دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Arian Azarang. Nasser Kehtarnavaz
سری: Synthesis Lectures on Image, Video, and Multimedia Processing
ISBN (شابک) : 1636390765, 9781636390765
ناشر: Morgan & Claypool Publishers
سال نشر: 2021
تعداد صفحات: 95
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 44 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Image Fusion in Remote Sensing: Conventional and Deep Learning Approaches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تلفیق تصویر در سنجش از دور: رویکردهای یادگیری متعارف و عمیق نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
همجوشی تصویر در سنجش از راه دور یا شفاف سازی شامل ادغام تصاویر فضایی (پانکروماتیک) و طیفی (چند طیفی) است که توسط حسگرهای مختلف در ماهواره ها گرفته می شود. این کتاب به رویکردهای ترکیب تصویر برای کاربردهای سنجش از دور می پردازد. هر دو روش یادگیری متعارف و عمیق پوشش داده شده است. ابتدا، رویکردهای مرسوم برای ادغام تصویر در سنجش از دور مورد بحث قرار میگیرد. این رویکردها شامل جایگزینی مؤلفه، چند وضوح و الگوریتمهای مبتنی بر مدل است. سپس، رویکردهای یادگیری عمیق اخیراً توسعه یافته شامل توابع از دست دادن تک هدفه و چند هدفه مورد بحث قرار می گیرند. نتایج تجربی با مقایسه رویکردهای یادگیری عمیق و مرسوم از نظر معیارهای هدف با وضوح کم و وضوح کامل که معمولاً در سنجش از دور استفاده میشوند، ارائه شدهاند. این کتاب با بیان روندهای پیشبینیشده آتی در pansharpening یا ادغام تصویر در سنجش از دور به پایان میرسد.
Image fusion in remote sensing or pansharpening involves fusing spatial (panchromatic) and spectral (multispectral) images that are captured by different sensors on satellites. This book addresses image fusion approaches for remote sensing applications. Both conventional and deep learning approaches are covered. First, the conventional approaches to image fusion in remote sensing are discussed. These approaches include component substitution, multi-resolution, and model-based algorithms. Then, the recently developed deep learning approaches involving single-objective and multi-objective loss functions are discussed. Experimental results are provided comparing conventional and deep learning approaches in terms of both low-resolution and full-resolution objective metrics that are commonly used in remote sensing. The book is concluded by stating anticipated future trends in pansharpening or image fusion in remote sensing.
Preface Introduction Scope Organization References Introduction to Remote Sensing Basic Concepts Spatial Resolution Spectral Resolution Radiometric Resolution Temporal Resolution Pre-Processing Steps for Image Fusion Image Registration Histogram Matching Fusion Protocols Reduced-Resolution Protocol (Wald's Protocol) Full-Resolution Protocol (Zhou's Protocol) Quantity Assessments of Fusion Outcomes Reduced-Resolution Metrics Full-Resolution Metrics References Conventional Image Fusion Approaches in Remote Sensing Component Substitution Algorithms Multi-Resolution Analysis Algorithms Model-Based Algorithms References Deep Learning-Based Image Fusion Approaches in Remote Sensing Typical Deep Learning Models Single-Objective Loss Function Multi-Objective Loss Function References Unsupervised Generative Model for Pansharpening Methodology Learning Process and Loss Functions References Experimental Studies Dataset Used Objective Assessment of Fusion Results Visual Assessment of Fusion Results References Anticipated Future Trend Authors' Biographies Index Blank Page