多源遥感影像数据融合技术PDF电子书下载

第1章 绪论 1

1．1 多源遥感影像数据融合的目的和意义 1

1．2 多源遥感影像数据融合的研究现状 6

1．3 主要研究内容 7

第2章 多源遥感影像数据融合的理论基础 8

2．1 多源遥感影像数据融合的概念 8

2．1．1 概念 8

2．1．2 有关术语 10

2．2 多源遥感影像数据融合的层次、模型与结构 11

2．2．1 融合的形式 11

2．2．2 融合的层次 12

2．2．3 融合的一般模型 14

2．2．4 融合的结构类型 16

2．3 多源遥感影像数据融合方法分类 19

2．3．1 按哲学观点分类 19

2．3．2 按融合层次分类 21

2．3．3 按融合理论分类 22

2．4 本章小结 23

第3章 多源遥感影像像素级融合技术 25

3．1 多源遥感影像像素级融合技术概述 25

3．1．1 影像像素级融合的基本概念 26

3．1．2 融合影像数据的选择 26

3．1．3 影像像素级融合过程、特点及其应用 27

3．2 多源遥感影像的空间配准方法 28

3．2．1 基于数字地面模型的精纠正 28

3．2．2 多项式纠正 29

3．2．3 基于三角网（大面元）的纠正 30

3．2．4 小面元微分纠正 30

3．3 影像像素级融合方法及其特点 31

3．3．1 空间域融合法 32

3．3．2 变换域融合法 38

3．4 影像像素级融合影像质量评价 51

3．5 试验与分析 56

3．5．1 试验数据简介 56

3．5．2 试验结果分析 58

3．6 本章小结 74

第4章 基于Bayes理论的融合方法及其应用 77

4．1 Bayes统计理论 78

4．1．1 概率论要点 78

4．1．2 Bayes统计理论 79

4．2 基于Bayes理论的融合方法 83

4．3 基于Bayes融合法的多源遥感影像分类 84

4．3．1 成像模型 84

4．3．2 上下文关系模型 85

4．3．3 融合模型 87

4．4 试验与分析 89

4．5 本章小结 93

第5章 基于Dempster-Shafer理论的信息融合及其应用 95

5．1 Dempster-Shafer证据理论简介 96

5．1．1 Dempster-Shafer证据理论要点 96

5．1．2 Bayes理论与证据理论的比较 99

5．2 基于Dempster-Shafer的信息融合原理 101

5．3 基于Dempster-Shafer融合法的影像纹理分类 102

5．3．1 纹理特征提取 103

5．3．2 在影像纹理识别中的应用 110

5．4 试验与分析 112

5．5 本章小结 115

第6章 基于BP神经网络的多源遥感影像分类方法 117

6．1 概述 117

6．2 BP神经网络模型 119

6．2．1 神经元 120

6．2．2 感知器与最小均方学习算法 121

6．2．3 BP学习算法及其特点 124

6．2．4 标准BP学习算法的改进 127

6．3 基于BP神经网络的多源遥感影像分类方法 130

6．3．1 BP神经网络的构造与实现 130

6．3．2 基于模糊融合的多源遥感影像分类 132

6．3．3 基于改进BP神经网络的多源遥感影像融合分类 134

6．3．4 基于改进BP神经网络的多源遥感影像分类融合 135

6．4 试验与分析 136

6．5 本章小结 140

参考文献 141