目錄
前言
第一部分 基礎理論篇
第1章 緒論 3
1.1 研究背景與數(shù)據(jù)基礎 3
1.2 深空遙感數(shù)據(jù)特點 6
1.3 關鍵問題 8
1.4 具體研究內(nèi)容 8
第2章 聚類表示與地貌識別的基礎知識 12
2.1 聚類的概念 12
2.2 深空影像數(shù)據(jù)聚類識別方法的研究現(xiàn)狀.13
2.2.1 人工識別 13
2.2.2 基于地形信息的分析算法 14
2.2.3 機器學習方法 17
2.3 聚類相關基礎知識 19
第二部分 基于經(jīng)典統(tǒng)計方法的深空數(shù)據(jù)解譯篇
第3章 基于嫦娥三號極紫外影像的地心定標 27
3.1 任務背景與極紫外數(shù)據(jù)介紹 27
3.2 極紫外數(shù)據(jù)特征分析 30
3.3 圓形差分方法 33
3.4 地心定標結果 37
3.5 結論 42
附錄 388幅發(fā)布的EUV影像的初步地心定標結果 42
第4章 基于嫦娥二號影像數(shù)據(jù)的Toutatis小行星(4179)的形貌探索 46
4.1 Toutatis小行星介紹 46
4.2 基于梯度分析與區(qū)域約束的形貌自動判讀 48
4.2.1 梯度分析提取形貌種子點 48
4.2.2 基于區(qū)域約束的形貌單元自動標識.51
4.2.3 實驗分析 53
4.2.4 自動提取方法的相關結論 55
4.3 基于Toutatis影像數(shù)據(jù)的增強技術及形貌的分層分類分析 55
4.3.1 分層分類分析方法 56
4.3.2 分層分類結果與分析 59
4.3.3 分層分類方法討論 65
4.4 結論 66
第5章 基于隨機場的影像低對比度區(qū)域形貌分析 67
5.1 基于馬爾可夫隨機場模型的聚類方法 67
5.2 馮？卡門撞擊坑形貌分析 73
5.2.1 實驗數(shù)據(jù) 74
5.2.2 實驗結果 75
5.2.3 結論分析 84
5.3 小天體形貌分析 84
5.3.1 實驗分析 86
5.3.2 形貌判讀 88
5.3.3 討論分析 91
第三部分 基于深度學習方法的深空數(shù)據(jù)解譯篇
第6章 深度學習基本理論知識 95
6.1 CNN介紹 95
6.1.1 CNN發(fā)展歷史 95
6.1.2 CNN基本概念 95
6.1.3 基于CNN的深層神經(jīng)網(wǎng)絡介紹 116
6.2 深度神經(jīng)網(wǎng)絡的應用 119
6.2.1 常見的影像語義分割模型 120
6.2.2 常用的目標檢測模型 122
6.3 深度學習常用的評價指標介紹.125
第7章 基于深度學習的撞擊坑判讀 128
7.1 引言 128
7.2 研究基礎 128
7.2.1 研究數(shù)據(jù)類型及來源 128
7.2.2 撞擊坑目錄 130
7.3 深度學習在撞擊坑識別中的發(fā)展 130
7.3.1 撞擊坑識別中的問題 130
7.3.2 撞擊坑識別算法步驟 132
7.3.3 撞擊坑識別算法效果對比 135
7.4 經(jīng)典語義分割網(wǎng)絡實驗介紹——以UNet為例 136
7.4.1 數(shù)據(jù)集準備 136
7.4.2 實驗流程介紹 139
7.4.3 實驗結果分析 140
7.4.4 部分實驗Python代碼 142
參考文獻 149