面向?qū)ο筮b感影像分析理論與方法

目錄
前言
第1章 緒論 1
1.1 高分遙感數(shù)據(jù)的發(fā)展及傳統(tǒng)像素方法的問題 1
1.1.1 高分遙感影像數(shù)據(jù)及其應用增加 1
1.1.2 像素遙感影像分析發(fā)展中遇到的瓶頸 2
1.2 面向?qū)ο筮b感影像分析的相關理論與方法研究 2
1.2.1 面向?qū)ο筮b感影像分析的發(fā)展現(xiàn)狀與挑戰(zhàn) 3
1.2.2 面向?qū)ο筮b感影像分析中不確定性因素的相關研究 6
1.2.3 面向?qū)ο蟮男畔⑻崛〖夹g相關研究 9
1.2.4 面向?qū)ο蟮淖兓瘷z測技術相關研究 12
1.2.5 面向?qū)ο筮b感影像分析不確定性的本質(zhì) 14
1.2.6 研究現(xiàn)狀評述及問題的提出 15
1.3 不確定性理論與模型優(yōu)化方法研究 16
1.3.1 面向?qū)ο筮b感影像分析不確定性研究 16
1.3.2 面向?qū)ο蟾叻诌b感影像分類模型優(yōu)化研究 16
參考文獻 17
第2章 多尺度分割不確定性與分割優(yōu)化 27
2.1 研究區(qū)與數(shù)據(jù)集介紹 27
2.1.1 分類研究數(shù)據(jù)集 27
2.1.2 變化檢測數(shù)據(jù)集 29
2.2 多尺度分割 29
2.3 分割結(jié)果評估指標 30
2.3.1 內(nèi)部一致性測度 30
2.3.2 對象空間自相關 31
2.3.3 指標聯(lián)合分析 32
2.4 自頂向下對象分解 32
2.5 分割精度驗證方法 32
2.6 實驗討論 33
2.6.1 各指標隨尺度變化 33
2.6.2 多尺度分割結(jié)果精度指標分析 38
2.6.3 基于自相關測度自頂向下分解 40
2.6.4 單尺度與多尺度分解結(jié)果比較 41
2.7 本章 小結(jié) 42
參考文獻 43
第3章 面向?qū)ο蟮奶卣髋c尺度效應分析 45
3.1 采樣方法與訓練樣本評估 45
3.1.1 分層隨機采 45
3.1.2 訓練本評估 46
3.2 特征評估與選擇方法 47
3.2.1 特征計算 47
3.2.2 信息增益率 50
3.2.3 基于相關的特征選擇 50
3.3 隨機森林分類器 51
3.4 基于面積精度評估方法 53
3.5 實驗分析 54
3.5.1 訓練樣本尺寸評估 54
3.5.2 特征的尺度響應 56
3.5.3 分類精度的尺度響應 64
3.6 本章 小結(jié) 69
參考文獻 70
第4章 特征選擇方法的不確定性研究 72
4.1 概述 72
4.2 監(jiān)督特征選擇算法 73
4.2.1 卡方檢驗算法 73
4.2.2 基于支持向量機的遞歸特征刪除方法 74
4.2.3 基于特征權(quán)重的特征選擇 74
4.2.4 隨機森林特征選擇 74
4.2.5 基于封裝的特征選擇 75
4.3 分類過程 75
4.4 實驗討論 75
4.5 本章 小結(jié) 81
參考文獻 82
第5章 面向?qū)ο蟊O(jiān)督分類方法不確定性研究 84
5.1 常用監(jiān)督分類方法概述 84
5.1.1 支持向量機 84
5.1.2 最近鄰分類 85
5.1.3 決策樹 85
5.1.4 提升樹 85
5.1.5 樸素貝葉斯分類器 86
5.1.6 懲罰線性判別分析 86
5.2 統(tǒng)計測試方法 86
5.3 實驗結(jié)果 87
5.3.1 分類對尺度響應 87
5.3.2 篩選的特征與全部特征分類比較 92
5.3.3 訓練集大小對各分類器的影響 93
5.3.4 同質(zhì)和異質(zhì)對象的影響 94
5.4 分析討論 100
5.4.1 分類器的綜合比較 100
5.4.2 分類器的尺度敏感性分析 101
5.4.3 特征選擇對分類器的影響 102
5.4.4 分類器的訓練樣本尺寸敏感性分析 102
5.4.5 混合對象對分類器影響 103
5.5 本章 小結(jié) 103
參考文獻 104
第6章 面向?qū)ο笞兓瘷z測不確定性研究 108
6.1 概述 108
6.2 數(shù)據(jù)預處理 109
6.3 產(chǎn)生對象單元與特征 110
6.4 常用非監(jiān)督變化檢測方法 110
6.4.1 原始特征直接差分 111
6.4.2 均值和標準差信號 112
