当前位置:首页 > 工业技术
高分辨遥感影像学习与感知
高分辨遥感影像学习与感知

高分辨遥感影像学习与感知PDF电子书下载

工业技术

  • 电子书积分:11 积分如何计算积分?
  • 作 者:焦李成等著
  • 出 版 社:北京:科学出版社
  • 出版年份:2017
  • ISBN:9787030523877
  • 页数:300 页
图书介绍:高分辨遥感影像学习与感知是近年来遥感应用领域的研究热点,本书是作者所在团队10年来在该领域工作的积累。本书分析了高分辨率遥感影像处理的特点和面临的挑战,总结和归纳了国内外已有的研究工作,结合近些年机器学习和人工智能领域中的热点方法,如稀疏表示、深度学习、模糊聚类、多目标优化等,着重从高空间分辨率SAR遥感影像相干斑抑制、多时相SAR遥感影像变换检测、SAR地物目标分类和高光谱分辨率遥感影像混合像元分解、维数约简、地物目标分类等方面提供了新颖的解决思路和方法。本书侧重于新算法的描述与实例的分析,反映了近年来高分辨遥感影像学习与感知的最新发展概况,为该领域的深入研究提供借鉴。
上一篇:服装材料下一篇:香料包里的秘密
《高分辨遥感影像学习与感知》目录

