遥感图像智能分类及其应用PDF电子书下载

第1章 绪论 1

1.1遥感技术概述 1

1.1.1相关概念 1

1.1.2遥感技术的发展与应用 3

1.1.3遥感图像分类的意义 4

1.2遥感图像分类主要数据源 5

1.2.1中低分辨率卫星数据 6

1.2.2高分辨率卫星数据 8

1.2.3高光谱卫星数据 10

1.2.4雷达卫星数据 11

1.3遥感图像分类使用的主要特征 12

1.3.1光谱特征 12

1.3.2纹理特征 14

1.3.3空间形状特征 18

1.3.4高程特征 19

1.4遥感图像分类现状及存在的问题 20

1.4.1基于像元的分类 21

1.4.2混合像元的分解 22

1.4.3面向对象的分类 25

1.4.4遥感图像分类所存在的问题 27

1.5遥感图像智能分类研究思路与本书结构安排 28

1.6本章总结 31

参考文献 32

第2章 遥感图像分类基础与传统分类方法 39

2.1遥感图像分类概述 39

2.2特征变换 41

2.2.1主分量变换 41

2.2.2最小噪声分离变换 44

2.3最大似然监督分类 46

2.3.1监督分类的基本过程 46

2.3.2最大似然监督分类算法 47

2.3.3训练样本的选取与纯化 51

2.4 ISODATA非监督分类 55

2.5分类精度评价 58

2.6本章总结 63

参考文献 64

第3章 基于神经网络的遥感图像分类 68

3.1人工神经网络遥感分类概述 68

3.2 BP神经网络遥感影像分类 70

3.2.1 BP网络基本理论 71

3.2.2基于遗传算法优化的网络学习算法 73

3.2.3 BP神经网络遥感分类模型 74

3.2.4实验与精度评价 77

3.2.5小结 81

3.3 RBF神经网络遥感影像分类 82

3.3.1 RBF网络基本理论 83

3.3.2网络结构简化与RBF中心优化 85

3.3.3实验与精度评价 87

3.3.4小结 90

3.4自组织神经网络遥感影像分类 90

3.4.1 Kohonen神经网络基础 91

3.4.2基于Kohonen网络的遥感监督分类模型 93

3.4.3实验与精度评价 97

3.5自适应共振神经网络遥感影像分类 100

3.5.1 ART 1神经网络学习过程 102

3.5.2 ART 1神经网络的具体算法 105

3.5.3自适应共振网络在高光谱中的应用 106

3.5.4实验与精度评价 110

3.6本章总结 115

参考文献 117

第4章 基于支持向量机的遥感图像分类 122

4.1支持向量机发展概述 122

4.2统计学习理论和支持向量机 123

4.2.1统计学习理论 124

4.2.2支持向量机 130

4.2.3改进核函数及高光谱图像分类仿真实验 137

4.2.4小结 142

4.3最小二乘支持向量机高光谱图像分类 142

4.3.1 LS-SVM的原理 143

4.3.2 LS-SVM的训练样本选择以及模型参数选择 146

4.3.3双边加权LS-SVM 147

4.3.4仿真实验 150

4.3.5小结 154

4.4多类支持向量机图像分类 155

4.4.1多类支持向量机 155

4.4.2各种多类SVM的性能对比 161

4.4.3仿真实验 165

4.4.4小结 167

4.5基于模糊SVM的高光谱图像分类 168

4.5.1多类支持向量机存在的局限性 169

4.5.2模糊集的基本概念 170

4.5.3基于1-V-1 SVM的模糊支持向量机 171

4.5.4仿真实验 173

4.5.5小结 175

4.6本章总结 175

参考文献 178

第5章 面向对象的遥感图像分类 182

5.1面向对象的遥感图像分类概述 182

5.2多尺度影像分割 185

5.2.1基于区域的影像分割 185

5.2.2多尺度影像分割 187

5.3模糊分类 193

5.3.1模糊理论基础 193

5.3.2基于多特征的模糊分类模型 196

5.4实例研究 198

5.4.1数据源概况 198

5.4.2基于像元的最大似然分类 198

5.4.3面向对象分类 200

5.4.4二者分类度比较与分析 208

5.5本章总结 210

参考文献 211

第6章 遥感图像混合像元分解 216

6.1混合像元分解概述 216

6.2混合像元分解模型 220

6.2.1光谱混合的成像机理 220

6.2.2概念的提出 221

6.2.3光谱混合模型 222

6.3线性模型及其混合像元分解 227

6.3.1线性光谱混合模型 228

6.3.2端元组分确定 235

6.3.3端元提取算法 237

6.3.4实例研究 242

6.3.5小结 250

6.4基于数学形态学的端元提取算法 251

6.4.1数学形态学概述 252

6.4.2数学形态学的基本原理与运算 253

6.4.3基于数学形态学的端元提取 256

6.4.4不同方法分解结果比较 264

6.4.5小结 266

6.5本章总结 267

参考文献 271