图书介绍
高光谱遥感影像分类与支持向量机应用研究PDF|Epub|txt|kindle电子书版本网盘下载
- 杜培军，谭琨，夏俊士编著 著
- 出版社： 北京：科学出版社
- ISBN：9787030330857
- 出版时间：2012
- 标注页数：168页
- 文件大小：35MB
- 文件页数：180页
- 主题词：光谱分辨率－光学遥感－遥感图象－图象处理－研究
PDF下载
下载说明
高光谱遥感影像分类与支持向量机应用研究PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 高光谱遥感概述1
1.1高光谱遥感的基本概念2
1.1.1高光谱遥感的定义2
1.1.2高光谱遥感的发展现状5
1.2高光谱遥感影像处理8
1.2.1高光谱遥感影像的构成与特点8
1.2.2高光谱遥感数据处理的特点10
1.2.3高光谱遥感影像处理的主要内容10
1.3高光谱遥感影像分类12
1.3.1高光谱遥感影像分类的基本概念和原理12
1.3.2高光谱遥感影像分类的主要策略15
1.3.3高光谱遥感影像分类中的若干关键技术19
1.3.4高光谱遥感影像分类的技术流程21
1.4本书试验数据23
1.4.1 OMIS Ⅱ高光谱数据24
1.4.2 ROSIS高光谱数据24
1.4.3 AVIRIS数据24
1.4.4 Hyperion高光谱数据25
第2章 高光谱遥感影像常用分类方法26
2.1常规监督分类方法27
2.1.1最小距离分类法27
2.1.2最大似然分类法28
2.1.3平行多面体分类28
2.2基于光谱相似性度量的分类方法29
2.2.1光谱角制图29
2.2.2光谱信息散度30
2.2.3光谱相关度量30
2.2.4其他光谱匹配方法31
2.3人工神经网络分类器31
2.3.1人工神经网络概述31
2.3.2 BPNN的应用35
2.3.3基于RBF神经网络的高光谱遥感影像分类36
2.3.4基于ARTMAP神经网络的高光谱遥感影像分类38
2.3.5其他人工神经网络的应用40
2.3.6基于人工神经网络的高光谱遥感影像分类实例41
2.4决策树分类器43
2.4.1决策树分类的基本原理43
2.4.2决策树的构建44
2.4.3实例分析45
2.5面向对象分类47
2.5.1面向对象高光谱遥感分类基本步骤47
2.5.2面向对象高光谱遥感分类的关键问题48
2.5.3面向对象高光谱遥感分类实例49
2.6基于信息融合的高光谱遥感影像分类51
2.6.1以分类为应用目标的高光谱遥感信息融合51
2.6.2基于像素级融合的高光谱遥感影像分类51
2.6.3基于特征级融合的高光谱遥感影像分类53
2.6.4基于决策级融合的高光谱遥感影像分类54
2.6.5基于数据层信息融合的高光谱遥感影像分类实例54
2.6.6基于决策级融合的高光谱遥感影像分类实例56
2.7非监督分类58
2.7.1基本概念58
2.7.2 K-均值聚类法59
2.7.3 ISODATA分类法59
2.7.4用于高光谱遥感影像的SAALT聚类算法60
第3章 高光谱遥感影像降维与特征提取61
3.1基于波段选择的降维61
3.2基于特征提取的降维63
3.2.1代数运算法63
3.2.2光谱导数法64
3.2.3主成分分析65
3.2.4线性判别分析65
3.2.5独立成分分析66
3.2.6最大噪声分离66
3.2.7投影寻踪66
3.2.8正交子空间投影68
3.2.9核线性判别分析69
3.2.10核主成分分析70
3.2.11多维尺度变换71
3.3流形学习——一种新的非线性降维方法72
3.3.1等距映射72
3.3.2局部线性嵌入74
3.3.3拉普拉斯映射75
3.3.4局部切空间排列76
3.3.5实例分析77
3.4纹理特征提取80
3.4.1统计方法80
3.4.2结构方法83
3.4.3基于模型的方法83
3.4.4频域变换法87
第4章 基于支持向量机的高光谱遥感影像分类89
4.1支持向量机的基本原理89
4.2影响支持向量机分类器性能的因素92
4.2.1多类分类器92
4.2.2核函数和核参数选择92
4.3 SVM分类的试验与分析93
4.3.1 OMISⅡ高光谱数据的试验93
4.3.2 ROSIS高光谱数据的试验96
第5章 支持向量机核函数设计与优化98
5.1再生核Hilbert空间的小波核函数98
5.1.1支持向量机基本核函数98
5.1.2规则化和再生核Hilbert空间的小波核函数支持向量机99
5.2试验结果与分析100
5.2.1 OMISⅡ高光谱数据的试验100
5.2.2 ROSIS数据试验102
5.3本章小结104
第6章 多类支持向量机的设计和实现105
6.1常用多类支持向量机算法105
6.1.1一类对余类SVM（1-A-R SVM）105
6.1.2一类对一类SVM（1-A-1 SVM）106
6.1.3有向无环图SVM106
6.1.4二叉树SVM107
6.1.5多类SVM的分类速度109
6.2基于J-M距离的层次多类支持向量机实现109
6.3试验结果111
6.3.1 OMISⅡ高光谱影像试验111
6.3.2 Hyperion数据试验114
6.3.3 AVIRIS数据试验115
第7章 支持向量机分类器中多种特征的综合应用116
7.1多核支持向量机（Multiple Kernel SVM）116
7.2光谱特征与小波纹理特征的综合应用118
7.3小波纹理的提取与分类120
7.4光谱特征和结构特征的综合应用122
7.5试验结果与分析124
7.5.1组合光谱特征和小波纹理特征的高光谱数据试验124
7.5.2组合光谱特征和数学形态学结构的高光谱数据试验128
第8章 混合像元分解130
8.1端元选择131
8.1.1端元类型与数目131
8.1.2端元选择算法132
8.2混合像元分解模型139
8.2.1线性光谱混合模型139
8.2.2非线性混合模型140
8.2.3神经网络混合模型141
8.2.4支持向量机143
8.2.5基于光谱差异的分解模型143
8.3混合像元分解实例144
参考文献148