遙感圖像智能分類及其應用

第1章 緒論
1.1 遙感技術概述
1.1.1 相關概念
1.1.2 遙感技術的發展與應用
1.1.3 遙感圖像分類的意義
1.2 遙感圖像分類主要數據源
1.2.1 中低分辨率衛星數據
1.2.2 高分辨率衛星數據
1.2.3 高光譜衛星數據
1.2.4 雷達衛星數據
1.3 遙感圖像分類使用的主要特征
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 遙感圖像分類現狀及存在的問題
1.4.1 基於像元的分類
1.4.2 混合像元的分解
1.4.3 面向對象的分類
1.4.4 遙感圖像分類所存在的問題
1.5 遙感圖像智能分類研究思路與本書結構安排
1.6 本章總結
參考文獻
第2章 遙感圖像分類基礎與傳統分類方法
2.1 遙感圖像分類概述
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 最大似然監督分類
2.3.1 監督分類的基本過程
2.3.2 最大似然監督分類算法
2.3.3 訓練樣本的選取與純化
2.4 ISODATA非監督分類
2.5 分類精度評價
2.6 本章總結
參考文獻
第3章 基於神經網絡的遙感圖像分類
3.1 人工神經網絡遙感分類概述
3.2 BP神經網絡遙感影像分類
3.2.1 BP網絡基本理論
3.2.2 基於遺傳算法優化的網絡學習算法
3.2.3 BP神經網絡遙感分類模型
3.2.4 實驗與精度評價
3.2.5 小結
3.3 RBF神經網絡遙感影像分類
3.3.1 RBF網絡基本理論
3.3.2 網絡結構簡化與RBF中心優化
3.3.3 實驗與精度評價
3.3.4 小結
3.4 自組織神經網絡遙感影像分類
3.4.1 Kohonen神經網絡基礎
3.4.2 基於Kohonen網絡的遙感監督分類模型
3.4.3 實驗與精度評價
3.5 自適應共振神經網絡遙感影像分類
3.5.1 ART1神經網絡學習過程
3.5.2 ART1神經網絡的具體算法
3.5.3 自適應共振網絡在高光譜中的應用
3.5.4 實驗與精度評價
3.6 本章總結
參考文獻
第4章 基於支持向量機的遙感圖像分類
4.1 支持向量機發展概述
4.2 統計學習理論和支持向量機
4.2.1 統計學習理論
4.2.2 支持向量機
4.2.3 改進核函數及高光譜圖像分類仿真實驗
4.2.4 小結
4.3 最小二乘支持向量機高光譜圖像分類
4.3.1 1S—SVM的原理
4.3.2 1S—SVM的訓練樣本選擇以及模型參數選擇
4.3.3 雙邊加權1S—SVM
4.3.4 仿真實驗
4.3.5 小結
4.4 多類支持向量機圖像分類
4.4.1 多類支持向量機
4.4.2 各種多類SVM的性能對比
4.4.3 仿真實驗
4.4.4 小結
4.5 基於模糊SVM的高光譜圖像分類
4.5.1 多類支持向量機存在的局限性
4.5.2 模糊集的基本概念
4.5.3 基於1-V-1 SVM的模糊支持向量機
4.5.4 仿真實驗
4.5.5 小結
4.6 本章總結
參考文獻
第5章 面向對象的遙感圖像分類
5.1 面向對象的遙感圖像分類概述
5.2 多尺度影像分割
5.2.1 基於區域的影像分割
5.2.2 多尺度影像分割
5.3 模糊分類
5.3.1 模糊理論基礎
5.3.2 基於多特征的模糊分類模型
5.4 實例研究
5.4.1 數據源概況
5.4.2 基於像元的最大似然分類
5.4.3 面向對象分類
5.4.4 二者分類度比較與分析
5.5 本章總結
參考文獻
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 實例研究
6.3.5 小結
6.4 基於數學形態學的端元提取算法
6.4.1 數學形態學概述
6.4.2 數學形態學的基本原理與運算
6.4.3 基於數學形態學的端元提取
6.4.4 不同方法分解結果比較
6.4.5 小結
6.5 本章總結
參考文獻