遙感圖像智能分類及其應(yīng)用

內(nèi)容概要

羅小波、趙春暉、潘建平、周春艷、王云安編寫的《遙感圖像智能分類及其應(yīng)用》圍繞遙感圖像分類這一主線，從基于像素的分類、基于目標的分類、混合像元分解這三大部分，構(gòu)建完整的遙感圖像分類體系。在理論研究的基礎(chǔ)之上，結(jié)合實例，詳細介紹了新興智能算法及其在遙感分類處理中的應(yīng)用情況。
全書主要內(nèi)容包括遙感圖像分類基礎(chǔ)與傳統(tǒng)分類方法、基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類、基于支持向量機的遙感圖像分類、面向?qū)ο蟮倪b感圖像分類，以及混合像元分解等內(nèi)容。
《遙感圖像智能分類及其應(yīng)用》適合于從事遙感圖像處理與應(yīng)用、智能信息處理等相關(guān)領(lǐng)域的科研人員、工程技術(shù)人員、研究生和高年級本科生使用。

書籍目錄

第1章  緒論
  1．1  遙感技術(shù)概述
  1．1．1  相關(guān)概念
  1．1．2  遙感技術(shù)的發(fā)展與應(yīng)用
  1．1．3  遙感圖像分類的意義
  1．2  遙感圖像分類主要數(shù)據(jù)源
  1．2．1  中低分辨率衛(wèi)星數(shù)據(jù)
  1．2．2  高分辨率衛(wèi)星數(shù)據(jù)
  1．2．3  高光譜衛(wèi)星數(shù)據(jù)
  1．2．4  雷達衛(wèi)星數(shù)據(jù)
  1．3  遙感圖像分類使用的主要特征
  1．3．1  光譜特征
  1．3．2  紋理特征
  1．3．3  空間形狀特征
  1．3．4  高程特征
  1．4  遙感圖像分類現(xiàn)狀及存在的問題
  1．4．1  基于像元的分類
  1．4．2  混合像元的分解
  1．4．3  面向?qū)ο蟮姆诸?br />  1．4．4  遙感圖像分類所存在的問題
  1．5  遙感圖像智能分類研究思路與本書結(jié)構(gòu)安排
  1．6  本章總結(jié)
  參考文獻
第2章  遙感圖像分類基礎(chǔ)與傳統(tǒng)分類方法
  2．1  遙感圖像分類概述
  2．2  特征變換
  2．2．1  主分量變換
  2．2．2  最小噪聲分離變換
  2．3  最大似然監(jiān)督分類
  2．3．1  監(jiān)督分類的基本過程
  2．3．2  最大似然監(jiān)督分類算法
  2．3．3  訓練樣本的選取與純化
  2．4  ISODATA非監(jiān)督分類
  2．5  分類精度評價
  2．6  本章總結(jié)
  參考文獻
第3章  基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類
  3．1  人工神經(jīng)網(wǎng)絡(luò)遙感分類概述
  3．2  BP神經(jīng)網(wǎng)絡(luò)遙感影像分類
  3．2．1  BP網(wǎng)絡(luò)基本理論
  3．2．2  基于遺傳算法優(yōu)化的網(wǎng)絡(luò)學習算法
  3．2．3  BP神經(jīng)網(wǎng)絡(luò)遙感分類模型
  3．2．4  實驗與精度評價
  3．2．5  小結(jié)
  3．3  RBF神經(jīng)網(wǎng)絡(luò)遙感影像分類
  3．3．1  RBF網(wǎng)絡(luò)基本理論
  3．3．2  網(wǎng)絡(luò)結(jié)構(gòu)簡化與RBF中心優(yōu)化
  3．3．3  實驗與精度評價
  3．3．4  小結(jié)
  3．4  自組織神經(jīng)網(wǎng)絡(luò)遙感影像分類
  3．4．1  Kohonen神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
  3．4．2  基于Kohonen網(wǎng)絡(luò)的遙感監(jiān)督分類模型
  3．4．3  實驗與精度評價
  3．5  自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)遙感影像分類
  3．5．1  ART1神經(jīng)網(wǎng)絡(luò)學習過程
  3．5．2  ART1神經(jīng)網(wǎng)絡(luò)的具體算法
  3．5．3  自適應(yīng)共振網(wǎng)絡(luò)在高光譜中的應(yīng)用
  3．5．4  實驗與精度評價
  3．6  本章總結(jié)
  參考文獻
第4章  基于支持向量機的遙感圖像分類
  4．1  支持向量機發(fā)展概述
  4．2  統(tǒng)計學習理論和支持向量機
  4．2．1  統(tǒng)計學習理論
  4．2．2  支持向量機
  4．2．3  改進核函數(shù)及高光譜圖像分類仿真實驗
  4．2．4  小結(jié)
  4．3  最小二乘支持向量機高光譜圖像分類
  4．3．1  1S—SVM的原理
  4．3．2  1S—SVM的訓練樣本選擇以及模型參數(shù)選擇
  4．3．3  雙邊加權(quán)1S—SVM
  4．3．4  仿真實驗
  4．3．5  小結(jié)
  4．4  多類支持向量機圖像分類
  4．4．1  多類支持向量機
  4．4．2  各種多類SVM的性能對比
  4．4．3  仿真實驗
  4．4．4  小結(jié)
  4．5  基于模糊SVM的高光譜圖像分類
  4．5．1  多類支持向量機存在的局限性
  4．5．2  模糊集的基本概念
  4．5．3  基于1-v-1 SVM的模糊支持向量機
  4．5．4  仿真實驗
  4．5．5  小結(jié)
  4．6  本章總結(jié)
  參考文獻
第5章  面向?qū)ο蟮倪b感圖像分類
  5．1  面向?qū)ο蟮倪b感圖像分類概述
  5．2  多尺度影像分割
  5．2．1  基于區(qū)域的影像分割
  5．2．2  多尺度影像分割
  5．3  模糊分類
  5．3．1  模糊理論基礎(chǔ)
  5．3．2  基于多特征的模糊分類模型
  5．4  實例研究
  5．4．1  數(shù)據(jù)源概況
  5．4．2  基于像元的最大似然分類
  5．4．3  面向?qū)ο蠓诸?br />  5．4．4  二者分類度比較與分析
  5．5  本章總結(jié)
  參考文獻
第6章  遙感圖像混合像元分解
  6．1  混合像元分解概述
  6．2  混合像元分解模型
  6．2．1  光譜混合的成像機理
  6．2．2  概念的提出
  6．2．3  光譜混合模型
  6．3  線性模型及其混合像元分解
  6．3．1  線性光譜混合模型
  6．3．2  端元組分確定
  6．3．3  端元提取算法
  6．3．4  實例研究
  6．3．5  小結(jié)
  6．4  基于數(shù)學形態(tài)學的端元提取算法
  6．4．1  數(shù)學形態(tài)學概述
  6．4．2  數(shù)學形態(tài)學的基本原理與運算
  6．4．3  基于數(shù)學形態(tài)學的端元提取
  6．4．4  不同方法分解結(jié)果比較
  6．4．5  小結(jié)
  6．5  本章總結(jié)
參考文獻

圖書封面

評論、評分、閱讀與下載

---

    遙感圖像智能分類及其應(yīng)用 PDF格式下載

---