇 遥感图像质量提升应用
第15章 定量遥感数据产品质量提升 234
15.1 地表温度产品质量提升 234
15.1.1 地表温度产品概述 234
15.1.2 地表温度产品重建 236
15.1.3 地表温度产品时空分辨率提升 237
15.2 植被指数产品质量提升 238
15.2.1 NDVI数据产品概述 238
15.2.2 NDVI时间序列数据产品重建方法 240
15.3 土壤水分产品质量提升 241
15.3.1 土壤水分产品概述 241
15.3.2 土壤水分产品降尺度方法 243
15.4 大气臭氧产品质量提升 244
15.4.1 大气臭氧产品概述 244
15.4.2 大气臭氧产品缺失信息重建方法 245
15.5 积雪产品质量提升 246
15.5.1 积雪产品概述 246
15.5.2 积雪产品去云方法 247