高光譜遙感圖像特征提取與分類

定　價：￥96.00

作　者：	陳哲，高紅民，申邵洪，高建強著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115512390	出版時間：	2019-10-01	包裝：	平裝
開本：	小16開	頁數(shù)：	191	字數(shù)：

內(nèi)容簡介

　　本書系統(tǒng)地介紹了高光譜遙感圖像特征提取與分類的有關(guān)概念、原理和方法，以及新理論、新方法在高光譜圖像特征提取與分類中的應用。全書共分8章，內(nèi)容涵蓋：高光譜圖像降維、特征提取及分類的有關(guān)原理、發(fā)展及領(lǐng)域應用，基于神經(jīng)網(wǎng)絡敏感性分析的高光譜遙感圖像降維與分類，基于多目標粒子群優(yōu)化算法的高光譜遙感圖像波段選擇與分類，基于混合編碼差分進化粒子群算法及多示例學習的高光譜遙感圖像波段選擇與分類，基于塊陣分解的高光譜遙感圖像特征提取與分類，基于參數(shù)空間變換的高光譜遙感圖像特征提取與分類，基于光譜？紋理核和光譜？空間濾波核的高光譜遙感圖像特征提取與分類，基于知識遷移的高光譜遙感圖像特征提取與分類等。本書內(nèi)容新穎，注重理論聯(lián)系實際，可作為電子信息工程、計算機應用技術(shù)、自動化、儀器科學與技術(shù)等相關(guān)專業(yè)的研究生、高年級本科生以及相關(guān)科研人員、工程技術(shù)人員的參考書籍。

作者簡介

　　陳哲博士，副教授。2014年河海大學獲計算機應用技術(shù)專業(yè)博士學位?，F(xiàn)在河海大學計算機與信息學院工作。近年來主持國家自然科學基金青年項、江蘇省自然科學基金青年項目、中國博士后基金項目等5項。參與完成了“十二五”國家科技支撐計劃項目、水利部“948”計劃項目等多項。主持和參與獲得中國電子學會科學技術(shù)二等獎1項、江西省技術(shù)發(fā)明二等獎1項、黑龍江省科學技術(shù)二等獎1項。發(fā)表學術(shù)論文40余篇，授權(quán)國家發(fā)明專利20余項。目前主要從事模式識別與人工智能、多傳感器信息獲取與處理、遙測遙感系統(tǒng)等方面的研究和教學工作。