第1章 绪论 1

1.1遥感与遥感影像概述 1

1.2高空间分辨率合成孔径雷达遥感影像处理 2

1.2.1 SAR遥感影像 2

1.2.2高分辨SAR遥感影像处理的国内外现状与挑战 5

1.3高光谱分辨率遥感影像处理 10

1.3.1高光谱遥感影像 11

1.3.2高光谱遥感影像处理的研究现状及难点 12

参考文献 17

第2章 基于统计的高分辨SAR遥感影像相干斑抑制 29

2.1 M arr的视觉计算理论 29

2.2基于视觉计算的初始素描模型 30

2.2.1初始素描模型 31

2.2.2基于视觉计算的初始素描图提取方法 32

2.3基于视觉计算的SAR图像素描模型 34

2.3.1 SAR图像素描模型 34

2.3.2基于视觉计算的SAR图像素描图提取方法 35

2.3.3 SAR图像素描图提取结果分析 39

2.4基于几何核函数和同质区域搜索的SAR图像相干斑抑制 45

2.4.1基于SAR图像素描图的块相似性计算方法 45

2.4.2基于几何核函数和同质区域搜索的方法 47

2.5实验结果与分析 48

2.5.1参数敏感性分析 48

2.5.2合成SAR图像与真实高分辨SAR图像相干斑抑制结果与分析 51

2.6本章小结 60

参考文献 61

第3章 基于非局部信息和改进边缘保持的高分辨SAR遥感影像分类 63

3.1引言 63

3.2模糊聚类算法研究进展 64

3.2.1标准的模糊c均值算法 64

3.2.2约束的模糊聚类算法 64

3.2.3增强的模糊聚类算法 65

3.2.4快速推广的模糊聚类算法 66

3.2.5模糊局部信息的聚类算法 67

3.2.6非局部空间信息的模糊聚类算法 67

3.3基于非局部信息和改进边缘保持的模糊聚类方法 68

3.3.1基于非局部信息和改进边缘保持的模糊聚类算法流程 68

3.3.2基于非局部信息的求和图像的构造 68

3.3.3基于统计的过平滑边缘的重新定位 70

3.3.4模糊c均值聚类 71

3.4实验结果与分析 71

3.5本章小结 79

参考文献 79

第4章 基于层次语义和自适应隐模型的高分辨SAR遥感影像分类 82

4.1引言 82

4.2 SAR图像的层次视觉语义模型 84

4.3基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割 88

4.3.1聚集区域的分割 88

4.3.2结构区域和匀质区域的分割 88

4.4实验结果和分析 92

4.4.1数据集 93

4.4.2合成SAR遥感影像的分割 94

4.4.3真实高分辨SAR遥感影像的分割 97

4.5本章小结 103

参考文献 103

第5章 融合多特征的人工免疫多目标SAR遥感影像分类 106

5.1引言 106

5.2多目标优化问题 107

5.2.1多目标优化问题的数学定义 107

5.2.2多目标优化问题研究的必要性 108

5.3进化多目标优化算法的研究进展 109

5.3.1进化多目标优化算法的研究起源 109

5.3.2进化多目标优化的代表算法 110

5.3.3第一代进化多目标优化算法 111

5.3.4第二代进化多目标优化算法 112

5.3.5当代进化多目标优化算法 114

5.4多目标SAR图像分割模型的定义 114

5.5融合互补特征的人工免疫多目标SAR图像分割算法 116

5.5.1 SAR图像中的互补融合特征 116

5.5.2 SAR图像的预处理 118

5.5.3融合互补特征的人工免疫多目标SAR图像分割算法流程 119

5.6实验结果与分析 120

5.7本章小结 131

参考文献 131

第6章 基于上下文分析和非均衡合并的高分辨SAR遥感影像分类 136

6.1引言 136

6.2基于格式塔规则的上下文分析 137

6.2.1超像素的产生 138

6.2.2上下文分析 138

6.2.3基于上下文的典型:马尔可夫随机场分割算法 140

6.2.4基于格式塔规则的上下文分析 143

6.3无监督非均衡合并算法 146

6.3.1粗合并阶段 147

6.3.2细合并阶段 148

6.3.3无监督非均衡合并算法特性分析 151

6.4实验结果与分析 152

6.4.1模拟SAR图像 153

6.4.2真实SAR图像 158

6.5本章小结 161

参考文献 161

第7章 基于多元互信息测度和克隆选择优化的高光谱波段选择 165

7.1引言 165

7.2高光谱波段选择研究进展 166

7.3基于三元互信息的准则函数 167

7.3.1基于互信息的准则 167

7.3.2互信息和理想互信息准则的相关性 169

7.3.3半监督互信息准则 171

7.4基于改进克隆选择算法的搜索策略 172

7.4.1种群初始化 172

7.4.2基于互信息和半监督互信息下的种群迭代 172

7.4.3基于多元互信息测度和克隆选择优化的算法流程 173

7.5实验结果与分析 174

7.6本章小结 185

参考文献 185

第8章 基于波段协作性和近邻传播聚类的半监督高光谱波段选择 188

8.1引言 188

8.2近邻传播聚类算法 189

8.3基于正则化三元互信息的近邻传播聚类方法 190

8.3.1基于正则化三元互信息和正则化互信息的波段相关性 191

8.3.2基于熵和互信息的波段偏向 194

8.3.3自动噪声波段移除 194

8.3.4 RNTMIAP算法步骤 195

8.3.5 RNTMIAP算法时间复杂度分析 195

8.4实验结果与分析 196

8.4.1高光谱图像地物分类结果与分析 196

8.4.2所选波段分析 203

8.5本章小结 206

参考文献 206

第9章 稀疏约束的广义双线性高光谱遥感影像解混 208

9.1高光谱中的解混问题 208

9.1.1大气校正 208

9.1.2降维 209

9.1.3解混 210

9.2高光谱解混模型 210

9.2.1线性光谱混合模型 210

9.2.2非线性光谱混合模型 212

9.3广义双线性模型 213

9.4稀疏约束的半非负矩阵分解 214

9.4.1稀疏约束 214

9.4.2 L12正则化半非负矩阵分解 214

9.4.3多步内循环迭代 217

9.5实验结果与分析 218

9.6本章小结 221

参考文献 221

第10章 基于多核学习的不平衡高光谱遥感影像分类 223

10.1引言 223

10.2核学习 223

10.3多核学习的发展历史及研究现状 224

10.3.1半定规划求解多核学习 225

10.3.2二阶锥形规划求解多核学习 225

10.3.3基于切平面的交替优化求解多核学习 226

10.3.4基于梯度下降的交替优化求解多核学习 227

10.3.5基于解析优化的交替优化求解多核学习 228

10.4传统分类器与经典的不平衡分类器 228

10.4.1传统分类器与不平衡数据 228

10.4.2经典的不平衡分类器 229

10.5基于多核学习的不平衡分类器 232

10.5.1最大margin准则 232

10.5.2最大margin的分类器集成 233

10.5.3基于多核学习的最大margin分类器求解 234

10.6实验结果与分析 235

10.7本章小结 239

参考文献 240

第11章 基于均值漂移和组稀疏编码的高光谱遥感影像空谱域分类 242

11.1稀疏表示理论 242

11.2组稀疏编码 243

11.2.1组编码 243

11.2.2组稀疏编码的字典学习 244

11.2.3组稀疏编码算法与传统的稀疏编码算法的比较 245

11.3基于组稀疏编码的高光谱图像分类及结果分析 245

11.4基于均值漂移和组稀疏编码的高光谱图像空谱域分类 252

11.4.1高光谱图像分割 252

11.4.2均值漂移聚类 253

11.4.3基于均值漂移聚类和组稀疏编码的高光谱图像空谱域分类 254

11.5实验结果与分析 255

11.6本章小结 260

参考文献 260

第12章 基于多特征联合与稀疏表示学习的高光谱遥感影像分类 263

12.1引言 263

12.2空谱域多特征提取 265

12.3基于多特征联合的稀疏表示分类方法 268

12.3.1基于多特征的稀疏表示分类 268

12.3.2基于多特征的联合稀疏表示分类 269

12.4实验结果与分析 270

12.5本章小结 276

参考文献 276

第13章 基于类级稀疏表示学习的高光谱影像空谱联合分类 278

13.1集成学习理论基础 278

13.1.1集成学习的定义和系统结构 278

13.1.2集成学习的应用 281

13.2基于稀疏集成学习的空谱联合分类方法 281

13.2.1稀疏集成分类方法 282

13.2.2空谱联合的稀疏集成分类方法 283

13.2.3交替方向乘子法 285

13.3实验结果与分析 287

13.4本章小结 297

参考文献 298

相关图书
作者其它书籍
返回顶部