1 高光谱遥感影像分类概述 1
1.1 高光谱遥感影像 1
1.2 高光谱遥感影像分类概述 5
1.3 遥感影像分类研究现状 9
1.4 遥感影像分类存在的问题 10
1.5 本书试验数据 13
2 遥感影像分类中的机器学习方法 19
2.1 机器学习分类方法 20
2.2 最小距离分类法 22
2.3 最大似然分类法 23
2.4 人工神经网络分类法 24
2.5 决策树分类法 29
2.6 K-均值算法 31
2.7 迭代自组织数据分析法 32
2.8 实验结果与分析 34
2.9 本章小结 36
3 统计学习理论与支持向量机 40
3.1 统计学习理论 40
3.2 最优化理论 45
3.3 支持向量机 49
3.4 实验结果与分析 61
3.5 本章小结 62
4 高光谱遥感影像的降维方法 68
4.1 高光谱遥感影像降维现状 68
4.2 特征选择与特征提取 70
4.3 遗传算法 80
4.4 主成分分析与核主成分分析 84
4.5 线性判别分析与核线性判别分析 89
4.6 投影寻踪法 95
4.7 流形学习 98
4.8 纹理特征提取 103
4.9 实验结果与分析 105
4.10 本章小结 114
5 基于BPSO的高光谱影像特征选择与分类 117
5.1 粒子群优化算法 117
5.2 粒子群优化算法在高光谱分类中的应用 121
5.3 实验结果与分析 125
5.4 本章小结 135
6 基于Kullback-Leibler的多核集成分类 137
6.1 引言 137
6.2 集成机器学习 139
6.3 基于Kullback-Leibler核函数的多核集成框架 144
6.4 实验结果与分析 147
6.5 参数分析 155
6.6 本章小结 157
7 基于改进最优指数的特征选择与分类 165
7.1 引言 165
7.2 支持向量机参数优化方法 166
7.3 基于最优指数的多核集成框架 167
7.4 实验结果与分析 169
7.5 本章小结 178
8 基于互信息混合测度的特征选择与分类 181
8.1 引言 181
8.2 两阶段波段选择与多核集成框架 182
8.3 实验结果与分析 186
8.4 本章小结 193