高光谱遥感图像特征提取与分类-自然科学-文化科教-太极之巅书单号

书刊介绍

高光谱遥感图像特征提取与分类内容简介

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。

高光谱遥感图像特征提取与分类本书特色

适读人群：遥感图像处理专业的本科生、研究生及从事相关工作的工程技术人员。本书主要介绍总结了作者多年的工作，并展现了所提出的**理论方法在高光谱遥感影像地物目标分类中所获得的成果。本书中所述内容对高光谱遥感影像处理研究具有较强的问题针对性，系统总结了该领域研究中所存在主要问题和所面临的新困难。本书的特色是引入了新颖的智能信息处理及建模方法解决高光谱遥感影像特征提取及分类中所存在的主要问题。本书拟从系统的角度，更加全面地向相关研究人员和学生讲述高光谱遥感影像处理这门学科技术的基本理论、新的技术方法及其一些重要的应用领域。著本书的目标是为本领域工程技术人员及普通高等院校学生提供一本能反映高光谱遥感影像特征提取及分类**进展的书籍，使相关研究人员和学生能够掌握信息获取与处理理论发展的历史与现状，掌握其涉及的广泛理论基础和应用的各个方面，为从事信息处理研究或工程技术应用打好基础。本书的编写原则是：（1）要反映该领域的**进展，包括**的理论成果和应用技术等；（2）内容只涵盖已经被认为是成熟的理论和技术，以及相关的内容；（3）侧重于技术的发展和方法的应用，突出其理论基础的广泛性和应用的普遍性；（4）内容要适应普通高等院校硕士研究生的教学需要。本书突出以下特色：（1）基础理论体系的完整性，涉及分类过程中特征提取及分类器设计等多个环节；（2）应用的普遍性，展现了多个高光谱遥感影像数据库的测试结果以及典型场景的应用范例；（3）适合研究生教学的特殊性，针对所涉及的问题给予完整详细的描述，适合课堂教学与自学。

高光谱遥感图像特征提取与分类目录

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

高光谱遥感图像特征提取与分类作者简介

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。