遥感图像智能处理PDF电子书下载

第1章 绪论 1

1.1 遥感智能处理任务与意义 1

1.2 遥感信息智能处理方法 2

1.2.1 人工神经网络 3

1.2.2 支持向量机 6

1.2.3 混合智能模型 7

1.2.4 卫星图像上公路信息提取 12

1.2.5 卫星图像的目标自动识别 13

1.2.6 遥感影像融合 14

1.2.7 独立分量分析 15

参考文献 16

第2章 神经网络 27

2.1 人工神经网络概述 27

2.2 BP网络及其代表性改进模型 28

2.2.1 BP网络的基本原理 29

2.2.2 BP网络的学习算法及实现 31

2.2.3 BP算法的局限性 35

2.2.4 BP算法的代表性改进模型 36

2.2.5 输入向量扩展的改进方法 44

2.2.6 应用实例及对比分析 45

2.3 概率神经网络模型 51

2.3.1 概率神经网络简介 51

2.3.2 概率神经网络的应用实验 52

2.4 混合神经网络模型 53

2.4.1 SOM算法简介 54

2.4.2 广义回归神经网络简介 56

2.4.3 SOM和GRNN结合的混合网络模型 59

2.4.4 实验与讨论 59

2.5 本章小结 64

参考文献 65

第3章 模糊支持向量机 67

3.1 支持向量机理论 67

3.1.1 线性SVM 68

3.1.2 非线性SVM 71

3.1.3 SVM分类器参数选择 74

3.1.4 SVM分类器从二类到多类的推广 76

3.2 模糊支持向量机 77

3.2.1 增加模糊后处理的模糊支持向量机简介 77

3.2.2 引入模糊因子的模糊支持向量机训练算法简介 81

3.2.3 边缘效应训练的模糊支持向量机算法 83

3.3 应用实例 84

3.3.1 SVM在遥感图像分类中的应用 84

3.3.2 增加模糊后处理的模糊支持向量机在遥感图像分类中的应用 86

3.3.3 引入模糊因子的模糊支持向量机在遥感图像分类中的应用 87

3.4 本章小结 91

参考文献 91

第4章 遥感图像分类的混合智能模型 94

4.1 知识发现 95

4.1.1 地物纹理知识 95

4.1.2 地物几何形状知识 96

4.1.3 空间关系知识 97

4.1.4 地物的时相变化特征知识 98

4.1.5 地物的边缘特征知识 98

4.1.6 GIS属性知识 98

4.2 知识表示 99

4.2.1 知识表示技术 99

4.2.2 遥感图像分类知识的面向对象表示 101

4.3 知识推理 103

4.3.1 规则推理与规则表达 103

4.3.2 遥感信息智能推理的实现 106

4.3.3 智能推理的控制策略 108

4.4 遥感信息处理的混合智能模型 109

4.4.1 神经网络与知识推理的集成模式 110

4.4.2 遥感信息的混合智能处理流程 113

4.5 遥感土地利用信息智能提取实验 115

4.5.1 数据准备 115

4.5.2 水域遥感信息智能提取 115

4.5.3 公路信息提取 117

4.5.4 其他斑块状地物智能提取 118

4.6 信息提取精度分析 119

4.6.1 精度分析方法 119

4.6.2 精度分析结果 121

4.7 本章小结 123

参考文献 124

第5章 模糊连接度与遥感图像公路提取 127

5.1 引言 127

5.2 遥感图像公路提取的基本思想 128

5.2.1 公路的影像特征 128

5.2.2 公路提取的基本过程 129

5.3 公路提取的研究现状 130

5.3.1 半自动公路特征提取 131

5.3.2 自动公路特征提取 133

5.4 基于模糊连接度的公路提取 136

5.4.1 基本概念 136

5.4.2 图像分割中模糊相似度的表现形式 140

5.4.3 模糊连接度提取公路算法 141

5.4.4 公路提取实验 143

5.5 基于相对模糊连接度的公路提取 146

5.5.1 相对模糊连接度的基本思想 146

5.5.2 相对模糊连接度算法 148

5.5.3 公路提取实验结果 149