6.4.3 多元變化檢測 112
6.4.4 主成分分析 113
6.5 精度評估 113
6.6 實驗結(jié)果與分析 113
6.6.1 實驗結(jié)果 113
6.6.2 分析討論 119
6.7 本章 小結(jié) 120
參考文獻 121
第7章 面向?qū)ο蠓潜O(jiān)督分類方法探索 123
7.1 基于三角網(wǎng)的信息提取基本思想 123
7.2 三角網(wǎng)構(gòu)建 124
7.3 三角網(wǎng)聚類方法提取耕地信息 125
7.3.1 點群分布范圍聚類 126
7.3.2 優(yōu)化聚類輔助信息提取 128
7.4 實驗與分析 130
7.4.1 實驗區(qū)1 130
7.4.2 實驗區(qū)2 136
7.4.3 實驗區(qū)3 137
7.5 本章 小結(jié) 138
參考文獻 139
第8章 面向?qū)ο笥跋穹治龅木仍u估方法 140
8.1 經(jīng)典精度評價框架 140
8.1.1 抽樣設計 141
8.1.2 響應設計 143
8.1.3 精度分析 144
8.2 基于多邊形的精度評價框架 144
8.2.1 基本介紹 144
8.2.2 抽樣設計 146
8.2.3 響應設計 147
8.2.4 精度分析 147
8.3 分割精度評估 148
8.4 本章 小結(jié) 151
參考文獻 152
第9章 基于主動學習的訓練樣本對象優(yōu)化 156
9.1 基于信息熵的分割對象分類不確定性評估 156
9.2 基于主動學習的訓練樣本優(yōu)化方法 157
9.3 實驗與分析 158
9.3.1 實驗數(shù)據(jù) 158
9.3.2 利用分類不確定性劃分對象 158
9.3.3 評估不同對象類型對分類結(jié)果的影響 160
9.3.4 評估基于主動學習的采樣結(jié)果 162
9.4 本章 小結(jié) 165
參考文獻 165
第10章 基于封裝的對象特征選擇方法 167
10.1 基于封裝的對象特征選擇方法的問題 167
10.2 基于面積的交叉驗證的封裝特征優(yōu)化方法 168
10.3 實驗與分析 168
10.3.1 實驗數(shù)據(jù) 168
10.3.2 不同特征選擇方法下的分類結(jié)果比較 169
10.3.3 特征選擇結(jié)果比較 170
10.4 本章 小結(jié) 172
參考文獻 172
第11章 基于深度學習的對象分類方法模型 173
11.1 卷積神經(jīng)網(wǎng)絡在對象分類中的問題 173
11.2 基于CNN的面向?qū)ο蠓诸?174
11.2.1 分割對象圖像塊的生成 174
11.2.2 卷積神經(jīng)網(wǎng)絡 175
11.3 實驗與分析 177
11.3.1 實驗數(shù)據(jù) 177
11.3.2 基于傳統(tǒng)分類器的OBIA分類與基于CNN的OBIA分類的比較 179
11.3.3 圖像塊與分割對象之間的關系 181
11.3.4 基于CNN的OBIA分類對混合對象分類的影響 185
11.4 本章 小結(jié) 188
參考文獻 188
第12章 面向?qū)ο蟊O(jiān)督分類的文獻萃取分析與發(fā)展趨勢預測 191
12.1 概述 191
12.2 萃取分析方法 193
12.2.1 數(shù)據(jù)收集 193
12.2.2 數(shù)據(jù)庫構(gòu)建 194
12.2.3 萃取分析 195
12.3 萃取分析結(jié)果 196
12.3.1 研究的一般特征 196
12.3.2 不同傳感器影像的分類表現(xiàn) 199
12.3.3 分割尺度與空間分辨率的關系 200
12.3.4 訓練樣本大小對精度的影響 201
12.3.5 監(jiān)督分類方法與模糊分類方法 202
12.3.6 分類類型對分類結(jié)果的影響 203
12.4 面向?qū)ο蟊O(jiān)督分類方法的問題與發(fā)展前景 205
12.4.1 分類方法的發(fā)展 205
12.4.2 采樣方法的發(fā)展 207
12.4.3 分割尺度優(yōu)化 207
12.4.4 特征選擇方法的研究 209
12.4.5 對象標簽和精度評估 211
12.5 面向?qū)ο蟊O(jiān)督分類的不確定性 212
12.6 本章 小結(jié) 213
參考文獻 214