目 錄
第1章 緒論
1.1 遙感技術(shù)概述
1.1.1 相關(guān)概念
1.1.2 遙感技術(shù)的發(fā)展與應(yīng)用
1.1.3 遙感圖像分類(lèi)的意義
1.2 遙感圖像分類(lèi)主要數(shù)據(jù)源
1.2.1 中低分辨率衛(wèi)星數(shù)據(jù)
1.2.2 高分辨率衛(wèi)星數(shù)據(jù)
1.2.3 高光譜衛(wèi)星數(shù)據(jù)
1.2.4 雷達(dá)衛(wèi)星數(shù)據(jù)
1.3 遙感圖像分類(lèi)使用的主要特征
1.3.1 光譜特征
1.3.2 紋理特征
1.3.3 空間形狀特征
1.3.4 高程特征
1.4 遙感圖像分類(lèi)現(xiàn)狀及存在的問(wèn)題
1.4.1 基于像元分類(lèi)
1.4.2 混合像元分解
1.4.3 面向?qū)ο蠓诸?lèi)
1.4.4 遙感圖像分類(lèi)所存在的問(wèn)題
1.5 遙感圖像智能分類(lèi)研究 思路與本書(shū)結(jié)構(gòu)安排
1.6 本章總結(jié)
參考文獻(xiàn)

第2章 遙感圖像分類(lèi)基礎(chǔ)與傳統(tǒng)分類(lèi)方法
2.1 遙感圖像分類(lèi)概述
2.2 特征變換
2.2.1 主分量變換
2.2.2 最小噪聲分離變換
2.3 最大似然監(jiān)督分類(lèi)
2.3.1 監(jiān)督分類(lèi)的基本過(guò)程
2.3.2 最大似然監(jiān)督分類(lèi)算法
2.3.3 訓(xùn)練樣本的選取與純化
2.4 ISODATA非監(jiān)督分類(lèi)
2.5 分類(lèi)精度評(píng)價(jià)
2.6 本章總結(jié)
參考文獻(xiàn)

第3章 基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)
3.1 人工神經(jīng)網(wǎng)絡(luò)遙感分類(lèi)概述
3.2 BP神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)
3.2.1 BP網(wǎng)絡(luò)基本理論
3.2.2 基于遺傳算法優(yōu)化的網(wǎng)絡(luò)學(xué)習(xí)算法
3.2.3 BP神經(jīng)網(wǎng)絡(luò)遙感分類(lèi)模型
3.2.4 實(shí)驗(yàn)與精度評(píng)價(jià)
3.2.5 小結(jié)
3.3 RBF神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)
3.3.1 RBF網(wǎng)絡(luò)基本理論
3.3.2 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化與RBF中心優(yōu)化
3.3.3 實(shí)驗(yàn)與精度評(píng)價(jià)
3.3.4 小結(jié)
3.4 自組織神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)
3.4.1 Kohonen神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
3.4.2 基于Kohonen網(wǎng)絡(luò)的遙感監(jiān)督分類(lèi)模型
3.4.3 實(shí)驗(yàn)與精度評(píng)價(jià)
3.5 自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)
3.5.1 ART1神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程
3.5.2 ART1神經(jīng)網(wǎng)絡(luò)的具體算法
3.5.3 自適應(yīng)共振網(wǎng)絡(luò)在高光譜中的應(yīng)用
3.5.4 實(shí)驗(yàn)與精度評(píng)價(jià)
3.6 本章總結(jié)
參考文獻(xiàn)

第4章 基于支持向量機(jī) 的遙感圖像分類(lèi)
4.1 支持向量機(jī)發(fā)展概述
4.2 統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)
4.2.1 統(tǒng)計(jì)學(xué)習(xí)理論
4.2.2 支持向量機(jī)
4.2.3 改進(jìn)核函數(shù)及高光譜圖像分類(lèi)仿真實(shí)驗(yàn)
4.2.4 小結(jié)
4.3 最小二乘支持向量機(jī)高光譜圖像分類(lèi)
4.3.1 LS-SVM的原理
4.3.2 LS-SVM的訓(xùn)練樣本選擇以及模型參數(shù)選擇
4.3.3 雙邊加權(quán)LS-SVM
4.3.4 仿真實(shí)驗(yàn)
4.3.5 小結(jié)
4.4 多類(lèi)支持向量機(jī)圖像分類(lèi)
4.4.1 多類(lèi)支持向量機(jī)
4.4.2 各種多類(lèi)SVM的性能對(duì)比
4.4.3 仿真實(shí)驗(yàn)
4.4.4 小結(jié)
4.5 基于模糊SVM的高光譜圖像分類(lèi)
4.5.1 多類(lèi)支持向量機(jī)存在的局限性
4.5.2 模糊集的基本概念
4.5.3 基于1-v-1SVM的模糊支持向量機(jī)
4.5.4 仿真實(shí)驗(yàn)
4.5.5 小結(jié)
4.6 本章總結(jié)
參考文獻(xiàn)

第5章 面向?qū)ο蟮倪b感圖像分類(lèi)
5.1 面向?qū)ο蟮倪b感圖像分類(lèi)概述
5.2 多尺度影像分割
5.2.1 基于區(qū)域的影像分割
5.2.2 多尺度影像分割
5.3 模糊分類(lèi)
5.3.1 模糊理論基礎(chǔ)
5.3.2 基于多特征的模糊分類(lèi)模型
5.4 實(shí)例研究
5.4.1 數(shù)據(jù)源概況
5.4.2 基于像元的最大似然分類(lèi)
5.3.3 面向?qū)ο蠓诸?lèi)
5.4.4 二者分類(lèi)度比較與分析
5.5 本章總結(jié)
參考文獻(xiàn)

第6章 遙感圖像混合像元分解
6.1 混合像元分解概述
6.2 混合像元分解模型
6.2.1 光譜混合的成像機(jī)理
6.2.2 概念的提出
6.2.3 光譜混合模型
6.3 線性模型及其混合像元分解
6.3.1 線性光譜混合模型
6.3.2 端元組分確定
6.3.3 端元提取算法
6.3.4 實(shí)例研究
6.3.5 小結(jié)
6.4 基于數(shù)學(xué)形態(tài)學(xué)的端元提取算法
6.4.1 數(shù)學(xué)形態(tài)學(xué)概述
6.4.2 數(shù)學(xué)形態(tài)學(xué)的基本原理與運(yùn)算
6.4.3 基于數(shù)學(xué)形態(tài)學(xué)的端元提取
6.4.4 不同方法分解結(jié)果比較
6.4.5 小結(jié)
6.5 本章總結(jié)
參考文獻(xiàn)