第1章 绪论 1
1.1 高分辨率遥感影像概况 1
1.1.1 高空间分辨率遥感卫星的发展与现状 1
1.1.2 高分辨率遥感影像的特点 2
1.2 高分辨率遥感影像的处理方法 3
1.2.1 像素空间特征提取 3
1.2.2 面向对象的特征提取 3
1.2.3 影像分类 4
1.3 高分辨率遥感影像的应用 4
1.3.1 城市地物分类 4
1.3.2 场景识别 5
1.3.3 变化检测 5
参考文献 6
第2章 高分辨率影像特征提取：像元形状指数 10
2.1 PSI 10
2.1.1 像元形状指数的计算 10
2.1.2 基于支持向量机的光谱-形状特征融合 13
2.1.3 PSI与GLCM的比较 14
2.1.4 实验与分析 14
2.2 SFS 19
2.2.1 结构特征提取 20
2.2.2 自适应特征选择与维数减少 21
2.2.3 非参数化分类器 25
2.2.4 实验与分析 25
2.3 PSI的应用 33
2.4 小结与展望 34
参考文献 35
第3章 高分辨率影像特征提取：纹理 37
3.1 小波变换 37
3.1.1 基于小波的纹理特征提取 37
3.1.2 实验与分析 42
3.2 NSCT 45
3.2.1 基于NSCT的纹理特征提取算法 47
3.2.2 实验与分析 48
3.3 小结 52
参考文献 52
第4章 高分辨率影像特征提取：形态谱 54
4.1 数学形态谱基本介绍 54
4.1.1 形态学基本操作 54
4.1.2 数学形态谱 56
4.1.3 差分形态学谱 57
4.2 广义差分形态谱 59
4.2.1 基于完全重构的GDMP 59
4.2.2 基于偏重构的GDMP 64
4.2.3 特征分析 65
4.3 多成分形态谱 66
4.3.1 基影像构建 67
4.3.2 多成分形态谱 76
4.4 小结与展望 79
参考文献 80
第5章 面向对象影像分析 81
5.1 面向对象分析方法 81
5.1.1 面向对象分析思想 81
5.1.2 分形网络进化算法 82
5.2 基于均值漂移的特征空间分析 84
5.2.1 概率密度估计与均值漂移 84
5.2.2 基于均值漂移的对象提取与分类模型 86
5.2.3 自适应均值漂移模型的带宽选择 89
5.3 实验分析 91
5.3.1 华盛顿HYDICE航空影像实验 92
5.3.2 普渡大学HYMAP航空影像实验 101
5.4 小结与展望 104
参考文献 105
第6章 高分辨率影像特征提取：形态学房屋指数 108
6.1 形态学房屋指数 109
6.2 形态学阴影指数 112
6.3 增强房屋指数 113
6.4 MBI的应用 115
6.4.1 房屋提取 115
6.4.2 变化检测 115
6.4.3 影像分类 116
6.4.4 城市环境 116
6.5 小结与展望 117
参考文献 117
第7章 高分辨率遥感影像机器学习与分类 121
7.1 SVM集成学习 121
7.1.1 光谱-空间多特征提取 122
7.1.2 多特征SVM集成 122
7.1.3 实验与分析 125
7.2 支持张量机 132
7.2.1 多类支持张量机分类器 132
7.2.2 融合多维主成分分析的支持张量机遥感影像分类框架 136
7.2.3 实验与分析 138
7.3 再学习 145
7.3.1 基于类别共生关系的再学习分类后处理 145
7.3.2 基于类别直方图的再学习分类后处理 147
7.3.3 实验与分析 148
7.4 自动样本选择 165
7.4.1 城市要素样本集自动提取 165
7.4.2 城市要素样本集优选 169
7.4.3 实验与分析 171
7.5 小结与展望 185
参考文献 188
第8章 高分辨率遥感应用 192
8.1 高分辨率城市变化检测 192
8.1.1 自动化热点变化监测 193
8.1.2 多级变化监测框架 194
8.2 城市场景提取：以城中村为例 201
8.2.1 基于语义场景表示的城中村提取方法 202
8.2.2 实验与分析 205
8.3 房屋变化检测 209
8.3.1 基于MBI的房屋变化检测 210
8.3.2 基于BCI的房屋变化检测 212
8.3.3 容错的房屋变化检测 214
8.3.4 实验与分析 217
8.4 水体提取与变化分析 223
8.4.1 高分辨率遥感影像城市水体提取与识别 223
8.4.2 长江中下游湖泊演化和驱动因素定量化分析 228
8.5 小结与展望 233
参考文献 233
附录 MATLAB代码 238