5.6 基于自适应相对模糊连接度的公路提取 151

5.6.1 自适应模糊连接度 151

5.6.2 公路种子点的自动选取 152

5.6.3 公路信息自动提取算法 154

5.6.4 公路提取实验结果 155

5.7 遗传算法连接公路 155

5.7.1 染色体编码 156

5.7.2 目标函数与适应度函数 157

5.7.3 遗传算子 157

5.7.4 进化过程 158

5.7.5 采用遗传算法连接公路实验 160

5.8 本章小结 163

参考文献 163

第6章 目标自动检测 167

6.1 引言 167

6.2 数学形态学图像处理及其基本运算 168

6.2.1 数学形态学的基本运算 168

6.2.2 基本运算的性质 171

6.3 目标的形态学特征 172

6.4 实验与分析 174

6.4.1 机场跑道识别实验 174

6.4.2 油罐识别实验 179

6.4.3 实验结果分析 182

6.5 本章小结 182

参考文献 183

第7章 图像融合 185

7.1 概述 185

7.1.1 遥感图像融合的概念和意义 185

7.1.2 多源遥感数据融合方法 188

7.2 传统的遥感图像融合方法 189

7.2.1 加权平均法 189

7.2.2 IHS变换法 190

7.2.3 PCA（Principal Component Analysis，主成分分析）方法 191

7.2.4 HPF（High-Pass Filter，高通滤波器）方法 192

7.2.5 金字塔方法 193

7.2.6 小波变换方法 193

7.3 基于小波变换与人类视觉系统的图像融合新算法 195

7.3.1 人类视觉系统 195

7.3.2 图像融合新算法 197

7.4 实验结果及分析 199

7.4.1 图像融合的客观评价标准 199

7.4.2 实验结果分析 201

7.5 本章小结 208

参考文献 208

第8章 独立分量分析 211

8.1 盲信号处理 211

8.1.1 盲信号分离问题 211

8.1.2 盲反卷积问题 214

8.1.3 盲均衡问题 216

8.2 独立分量分析算法概述 220

8.2.1 独立分量分析起源 220

8.2.2 独立分量分析算法定义 222

8.2.3 独立性定义 224

8.2.4 独立分量分析的目标函数 225

8.2.5 独立分量分析学习算法 230

8.2.6 独立分量分析与传统统计方法的关系 234

8.2.7 独立分量分析算法的新进展 238

8.3 FastICA算法 239

8.3.1 FastICA预处理 239

8.3.2 FastICA算法原理 241

8.3.3 FastICA实现步骤 242

8.4 FastICA算法的改进 243

8.4.1 M-FastICA算法 243

8.4.2 LM-FastICA算法 245

8.4.3 性能比较实验 247

8.5 遥感分类应用实例 268

8.5.1 基于ICA和自适应最小距离分类法的遥感图像分类 270

8.5.2 基于ICA和BP神经网络的遥感图像分类 281

8.6 本章小结 285

参考文献 285

附录A Levenberg-Marquart Back-Propagation Network的MATLAB代码 294

附录B 及早停止法训练的Back-Propagation Network的MATLAB代码 297

附录C 输入扩展的BP网络对Iris数据分类的MATLAB代码 300

附录D 单隐层概率神经网络的MATLAB代码 303

附录E SOM结合GRNN对Iris数据分类的MATLAB代码 305

附录F IRIS数据分类的支持向量机算法的MATLAB代码 310

附录G 模糊连接度算法分割道路目标的MATLAB程序代码 313

附录H 类圆状目标自动检测的MATLAB程序代码 320

附录I 小波变换进行图像融合的MATLAB代码 324

附录J 小波变换结合人类视觉系统进行图像融合的MATLAB代码 327

附录K ICA算法的MATLAB程序代码 345

附录L 彩色图版 349