本书主要讨论高分辨遥感图像特定目标分割的方法。第2章主要讨论多光谱遥感图像中的水域分割，第3～6章主要介绍可见光遥感图像中的建筑物分割。在目标分割方法上主要考虑两类典型的方法：一是手动提取特定目标的特征信息，并在此基础上建立目标分割模型，这类方法无须大量的训练样本和标签；二是以深度神经网络为基础，通过对大量训练样本的学习，实现特定目标的分割。主要内容如下：

（1）第2章详细介绍了主动轮廓模型分割图像中特定目标的原理，并针对多光谱遥感图像的特征，讨论了两种图像熵主动轮廓模型对水域分割的改进方法。在本章中，给出了Matlab环境下CV主动轮廓模型及两种图像熵主动轮廓模型的程序及注释。

（2）第3章介绍了深度神经网络的基本要素、网络结构和训练过程中的优化性能指标，并给出了在TensorFlow框架下的深度神经网络的实现方法。

（3）第4章以可见光遥感图像为对象，研究高分辨率遥感图像中建筑物分割的方法。本章中以VGG网络为基础，构建了全卷积深度神经网络实现了建筑物的分割。

（4）第5章讨论Encoder-Decoder深度神经网络结构在可见光遥感图像目标分割中的原理和实现方法。本章以残差网络ResNet为基础构建Encoder、多层反卷积建立Decoder，有效避免干扰信息的影响，对建筑物的块状特征和边缘信息检测更为准确，有效提高建筑物的分割精度。

（5）第6章采用全连接条件随机场与深度神经网络相结合的方法对高分辨率遥感图像中的建筑物进行分割。本章首先详细给出了条件随机场图像分割的基本原理，以及RNN（Recurrent Neural Network）的实现机制。全连接条件随机场通过与VGG深度神经网络和ResNet神经网络相结合，使条件随机场的参数和深度神经网络的权重能够同步训练。这类算法能有效克服建筑物的错层结构、阴影以及道路的影响，可精确提取建筑的边缘信息，其分割性能指标提升较为明显。 ZAMAq8SfY/Xs+lwqjgsx0En9vA7IUpNcykKYeZzSRY8OlNpVionts/PxvZqIp2y5