高光谱遥感影像分类与支持向量机应用研究

服务商城	客服电话	配送服务	优惠价	购买
	400-711-6699	满29至69元，免运费！	¥36

高光谱遥感是当前遥感科学与技术发展的热点领域之一，而高光谱遥感影像分类则是高光谱遥感影像处理最重要的任务。杜培军、谭琨、夏俊士编著的《高光谱遥感影像分类与支持向量机应用研究》在介绍高光谱遥感影像分类基础知识和常用方法的基础上，重点对基于支持向量机的高光谱遥感影像分类进行深入探讨。全书首先介绍高光谱遥感影像常用的分类器，详细探讨高光谱遥感影像分类中的降维处理与特征提取方法，包括主成分分析、独立成分分析、最大噪声分离等降维方法以及常用特征选择算法、光谱和纹理特征提取方法等；通过介绍支持向量机的基本原理及其用于高光谱遥感影像分类的策略，重点研究支持向量机核函数设计方法，构建一种再生核Hilben空间的小波核函数用于高光谱遥感影像分类；针对多类问题的特点，在比较分析各种多类支持向量机实现方案的基础上，提出一种基于JM距离的二叉树多类支持向量机；最后探讨支持向量机分类器中多种特征的综合应用，重点研究基于多核支持向量机组合光谱和空间纹理特征的支持向量机分类方法。
《高光谱遥感影像分类与支持向量机应用研究》可供高等学校和科研机构从事高光谱遥感、遥感信息工程方向研究的教师、研究生和高年级本科生参考，同时也可供从事高光谱遥感应用工作的专业人员参考。

序
前言
第1章　高光谱遥感概述
　1.1　高光谱遥感的基本概念
　1.1.1　高光谱遥感的定义
　1.1.2　高光谱遥感的发展现状
　1.2　高光谱遥感影像处理
　1.2.1　高光谱遥感影像的构成与特点
　1.2.2　高光谱遥感数据处理的特点
　1.2.3　高光谱遥感影像处理的主要内容
　1.3　高光谱遥感影像分类
　1.3.1　高光谱遥感影像分类的基本概念和原理
　1.3　2　高光谱遥感影像分类的主要策略
　1.3.3　高光谱遥感影像分类中的若干关键技术
　1.3.4　高光谱遥感影像分类的技术流程
　1.4　本书试验数据
　1.4.1　OMISⅡ高光谱数据
　1.4.2　ROSIS高光谱数据
　1.4.3　AVIRIS数据
　1.4.4　Hyperion高光谱数据
第2章　高光谱遥感影像常用分类方法
　2.1　常规监督分类方法
　2.1.1　最小距离分类法
　2.1.2　最大似然分类法
　2.1.3　平行多面体分类
　2.2　基于光谱相似性度量的分类方法
　2.2.1　光谱角制图
　2.2.2　光谱信息散度
　2.2.3　光谱相关度量
　2.2.4　其他光谱匹配方法
　2.3　人工神经网络分类器
　2.3.1　人工神经网络概述
　2.3.2　BPNN的应用
　2.3.3　基于RBF神经网络的高光谱遥感影像分类
　2.3.4　基于ARTMAP神经网络的高光谱遥感影像分类
　2.3.5　其他人工神经网络的应用
　2.3.6　基于人工神经网络的高光谱遥感影像分类实例
　2.4　决策树分类器
　2.4.1　决策树分类的基本原理
　2.4.2　决策树的构建
　2.4.3　实例分析
　2.5　面向对象分类
　2.5.1　面向时象高光谱遥感分类基本步骤
　2.5.2　面向对象高光谱遥感分类的关键问题
　2.5.3　面向对象高光谱遥感分类实例
　2.6　基于信息融合的高光谱遥感影像分类
　2.6.1　以分类为应用目标的高光谱遥感信息融合
　2.6.2　基于像素级融合的高光谱遥感影像分类
　2.6.3　基于特征级融合的高光谱遥感影像分类
　2.6.4　基于决策级融合的高光谱遥感影像分类
　2.6.5　基于数据层信息融合的高光谱遥感影像分类实例
　2.6.6　基于决策级融合的高光谱遥感影像分类实例
　2.7　非监督分类
　2.7.1　基本概念
　2.7.2　K均值聚类法
　2.7.3　ISODATA分类法
　2.7.4　用于高光谱遥感影像的SAALT聚类算法
第3章　高光谱遥感影像降维与特征提取
　3.1　基于波段选择的降维
　3.2　基于特征提取的降维
　3.2.1　代数运算法
　3.2.2　光谱导数法
　3.2.3　主成分分析
　3.2.4　线性判别分析
　3.2.5　独立成分分析
　3.2.6　最大噪声分离
　3.2.7　投影寻踪
　3.2.8　正交子空间投影
　3.2.9　核线性判别分析
　3.2.10　核主成分分析
　3.2.11　多维尺度变换
　3.3　流形学习——一种新的非线性降维方法
　3.3.1　等距映射
　3.3.2　局部线性嵌人
　3.3.3　拉普拉斯映射
　3.3.4　局部切空间排列
　3.3　5　实例分析
　3.4　纹理特征提取
　3.4.1　统计方法
　3.4.2　结构方法
　3.4　3　基于模型的方法
　3.4.4　频域变换法
第4章　基于支持向量机的高光谱遥感影像分类
　4.1　支持向量机的基本原理
　4.2　影响支持向量机分类器性能的因素
　4.2.1　多类分类器
　4.2.2　核函数和核参数选择
　4.3　SVM分类的试验与分析
　4.3.1　OMISII高光谱数据的试验
　4.3.2　ROSIS高光谱数据的试验
第5章　支持向量机核函数设计与优化
　5.1　再生核Hilbert空间的小波核函数
　5.1.1　支持向量机基本核函数
　5.1.2　规则化和再生核Hilhert空间的小波核函数支持向量机
　5.2　试验结果与分析
　5.2.1　OMISII高光谱数据的试验
　5.2.2　ROSIS数据试验
　5.3　本章小结
第6章　多类支持向量机的设计和实现
　6.1　常用多类支持向量机算法
　6.1.1　一类对余类SVM（1—A—R　SVM）
　6.1.2　一类对一类SVM（1—A—1　SVM）
　6.1.3　有向无环图SVM
　6.1.4　二叉树SVM
　6.1.5　多类SVM的分类速度
　6.2　基于J—M距离的层次多类支持向量机实现
　6.3　试验结果
　6.3　1　OMISII高光谱影像试验
　6.3.2　Hypenon数据试验
　6.3.3　AVIRIS数据试验
第7章　支持向量机分类器中多种特征的综合应用
　7.1　多核支持向量机（Multiple　Kernel　SVM）
　7.2　光谱特征与小波纹理特征的综合应用
　7.3　小波纹理的提取与分类
　7.4　光谱特征和结构特征的综合应用
　7.5　试验结果与分析
　7.5.1　组合光谱特征和小波纹理特征的高光谱数据试验
　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
第8章　混合像元分解
　8.1　端元选择
　8.1.1　端元类型与数目
　8.1.2　端元选择算法
　8.2　混合像元分解模型
　8.2.1　线性光谱混合模型
　8.2.2　非线性混合模型
　8.2.3　神经网络混合模型
　8.2.4　支持向量机
　8.2.5　基于光谱差异的分解模型
　8.3　混合像元分解实例
参考文献
彩图