圖書目錄

第1章高光譜遙感圖像處理方法研究現(xiàn)狀、意義及應用001
1．1 概述 001
1．1．1 遙感的現(xiàn)狀與發(fā)展 001
1．1．2 高光譜分辨率遙感 002
1．1．3 高光譜遙感現(xiàn)狀與發(fā)展 006
1．1．4 高光譜遙感專題應用 015
1．2 高光譜遙感圖像特征選擇與提取方法 019
1．2．1 特征選擇方法 020
1．2．2 特征提取方法 023
1．3 高光譜遙感圖像分類方法 028
1．3．1 監(jiān)督分類 028
1．3．2 非監(jiān)督分類 032
參考文獻 034
第2章基于神經(jīng)網(wǎng)絡敏感性分析的高光譜遙感圖像降維與分類 042
2．1 引言 042
2．2 神經(jīng)網(wǎng)絡敏感性分析 043
2．3 基于神經(jīng)網(wǎng)絡敏感性分析的高光譜遙感圖像波段選擇 043
2．3．1 數(shù)據(jù)預處理 043
2．3．2 差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡 044
2．3．3 敏感性分析降維 046
2．4 實驗與分析 047
參考文獻 056
第3章基于多目標粒子群優(yōu)化算法的高光譜遙感圖像波段選擇與分類 059
3．1 引言 059
3．2 粒子群優(yōu)化算法 060
3．3 基于多目標粒子群優(yōu)化算法的高光譜遙感圖像波段選擇方法 060
3．3．1 基于粒子群優(yōu)化算法的波段選擇 060
3．3．2 適應度函數(shù) 061
3．3．3 算法實現(xiàn)流程 062
3．4 實驗與分析 064
3．4．1 AVIRIS高光譜數(shù)據(jù)實驗 064
3．4．2 HYDICE高光譜數(shù)據(jù)實驗 068
參考文獻 069
第4章基于混合編碼差分進化粒子群算法及多示例學習的高光譜遙感圖像波段
選擇與分類 070
4．1 引言 070
4．2 粒子群算法和差分進化算法 071
4．2．1 粒子群算法 071
4．2．2 差分進化算法 071
4．3 基于混合編碼的差分進化粒子群波段選擇步驟 072
4．3．1 混合編碼 072
4．3．2 適應度函數(shù) 073
4．3．3 結(jié)合粒子群差分進化進行降維 074
4．3．4 波段選擇實現(xiàn)步驟 076
4．4 多示例學習方法 077
4．4．1 多示例學習問題 077
4．4．2 基于多示例學習的常見分類算法 080
4．5 模糊K均值聚類方法 083
4．6 基于多示例學習和支持向量機的高光譜遙感圖像分類方法 085
4．6．1 分割提取空間特征 085
4．6．2 聚類生成多示例包 085
4．6．3 算法實現(xiàn)流程 085
4．7 實驗與分析 086
4．7．1 實驗數(shù)據(jù)描述 086
4．7．2 實驗結(jié)果與分析 088
參考文獻 092
第5章基于塊陣分解的高光譜遙感圖像特征提取與分類 094
5．1 引言 094
5．2 高光譜遙感圖像特征提取 096
5．3 塊陣分解 097
5．4 算法流程 098
5．4．1 近似波段圖像獲取 099
5．4．2 波段信息差異判別模型 100
5．4．3 支持向量機分類 102
5．5 實驗與分析 104
參考文獻 119
第6章基于參數(shù)空間變換的高光譜遙感圖像特征提取與分類 121
6．1 引言 121
6．2 參數(shù)零空間線性分析（PNLDA） 123
6．2．1 PNLDA算法描述和推導 123
6．2．2 PNLDA算法所需的計算項 129
6．3 實驗與分析 130
參考文獻 139
第7章基于光譜-紋理核和光譜-空間濾波核的高光譜遙感圖像特征提取與分類 141
7．1 引言 141
7．2 基于光譜-紋理核的特征提取與分類 143
7．2．1 基于灰度共生矩陣的紋理特征提取 143
7．2．2 灰度共生矩陣特征解譯和二次統(tǒng)計特征量 145
7．2．3 光譜特征和紋理特征的融合 147
7．3 基于光譜-空間濾波核的特征提取與分類 151
7．3．1 區(qū)域中值濾波空間特征提取 151
7．3．2 光譜特征與空間特征的融合 153
7．4 ST-SVM方法實驗與分析 155
7．4．1 2012GRSS高空間分辨率融合數(shù)據(jù)集（數(shù)據(jù)集1）的實驗結(jié)果分析 155
7．4．2 HUD高空間分辨率遙感圖像數(shù)據(jù)集（數(shù)據(jù)集2）的實驗結(jié)果分析 157
7．4．3 KSC-AVIRIS高光譜遙感圖像數(shù)據(jù)集（數(shù)據(jù)集3）的實驗結(jié)果分析 159
7．4．4 PUD高光譜遙感圖像數(shù)據(jù)集（數(shù)據(jù)集4）的實驗結(jié)果分析 161
7．5 SSF-SVM方法實驗與分析 164
7．5．1 SSF-SVM算法在AVIRIS-IP數(shù)據(jù)集的實驗結(jié)果分析 167
7．5．2 SSF-SVM算法在AVIRIS-SVA數(shù)據(jù)集的實驗結(jié)果分析 170
7．5．3 SSF-SVM算法在PUD數(shù)據(jù)集的實驗結(jié)果分析 172
參考文獻 176
第8章基于知識遷移的高光譜遙感圖像特征提取與分類 178
8．1 引言 178
8．2 遷移學習的分類及其特點 179
8．3 研究方法 180
8．3．1 符號定義 180
8．3．2 構(gòu)建目標數(shù)據(jù)集和輔助數(shù)據(jù)集相似矩陣 182
8．3．3 輔助數(shù)據(jù)集的知識遷移模型 183
8．4 高光譜遙感圖像的特征融合 184
8．5 實驗與分析 186
8．5．1 HUD高空間分辨率遙感圖像數(shù)據(jù)集（數(shù)據(jù)集1）的實驗結(jié)果分析 186
8．5．2 PUD高光譜遙感圖像數(shù)據(jù)集（數(shù)據(jù)集2）的實驗結(jié)果分析 188
參考文獻 190