高光谱遥感图像特征提取与分类电子书

内容提要

前言

第1章 高光谱遥感图像处理方法研究现状、意义及应用

1.1 概述

1.1.1 遥感的现状与发展

1.1.2 高光谱分辨率遥感

1.1.3 高光谱遥感现状与发展

1.1.4 高光谱遥感专题应用

1.2 高光谱遥感图像特征选择与提取方法

1.2.1 特征选择方法

1.2.2 特征提取方法

1.3 高光谱遥感图像分类方法

1.3.1 监督分类

1.3.2 非监督分类

参考文献

第2章 基于神经网络敏感性分析的高光谱遥感图像降维与分类

2.1 引言

2.2 神经网络敏感性分析

2.3 基于神经网络敏感性分析的高光谱遥感图像波段选择

2.3.1 数据预处理

2.3.2 差分进化算法优化BP神经网络

2.3.3 敏感性分析降维

2.4 实验与分析

参考文献

第3章 基于多目标粒子群优化算法的高光谱遥感图像波段选择与分类

3.1 引言

3.2 粒子群优化算法

3.3 基于多目标粒子群优化算法的高光谱遥感图像波段选择方法

3.3.1 基于粒子群优化算法的波段选择

3.3.2 适应度函数

3.3.3 算法实现流程

3.4 实验与分析

3.4.1 AVIRIS高光谱数据实验

3.4.2 HYDICE高光谱数据实验

参考文献

第4章 基于混合编码差分进化粒子群算法及多示例学习的高光谱遥感图像波段选择与分类

4.1 引言

4.2 粒子群算法和差分进化算法

4.2.1 粒子群算法

4.2.2 差分进化算法

4.3 基于混合编码的差分进化粒子群波段选择步骤

4.3.1 混合编码

4.3.2 适应度函数

4.3.3 结合粒子群差分进化进行降维

4.3.4 波段选择实现步骤

4.4 多示例学习方法

4.4.1 多示例学习问题

4.4.2 基于多示例学习的常见分类算法

4.5 模糊K均值聚类方法

4.6 基于多示例学习和支持向量机的高光谱遥感图像分类方法

4.6.1 分割提取空间特征

4.6.2 聚类生成多示例包

4.6.3 算法实现流程

4.7 实验与分析

4.7.1 实验数据描述

4.7.2 实验结果与分析

参考文献

第5章 基于块阵分解的高光谱遥感图像特征提取与分类

5.1 引言

5.2 高光谱遥感图像特征提取

5.3 块阵分解

5.4 算法流程

5.4.1 近似波段图像获取

5.4.2 波段信息差异判别模型

5.4.3 支持向量机分类

5.5 实验与分析

参考文献

第6章 基于参数空间变换的高光谱遥感图像特征提取与分类

6.1 引言

6.2 参数零空间线性分析（PNLDA）

6.2.1 PNLDA算法描述和推导

6.2.2 PNLDA算法所需的计算项

6.3 实验与分析

参考文献

第7章 基于光谱-纹理核和光谱-空间滤波核的高光谱遥感图像特征提取与分类

7.1 引言

7.2 基于光谱-纹理核的特征提取与分类

7.2.1 基于灰度共生矩阵的纹理特征提取

7.2.2 灰度共生矩阵特征解译和二次统计特征量

7.2.3 光谱特征和纹理特征的融合

7.3 基于光谱-空间滤波核的特征提取与分类

7.3.1 区域中值滤波空间特征提取

7.3.2 光谱特征与空间特征的融合

7.4 ST-SVM方法实验与分析

7.4.1 2012GRSS 高空间分辨率融合数据集（数据集1）的实验结果分析

7.4.2 HUD高空间分辨率遥感图像数据集（数据集2）的实验结果分析

7.4.3 KSC-AVIRIS高光谱遥感图像数据集（数据集3）的实验结果分析

7.4.4 PUD高光谱遥感图像数据集（数据集4）的实验结果分析

7.5 SSF-SVM方法实验与分析

7.5.1 SSF-SVM算法在AVIRIS-IP数据集的实验结果分析

7.5.2 SSF-SVM算法在AVIRIS-SVA数据集的实验结果分析

7.5.3 SSF-SVM算法在PUD数据集的实验结果分析

参考文献

第8章 基于知识迁移的高光谱遥感图像特征提取与分类

8.1 引言

8.2 迁移学习的分类及其特点

8.3 研究方法

8.3.1 符号定义

8.3.2 构建目标数据集和辅助数据集相似矩阵

8.3.3 辅助数据集的知识迁移模型

8.4 高光谱遥感图像的特征融合

8.5 实验与分析

8.5.1 HUD高空间分辨率遥感图像数据集（数据集1）的实验结果分析

8.5.2 PUD高光谱遥感图像数据集（数据集2）的实验结果分析

参考文献