遥感数字图像分析导论 第5版PDF电子书下载

第1章 遥感图像数据来源及特性 1

1.1 能量来源及波长范围 1

1.2 原始数据特性 3

1.3 遥感平台 4

1.4 地球表面的哪些特性能够测量 8

1.5 通常的空间数据源与地理信息系统 13

1.6 数字图像数据的尺度 15

1.7 数字地球 16

1.8 本书的结构安排 17

1.9 关于遥感图像数据来源及特性的参考文献 18

1.10 习题 19

第2章 校正与配准图像 22

2.1 引言 22

2.2 辐射失真源 22

2.3 仪器误差 23

2.4 太阳辐射曲线和大气对辐射测量的影响 25

2.5 补偿太阳辐射曲线 26

2.6 大气的影响 26

2.7 大气对遥感图像的影响 29

2.8 校正宽波段系统的大气影响 30

2.9 校正窄波段系统的大气影响 31

2.10 经验的、数据驱动的大气校正方法 35

2.11 几何失真源 37

2.12 地球自转的影响 38

2.13 平台高度、姿态和速度变化的影响 39

2.14 传感器视场的影响：全景失真 40

2.15 地球曲率的影响 41

2.16 仪器特性造成的几何失真 42

2.17 几何失真校正 43

2.18 利用映射函数进行图像校正 44

2.19 几何失真的数学表示及校正 50

2.20 图像到图像的配准 52

2.21 其他图像几何操作 55

2.22 关于校正和配准图像的参考文献 55

2.23 习题 56

第3章 解译图像 61

3.1 引言 61

3.2 图像解译 61

3.3 定量化分析：从数据到标签 64

3.4 定量化分析和像片解译的对比 64

3.5 定量化分析的基础 65

3.6 子类和光谱类 70

3.7 非监督分类 71

3.8 关于解译图像的参考文献 72

3.9 习题 72

第4章 图像的辐射增强 74

4.1 引言 74

4.2 图像直方图 74

4.3 对比度修正 75

4.4 直方图均衡 79

4.5 直方图匹配 84

4.6 密度分割 87

4.7 关于图像辐射增强的参考文献 89

4.8 习题 90

第5章 几何处理与增强：图像域技术 93

5.1 引言 93

5.2 图像滤波的邻域操作 93

5.3 图像平滑 95

5.4 锐化和边缘检测 98

5.5 边缘检测 103

5.6 线检测和点检测 103

5.7 细化和连接 103

5.8 作为卷积运算的几何处理 104

5.9 图像域技术和傅里叶变换方法的比较 106

5.10 图像的几何特性 107

5.11 形态学分析 110

5.12 形状识别 114

5.13 关于图像域技术的几何增强的参考文献 115

5.14 习题 115

第6章 图像光谱域变换 117

6.1 引言 117

6.2 图像算术和植被指数 117

6.3 主成分变换 119

6.4 噪声调整的主成分变换 135

6.5 Kauth-Thomas缨帽变换 137

6.6 核主成分分析 139

6.7 HSI图像显示 142

6.8 全色锐化 143

6.9 关于光谱域图像变换的参考文献 143

6.10 习题 145

第7章 图像的空间域变换 147

7.1 引言 147

7.2 特殊函数 147

7.3 傅里叶级数 150

7.4 傅里叶变换 152

7.5 离散傅里叶变换 153

7.6 卷积 156

7.7 采样定理 158

7.8 图像的离散傅里叶变换 160

7.9 利用傅里叶变换对图像进行处理 162

7.10 二维卷积 164

7.11 其他傅里叶变换 164

7.12 频谱泄漏和窗函数 165

7.13 小波变换 166

7.14 图像的小波变换 175

7.15 小波变换在遥感图像分析中的应用 176

7.16 关于空间域图像变换的参考文献 176

7.17 习题 177

第8章 监督分类技术 179

8.1 引言 179

8.2 监督分类的基本步骤 179

8.3 最大似然分类 181

8.4 高斯混合模型 188

8.5 最小距离分类器 192

8.6 平行六面体分类器 195

8.7 马氏距离分类器 196

8.8 非参数分类 196

8.9 查表分类 197

8.10 k近邻分类器 197

8.11 光谱角制图 198

8.12 非参数分类——几何方法 198

8.13 训练线性分类器 199

8.14 支持向量机：线性可分类别 199

8.15 支持向量机：类别重叠情况 203

8.16 支持向量机：线性不可分数据和核函数 205

8.17 用两类分类器进行多类别分类 207

8.18 分类器委员会 208

8.19 网络分类器：神经网络 210

8.20 基于上下文的分类 218

8.21 关于监督分类技术的参考文献 226

8.22 习题 229

第9章 聚类与非监督分类 231

9.1 聚类的应用 231

9.2 相似性度量与聚类准则 231

9.3 k均值聚类 233

9.4 Isodata聚类 234

9.5 初始聚类中心的选择 235

9.6 k均值和Isodata的聚类代价 235

9.7 非监督分类 236

9.8 一个关于k均值算法聚类的例子 236

9.9 单通聚类技术 238

9.10 分层聚类 240

9.11 其他聚类指标 241

9.12 其他聚类技术 242

9.13 聚类空间分类 242

9.14 关于聚类与非监督分类的参考文献 245

9.15 习题 246

第10章 特征减少 248

10.1 特征减少的必要性 248

10.2 处理高维数据的一些注意事项 248

10.3 可分性度量 249

10.4 离散度 250

10.5 Jeffries-Matusita距离 252

10.6 变换离散度 254

10.7 用于最小距离分类的可分性度量 255

10.8 通过光谱变换进行特征减少 255

10.9 协方差矩阵块对角化 267

10.10 通过正则化提高协方差估计 271

10.11 关于特征减少的参考文献 272

10.12 习题 272

第11章 图像分类实践 275

11.1 引言 275

11.2 分类概述 275

11.3 采用最大似然规则的监督分类 277

11.4 混合的监督／非监督方法 280

11.5 聚类空间分类 284

11.6 采用支持向量机的监督分类 284

11.7 评价分类精度 286

11.8 决策树分类器 299

11.9 通过光谱学和光谱库搜索的图像解译 306

11.10 端元与解混 307

11.11 是否存在最好的分类器 308

11.12 关于图像分类实践的参考文献 312

11.13 习题 314

第12章 多源图像分析 316

12.1 引言 316

12.2 堆栈向量分析 317

12.3 统计多源方法 317

12.4 证据理论 321

12.5 基于知识的图像分析 324

12.6 可操作的多源分析 331

12.7 关于多源图像分析的参考文献 333

12.8 习题 335

附录A 卫星高度和周期 337

附录B 十进制数的二进制表示 339

附录C 向量和矩阵代数中的基本结果 340

附录D 概率与统计的一些基础知识 347

附录E 最大似然决策准则惩罚函数的推导 350