遥感图像智能分类及其应用

目 录
第1章 绪论
1.1 遥感技术概述
1.1.1 相关概念
1.1.2 遥感技术的发展与应用
1.1.3 遥感图像分类的意义
1.2 遥感图像分类主要数据源
1.2.1 中低分辨率卫星数据
1.2.2 高分辨率卫星数据
1.2.3 高光谱卫星数据
1.2.4 雷达卫星数据
1.3 遥感图像分类使用的主要特征
1.3.1 光谱特征
1.3.2 纹理特征
1.3.3 空间形状特征
1.3.4 高程特征
1.4 遥感图像分类现状及存在的问题
1.4.1 基于像元分类
1.4.2 混合像元分解
1.4.3 面向对象分类
1.4.4 遥感图像分类所存在的问题
1.5 遥感图像智能分类研究 思路与本书结构安排
1.6 本章总结
参考文献
第2章 遥感图像分类基础与传统分类方法
2.1 遥感图像分类概述
2.2 特征变换
2.2.1 主分量变换
2.2.2 最小噪声分离变换
2.3 最大似然监督分类
2.3.1 监督分类的基本过程
2.3.2 最大似然监督分类算法
2.3.3 训练样本的选取与纯化
2.4 ISODATA非监督分类
2.5 分类精度评价
2.6 本章总结
参考文献
第3章 基于神经网络的遥感图像分类
3.1 人工神经网络遥感分类概述
3.2 BP神经网络遥感影像分类
3.2.1 BP网络基本理论
3.2.2 基于遗传算法优化的网络学习算法
3.2.3 BP神经网络遥感分类模型
3.2.4 实验与精度评价
3.2.5 小结
3.3 RBF神经网络遥感影像分类
3.3.1 RBF网络基本理论
3.3.2 网络结构简化与RBF中心优化
3.3.3 实验与精度评价
3.3.4 小结
3.4 自组织神经网络遥感影像分类
3.4.1 Kohonen神经网络基础
3.4.2 基于Kohonen网络的遥感监督分类模型
3.4.3 实验与精度评价
3.5 自适应共振神经网络遥感影像分类
3.5.1 ART1神经网络学习过程
3.5.2 ART1神经网络的具体算法
3.5.3 自适应共振网络在高光谱中的应用
3.5.4 实验与精度评价
3.6 本章总结
参考文献
第4章 基于支持向量机 的遥感图像分类
4.1 支持向量机发展概述
4.2 统计学习理论和支持向量机
4.2.1 统计学习理论
4.2.2 支持向量机
4.2.3 改进核函数及高光谱图像分类仿真实验
4.2.4 小结
4.3 最小二乘支持向量机高光谱图像分类
4.3.1 LS-SVM的原理
4.3.2 LS-SVM的训练样本选择以及模型参数选择
4.3.3 双边加权LS-SVM
4.3.4 仿真实验
4.3.5 小结
4.4 多类支持向量机图像分类
4.4.1 多类支持向量机
4.4.2 各种多类SVM的性能对比
4.4.3 仿真实验
4.4.4 小结
4.5 基于模糊SVM的高光谱图像分类
4.5.1 多类支持向量机存在的局限性
4.5.2 模糊集的基本概念
4.5.3 基于1-v-1SVM的模糊支持向量机
4.5.4 仿真实验
4.5.5 小结
4.6 本章总结
参考文献
第5章 面向对象的遥感图像分类
5.1 面向对象的遥感图像分类概述
5.2 多尺度影像分割
5.2.1 基于区域的影像分割
5.2.2 多尺度影像分割
5.3 模糊分类
5.3.1 模糊理论基础
5.3.2 基于多特征的模糊分类模型
5.4 实例研究
5.4.1 数据源概况
5.4.2 基于像元的最大似然分类
5.3.3 面向对象分类
5.4.4 二者分类度比较与分析
5.5 本章总结
参考文献
第6章 遥感图像混合像元分解
6.1 混合像元分解概述
6.2 混合像元分解模型
6.2.1 光谱混合的成像机理
6.2.2 概念的提出
6.2.3 光谱混合模型
6.3 线性模型及其混合像元分解
6.3.1 线性光谱混合模型
6.3.2 端元组分确定
6.3.3 端元提取算法
6.3.4 实例研究
6.3.5 小结
6.4 基于数学形态学的端元提取算法
6.4.1 数学形态学概述
6.4.2 数学形态学的基本原理与运算
6.4.3 基于数学形态学的端元提取
6.4.4 不同方法分解结果比较
6.4.5 小结
6.5 本章总结
参考文献