高光譜遙感影像分類與支持向量機(jī)應(yīng)用研究

序
前言
第1章　高光譜遙感概述
　1.1　高光譜遙感的基本概念
　1.1.1　高光譜遙感的定義
　1.1.2　高光譜遙感的發(fā)展現(xiàn)狀
　1.2　高光譜遙感影像處理
　1.2.1　高光譜遙感影像的構(gòu)成與特點(diǎn)
　1.2.2　高光譜遙感數(shù)據(jù)處理的特點(diǎn)
　1.2.3　高光譜遙感影像處理的主要內(nèi)容
　1.3　高光譜遙感影像分類
　1.3.1　高光譜遙感影像分類的基本概念和原理
　1.3　2　高光譜遙感影像分類的主要策略
　1.3.3　高光譜遙感影像分類中的若干關(guān)鍵技術(shù)
　1.3.4　高光譜遙感影像分類的技術(shù)流程
　1.4　本書試驗(yàn)數(shù)據(jù)
　1.4.1　OMISⅡ高光譜數(shù)據(jù)
　1.4.2　ROSIS高光譜數(shù)據(jù)
　1.4.3　AVIRIS數(shù)據(jù)
　1.4.4　Hyperion高光譜數(shù)據(jù)
第2章　高光譜遙感影像常用分類方法
　2.1　常規(guī)監(jiān)督分類方法
　2.1.1　最小距離分類法
　2.1.2　最大似然分類法
　2.1.3　平行多面體分類
　2.2　基于光譜相似性度量的分類方法
　2.2.1　光譜角制圖
　2.2.2　光譜信息散度
　2.2.3　光譜相關(guān)度量
　2.2.4　其他光譜匹配方法
　2.3　人工神經(jīng)網(wǎng)絡(luò)分類器
　2.3.1　人工神經(jīng)網(wǎng)絡(luò)概述
　2.3.2　BPNN的應(yīng)用
　2.3.3　基于RBF神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類
　2.3.4　基于ARTMAP神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類
　2.3.5　其他人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　2.3.6　基于人工神經(jīng)網(wǎng)絡(luò)的高光譜遙感影像分類實(shí)例
　2.4　決策樹分類器
　2.4.1　決策樹分類的基本原理
　2.4.2　決策樹的構(gòu)建
　2.4.3　實(shí)例分析
　2.5　面向?qū)ο蠓诸?br />　2.5.1　面向時(shí)象高光譜遙感分類基本步驟
　2.5.2　面向?qū)ο蟾吖庾V遙感分類的關(guān)鍵問題
　2.5.3　面向?qū)ο蟾吖庾V遙感分類實(shí)例
　2.6　基于信息融合的高光譜遙感影像分類
　2.6.1　以分類為應(yīng)用目標(biāo)的高光譜遙感信息融合
　2.6.2　基于像素級(jí)融合的高光譜遙感影像分類
　2.6.3　基于特征級(jí)融合的高光譜遙感影像分類
　2.6.4　基于決策級(jí)融合的高光譜遙感影像分類
　2.6.5　基于數(shù)據(jù)層信息融合的高光譜遙感影像分類實(shí)例
　2.6.6　基于決策級(jí)融合的高光譜遙感影像分類實(shí)例
　2.7　非監(jiān)督分類
　2.7.1　基本概念
　2.7.2　K均值聚類法
　2.7.3　ISODATA分類法
　2.7.4　用于高光譜遙感影像的SAALT聚類算法
第3章　高光譜遙感影像降維與特征提取
　3.1　基于波段選擇的降維
　3.2　基于特征提取的降維
　3.2.1　代數(shù)運(yùn)算法
　3.2.2　光譜導(dǎo)數(shù)法
　3.2.3　主成分分析
　3.2.4　線性判別分析
　3.2.5　獨(dú)立成分分析
　3.2.6　最大噪聲分離
　3.2.7　投影尋蹤
　3.2.8　正交子空間投影
　3.2.9　核線性判別分析
　3.2.10　核主成分分析
　3.2.11　多維尺度變換
　3.3　流形學(xué)習(xí)——一種新的非線性降維方法
　3.3.1　等距映射
　3.3.2　局部線性嵌人
　3.3.3　拉普拉斯映射
　3.3.4　局部切空間排列
　3.3　5　實(shí)例分析
　3.4　紋理特征提取
　3.4.1　統(tǒng)計(jì)方法
　3.4.2　結(jié)構(gòu)方法
　3.4　3　基于模型的方法
　3.4.4　頻域變換法
第4章　基于支持向量機(jī)的高光譜遙感影像分類
　4.1　支持向量機(jī)的基本原理
　4.2　影響支持向量機(jī)分類器性能的因素
　4.2.1　多類分類器
　4.2.2　核函數(shù)和核參數(shù)選擇
　4.3　SVM分類的試驗(yàn)與分析
　4.3.1　OMISII高光譜數(shù)據(jù)的試驗(yàn)
　4.3.2　ROSIS高光譜數(shù)據(jù)的試驗(yàn)
第5章　支持向量機(jī)核函數(shù)設(shè)計(jì)與優(yōu)化
　5.1　再生核Hilbert空間的小波核函數(shù)
　5.1.1　支持向量機(jī)基本核函數(shù)
　5.1.2　規(guī)則化和再生核Hilhert空間的小波核函數(shù)支持向量機(jī)
　5.2　試驗(yàn)結(jié)果與分析
　5.2.1　OMISII高光譜數(shù)據(jù)的試驗(yàn)
　5.2.2　ROSIS數(shù)據(jù)試驗(yàn)
　5.3　本章小結(jié)
第6章　多類支持向量機(jī)的設(shè)計(jì)和實(shí)現(xiàn)
　6.1　常用多類支持向量機(jī)算法
　6.1.1　一類對(duì)余類SVM（1—A—R　SVM）
　6.1.2　一類對(duì)一類SVM（1—A—1　SVM）
　6.1.3　有向無環(huán)圖SVM
　6.1.4　二叉樹SVM
　6.1.5　多類SVM的分類速度
　6.2　基于J—M距離的層次多類支持向量機(jī)實(shí)現(xiàn)
　6.3　試驗(yàn)結(jié)果
　6.3　1　OMISII高光譜影像試驗(yàn)
　6.3.2　Hypenon數(shù)據(jù)試驗(yàn)
　6.3.3　AVIRIS數(shù)據(jù)試驗(yàn)
第7章　支持向量機(jī)分類器中多種特征的綜合應(yīng)用
　7.1　多核支持向量機(jī)（Multiple　Kernel　SVM）
　7.2　光譜特征與小波紋理特征的綜合應(yīng)用
　7.3　小波紋理的提取與分類
　7.4　光譜特征和結(jié)構(gòu)特征的綜合應(yīng)用
　7.5　試驗(yàn)結(jié)果與分析
　7.5.1　組合光譜特征和小波紋理特征的高光譜數(shù)據(jù)試驗(yàn)
　7.5.2　組合光譜特征和數(shù)學(xué)形態(tài)學(xué)結(jié)構(gòu)的高光譜數(shù)據(jù)試驗(yàn)
第8章　混合像元分解
　8.1　端元選擇
　8.1.1　端元類型與數(shù)目
　8.1.2　端元選擇算法
　8.2　混合像元分解模型
　8.2.1　線性光譜混合模型
　8.2.2　非線性混合模型
　8.2.3　神經(jīng)網(wǎng)絡(luò)混合模型
　8.2.4　支持向量機(jī)
　8.2.5　基于光譜差異的分解模型
　8.3　混合像元分解實(shí)例
參考文獻(xiàn)
彩圖