【现货】高光谱遥感图像特征提取与分类

图书标准信息

• 作者 陈哲、高红民、申邵洪、高建强 著
• 出版社 人民邮电出版社
• 出版时间 2019-10
• 版次 1
• ISBN 9787115512390
• 定价 96.00元
• 装帧 平装
• 开本 小16开
• 纸张 胶版纸
• 页数 191页

【内容简介】

本书系统地介绍了高光谱遥感图像特征提取与分类的有关概念、原理和方法，以及新理论、新方法在高光谱图像特征提取与分类中的应用。全书共分8章，内容涵盖：高光谱图像降维、特征提取及分类的有关原理、发展及领域应用，基于神经网络敏感性分析的高光谱遥感图像降维与分类，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，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，基于块阵分解的高光谱遥感图像特征提取与分类，基于参数空间变换的高光谱遥感图像特征提取与分类，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，基于知识迁移的高光谱遥感图像特征提取与分类等。
本书内容新颖，注重理论联系实际，可作为电子信息工程、计算机应用技术、自动化、仪器科学与技术等相关专业的研究生、高年级本科生以及相关科研人员、工程技术人员的参考书籍。

【作者简介】

陈哲

博士，副教授。2014年河海大学获计算机应用技术专业博士学位。现在河海大学计算机与信息学院工作。近年来主持国家自然科学基金青年项、江苏省自然科学基金青年项目、中国博士后基金项目等5项。参与完成了“十二五”国家科技支撑计划项目、水利部“948”计划项目等多项。主持和参与获得中国电子学会科学技术二等奖1项、江西省技术发明二等奖1项、黑龙江省科学技术二等奖1项。发表学术论文40余篇，授权国家发明专利20余项。目前主要从事模式识别与人工智能、多传感器信息获取与处理、遥测遥感系统等方面的研究和教学工作。

【目录】

第1章 高光谱遥感图像处理方法研究现状、意义及应用001

1．1 概述 001

1．1．1 遥感的现状与发展 001

1．1．2 高光谱分辨率遥感 002

1．1．3 高光谱遥感现状与发展 006

1．1．4 高光谱遥感专题应用 015

1．2 高光谱遥感图像特征选择与提取方法 019

1．2．1 特征选择方法 020

1．2．2 特征提取方法 023

1．3 高光谱遥感图像分类方法 028

1．3．1 监督分类 028

1．3．2 非监督分类 032

参考文献 034

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 042

2．1 引言 042

2．2 神经网络敏感性分析 043

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 043

2．3．1 数据预处理 043

2．3．2 差分进化算法优化BP神经网络 044

2．3．3 敏感性分析降维 046

2．4 实验与分析 047

参考文献 056

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 059

3．1 引言 059

3．2 粒子群优化算法 060

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 060

3．3．1 基于粒子群优化算法的波段选择 060

3．3．2 适应度函数 061

3．3．3 算法实现流程 062

3．4 实验与分析 064

3．4．1 AVIRIS高光谱数据实验 064

3．4．2 HYDICE高光谱数据实验 068

参考文献 069

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 070

4．1 引言 070

4．2 粒子群算法和差分进化算法 071

4．2．1 粒子群算法 071

4．2．2 差分进化算法 071

4．3 基于混合编码的差分进化粒子群波段选择步骤 072

4．3．1 混合编码 072

4．3．2 适应度函数 073

4．3．3 结合粒子群差分进化进行降维 074

4．3．4 波段选择实现步骤 076

4．4 多示例学习方法 077

4．4．1 多示例学习问题 077

4．4．2 基于多示例学习的常见分类算法 080

4．5 模糊K均值聚类方法 083

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 085

4．6．1 分割提取空间特征 085

4．6．2 聚类生成多示例包 085

4．6．3 算法实现流程 085

4．7 实验与分析 086

4．7．1 实验数据描述 086

4．7．2 实验结果与分析 088

参考文献 092

第5章 基于块阵分解的高光谱遥感图像特征提取与分类 094

5．1 引言 094

5．2 高光谱遥感图像特征提取 096

5．3 块阵分解 097

5．4 算法流程 098

5．4．1 近似波段图像获取 099

5．4．2 波段信息差异判别模型 100

5．4．3 支持向量机分类 102

5．5 实验与分析 104

参考文献 119

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 121

6．1 引言 121

6．2 参数零空间线性分析（PNLDA） 123

6．2．1 PNLDA算法描述和推导 123

6．2．2 PNLDA算法所需的计算项 129

6．3 实验与分析 130

参考文献 139

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 141

7．1 引言 141

7．2 基于光谱-纹理核的特征提取与分类 143

7．2．1 基于灰度共生矩阵的纹理特征提取 143

7．2．2 灰度共生矩阵特征解译和二次统计特征量 145

7．2．3 光谱特征和纹理特征的融合 147

7．3 基于光谱-空间滤波核的特征提取与分类 151

7．3．1 区域中值滤波空间特征提取 151

7．3．2 光谱特征与空间特征的融合 153

7．4 ST-SVM方法实验与分析 155

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 155

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 157

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 159

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 161

7．5 SSF-SVM方法实验与分析 164

7．5．1 SSF-SVM算法在AVIRIS-IP数据集的实验结果分析 167

7．5．2 SSF-SVM算法在AVIRIS-SVA数据集的实验结果分析 170

7．5．3 SSF-SVM算法在PUD数据集的实验结果分析 172

参考文献 176

第8章 基于知识迁移的高光谱遥感图像特征提取与分类 178

8．1 引言 178

8．2 迁移学习的分类及其特点 179

8．3 研究方法 180

8．3．1 符号定义 180

8．3．2 构建目标数据集和辅助数据集相似矩阵 182

8．3．3 辅助数据集的知识迁移模型 183

8．4 高光谱遥感图像的特征融合 184

8．5 实验与分析 186

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 186

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 188

参考文献 190