当前位置:首页 > 经济
多光谱遥感图像土地利用分类方法
多光谱遥感图像土地利用分类方法

多光谱遥感图像土地利用分类方法PDF电子书下载

经济

  • 电子书积分:10 积分如何计算积分?
  • 作 者:林剑等编著
  • 出 版 社:长沙:中南大学出版社
  • 出版年份:2011
  • ISBN:9787548702276
  • 页数:215 页
图书介绍:本书主要内容包括:多光谱遥感图像土地利用类别分析方法及其图像特征;FasART神经网络多光谱特征分类方法;纹理特征分开扩张分类方法;光谱特征与纹理特征基于模糊积分融合分类方法;区域多中心分类方法;遥感图像分类方法用于城市变化检测等。
《多光谱遥感图像土地利用分类方法》目录

第1章 绪论 1

1.1 土地利用 1

1.2 资源卫星及其多光谱遥感图像 2

1.3 模式识别技术概述 5

1.3.1 基本模型 6

1.3.2 特征归一化、提取与选择 6

1.3.3 分类器选择的原则 7

1.3.4 分类器融合 9

1.4 遥感图像分类国内外研究现状 11

1.4.1 分类特征的提取 11

1.4.2 分类器的选择 13

第2章 遥感图像土地利用类别的多光谱特征 16

2.1 随机变量(矢量)的基本理论 16

2.1.1 特征矢量和特征空间 16

2.1.2 随机矢量的描述 17

2.1.3 正态分布 20

2.2 聚类分析基础 21

2.2.1 模式相似性测度 22

2.2.2 类的定义与类间距离 24

2.2.3 聚类的准则函数 25

2.2.4 最大最小聚类法 28

2.3 遥感图像多光谱特征空间距离分析方法 29

2.3.1 空间距离分布 29

2.3.2 类内、类间距分析 31

2.3.3 土地利用多光谱特征 32

2.3.4 土地利用类别类内、类间距分析 39

2.4 本章小结 39

第3章 模糊自适应神经网络(FasART)分类方法 41

3.1 改进的C-均值法和最大似然法 41

3.1.1 改进的C-均值法 41

3.1.2 最大似然法 44

3.2 模糊数学基础 45

3.2.1 模糊集合 45

3.2.2 模糊关系 47

3.2.3 模糊推理 49

3.2.2 模糊语言 51

3.3 ART模型及模糊ARTMAP神经网络 53

3.3.1 ART模型原理及模糊ART网络 54

3.3.2 模糊ARTMAP 56

3.4 FasART神经网络及其简化 58

3.4.1 新型的模糊神经网络模型FasART 58

3.4.2 FasART模型的简化及其算法 61

3.5 最大似然法和FasART网络的土地利用分类 62

3.5.1 最大似然法分类 62

3.5.2 FasART网络分类 63

3.6 本章小结 66

第4章 基于纹理特征的分类 67

4.1 纹理特征的提取 67

4.1.1 常见的纹理特征提取方法 67

4.1.2 模糊纹理分析 69

4.1.3 多光谱遥感图像的模糊纹理分析及算法的改进 70

4.1.4 纹理特征参数 73

4.2 多光谱遥感图像纹理特征的不规则性 74

4.2.1 同一类别不同大小的测量区域的模糊纹理光谱特性 74

4.2.2 不同类别不同测量区域的模糊纹理光谱特性 75

4.2.3 同一类别不同波段的模糊纹理光谱特性 76

4.3 基于纹理特征的分割 77

4.3.1 分开-合并与多分辨率图像锥图像分割法 77

4.3.2 分开-扩张方法 82

4.4 实验 86

4.4.1 多分辨率图像锥与分开-扩张分割 86

4.4.2 分开-合并与分开-扩张分割 87

4.5 本章小结 89

第5章 模糊积分融合纹理特征与光谱特征分类 91

5.1 数据融合的基本概念和融合方法 91

5.1.1 数据融合的基本概念 91

5.1.2 数据融合方法 93

5.2 基于D-S理论的决策层融合 96

5.2.1 D-S理论简介 96

5.2.2 基于D-S理论的融合 97

5.3 基于模糊积分的决策层融合 98

5.3.1 模糊测度和模糊积分 98

5.3.2 模糊积分的融合模型 102

5.3.3 维数差异对融合影响分析 103

5.3.4 特征维数调整 104

5.3.5 实验 105

5.4 本章小结 108

第6章 基于区域多中心的多光谱遥感图像土地利用分类 109

6.1 区域多中心分类方法 110

6.1.1 类别模式的表征 110

6.1.2 分类方法及初步分析 111

6.1.3 方法流程及步骤 112

6.2 类别模式的选择 113

6.2.1 训练样品的选取原则 113

6.2.2 模式中心数量的确定 114

6.3 区域像元类别百分比和模式中心数门限值的确定 115

6.3.1 不同训练样品的区域像元类别百分比和类别模式中心数 116

6.3.2 区域单元大小不同的区域像元类别百分比和类别模式中心数 117

6.4 实验 118

6.4.1 不同百分比和模式中心数的分类 118

6.4.2 不同训练样品及模式中心数的分类 119

6.4.3 单一类别的提取 121

6.5 本章小结 122

第7章 遥感图像分类方法在城市扩展变化检测中的应用 124

7.1 遥感图像城市扩展变化检测概述 124

7.1.1 变化检测的基本概念 124

7.1.2 常用的变化检测方法 125

7.1.3 城市扩展变化检测存在的问题 128

7.2 先比较后分类变化检测方法 129

7.2.1 分类后比较方法 129

7.2.2 先比较后分类方法 130

7.3 遥感图像变化检测在长株潭遥感监测系统中的应用 132

7.3.1 系统结构及主要功能 132

7.3.2 遥感图像分类后数据 137

7.3.3 长株潭城市扩展变化检测 140

7.4 基于遥感监测系统的长株潭城市扩展分析 143

7.4.1 城市空间扩展特征 143

7.4.2 空间扩展的因素 144

7.4.3 空间扩展的问题 145

7.4.4 空间扩展的趋势及发展战略 145

7.5 本章小结 146

附录A 用C++实现FasART网络 147

附录B 用C++实现分开-扩张算法 164

附录C 用C++实现区域多中心分类方法 181

参考文献 206

返回顶部