高光譜遙感影像信息提取技術

內容簡介

《高光譜遙感影像信息提取技術》套用多元統計分析、支持向量機、小波變換、小波包分解、諧波分析、神經網路等現代數學理論，借鑑與研發相關的影像數據處理方法和算法，就顧及光譜向量的影像分類、面向光譜曲線矩陣的混合光譜信息分解、小波包分解層獲取與信息識別、小波包基提取與影像特徵分析、結合諧波分析的目標探測、勸蒸堡基於群體智慧型和最佳化理論的信息解譯、特徵波段組合的信息分類、影像數據自組織神經網路的特蒸屑汽征映射等高光譜遙感影像信息獲取與套用的理論和方法進行了研究和介紹，為高光譜遙感科技的進一步發展和更加深入廣泛的套用提供支持。

　　《高光譜遙感影像信息提取技術》可供高等院校和科研院所體舉故從事擊膠戀地理信息科學與測繪工程等領域的科技人員和管理人員閱讀參考，也可作為相關專業本科生和研究生的教學參考書。

圖書目錄

前言

1 緒論

1．1 高光譜遙感

1．1．1 高光譜遙感的發展

1．1．2 高光譜遙感的成像光譜特點

1．1．3 高光譜影像信息的空間特徵

1．2 高光譜影像分類和目標探測研究現狀

1．2．1 高光譜影像分類技術研究現狀

1．2．2 高光譜影像目標探測技術研究現狀

1．2．3 高光譜影像分類和目標探測要解決的幾個核心問題

2 顧及光譜向量的高光譜影像分類

2．1 高光譜影像處理與信息提取的常用方法

2．1．1 光譜微分技術

2．1．2 光譜角製圖技術

2．1．3 支持向量機分類法

2．1．4 最小噪聲分離變換

2．2 高光譜影像分類和目標探測評價模型

2．2．1 分類模型精度評價

2．2．2 目標探立蒸測模型性能評價

2．3 幾種基於光譜向量的影像分類

2．3．1 數據預處理和樣本的選擇

2．3．2 高光譜遙感影像分類和製圖

2．4 分類精度評價

2．5 本章小結

3 面向光譜曲線矩陣的光譜信息分解

3．1 面向光譜曲線矩陣的光譜分解模型

3．1．1 傳統的混合光譜線性分解

3．1．2 面向光譜曲線矩陣的混合光譜分解模型

3．1．3 端元光譜選取與信息提取

3．2 基於SCM-UM模型的實驗分析

3．2．1 實驗數據與預處理

3．2．2 基於SCM-UM的豐度反演

3．3 基於豐度圖像的信息提取與精度評定

3．3．1 基於豐度圖像的礦物分類

3．3．2 豐度計算結果的精度評定

3．4 本章小結

4 小波包最佳分解層獲取與信息識別

4．1 小波包變換原理

4．1．1 小波包理論

4．1．2 小波包雙尺度函式的數學表達

4．1．3 小波基函式和信息代價函式的選擇

4．2 基於小波包分解的圖像去噪原理

4．2．1 顧及光譜信息的遙感影像去噪研究現狀

4．2．2 基於小波包分解的高光譜影像去噪方法

4．3 高光譜影像的小波包最佳分解層獲取算法付蘭臭多

4．3．1 研究思路與實驗數據

4．3．2 奇異值分解

4．3．3 最佳小波包分解層數的獲取

4．3．4 分解後圖像去噪

4．3．5 圖像分類顯示降噪效果

4．4 最佳分解層獲取算法的普適性檢驗

4．4．1 檢驗數據

4．4．2 分解層數的確定

4．4．3 最佳分解層數的檢驗與影像去噪

4．4．4 影像分類效果檢驗

4．5 本章小結

5 最佳小波包基提取與影像特徵分析

5．1 小波變換的高光譜影像處理研究現狀

5．1．1 幾種時頻域轉換艱訂譽擊算法的比較

5．1．2 小波變換在高光譜影像處理中的套用

5．1．3 小波包分解的套用研究現狀

5．2 小波包基用於高光譜影像光譜分析與識別方法

5．2．1 基於小波包變換的高光譜影像目標識別算法與實現

5．2．2 基於已知光譜庫數據的特徵參量提取的可行性分析

5．2．3 典型像元光譜數據分析與最佳基特徵參量數組（BBCPA）

5．3 基於最佳基特徵參量數組（BBCPA）的目標識別

5．3．1 基於特徵參量數組的目標識別方法

5．3．2 特徵向量數組長度的具體值確定

5．3．3 不同地物目標識別結果的比較分析

5．4 本章小結

……

6 結合諧波分析的高光譜影像目標探測

7 基於諧波分析的智慧型最佳化與信息解譯

8 最優特徵波段組合方法與影像分類

9 影像數據自組織特徵映射與信息提取

參考文獻

圖版

高光譜遙感影像信息提取技術

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條