-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

高光譜遙感圖像特征提取與分類

( 簡體 字)
作者:陳哲 高紅民 申邵洪 高建強類別:1. -> 教材 -> 數位影像處理
譯者:
出版社:人民郵電出版社高光譜遙感圖像特征提取與分類 3dWoo書號: 52597
詢問書籍請說出此書號!

有庫存
NT售價: 480

出版日:10/1/2019
頁數:191
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115512390
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書系統地介紹了高光譜遙感圖像特征提取與分類的有關概念、原理和方法,以及新理論、新方法在高光譜圖像特征提取與分類中的應用。全書共分8章,內容涵蓋:高光譜圖像降維、特征提取及分類的有關原理、發展及領域應用,基于神經網絡敏感性分析的高光譜遙感圖像降維與分類,基于多目標粒子群優化算法的高光譜遙感圖像波段選擇與分類,基于混合編碼差分進化粒子群算法及多示例學習的高光譜遙感圖像波段選擇與分類,基于塊陣分解的高光譜遙感圖像特征提取與分類,基于參數空間變換的高光譜遙感圖像特征提取與分類,基于光譜?紋理核和光譜?空間濾波核的高光譜遙感圖像特征提取與分類,基于知識遷移的高光譜遙感圖像特征提取與分類等。
本書內容新穎,注重理論聯系實際,可作為電子信息工程、計算機應用技術、自動化、儀器科學與技術等相關專業的研究生、高年級本科生以及相關科研人員、工程技術人員的參考書籍。
目錄:

第1章 高光譜遙感圖像處理方法研究現狀、意義及應用 001
1.1 概述 001
1.1.1 遙感的現狀與發展 001
1.1.2 高光譜分辨率遙感 002
1.1.3 高光譜遙感現狀與發展 006
1.1.4 高光譜遙感專題應用 015
1.2 高光譜遙感圖像特征選擇與提取方法 019
1.2.1 特征選擇方法 020
1.2.2 特征提取方法 023
1.3 高光譜遙感圖像分類方法 028
1.3.1 監督分類 028
1.3.2 非監督分類 032
參考文獻 034
第2章 基于神經網絡敏感性分析的高光譜遙感圖像降維與分類 042
2.1 引言 042
2.2 神經網絡敏感性分析 043
2.3 基于神經網絡敏感性分析的高光譜遙感圖像波段選擇 043
2.3.1 數據預處理 043
2.3.2 差分進化算法優化BP神經網絡 044
2.3.3 敏感性分析降維 046
2.4 實驗與分析 047
參考文獻 056
第3章 基于多目標粒子群優化算法的高光譜遙感圖像波段選擇與分類 059
3.1 引言 059
3.2 粒子群優化算法 060
3.3 基于多目標粒子群優化算法的高光譜遙感圖像波段選擇方法 060
3.3.1 基于粒子群優化算法的波段選擇 060
3.3.2 適應度函數 061
3.3.3 算法實現流程 062
3.4 實驗與分析 064
3.4.1 AVIRIS高光譜數據實驗 064
3.4.2 HYDICE高光譜數據實驗 068
參考文獻 069
第4章 基于混合編碼差分進化粒子群算法及多示例學習的高光譜遙感圖像波段
選擇與分類 070
4.1 引言 070
4.2 粒子群算法和差分進化算法 071
4.2.1 粒子群算法 071
4.2.2 差分進化算法 071
4.3 基于混合編碼的差分進化粒子群波段選擇步驟 072
4.3.1 混合編碼 072
4.3.2 適應度函數 073
4.3.3 結合粒子群差分進化進行降維 074
4.3.4 波段選擇實現步驟 076
4.4 多示例學習方法 077
4.4.1 多示例學習問題 077
4.4.2 基于多示例學習的常見分類算法 080
4.5 模糊K均值聚類方法 083
4.6 基于多示例學習和支持向量機的高光譜遙感圖像分類方法 085
4.6.1 分割提取空間特征 085
4.6.2 聚類生成多示例包 085
4.6.3 算法實現流程 085
4.7 實驗與分析 086
4.7.1 實驗數據描述 086
4.7.2 實驗結果與分析 088
參考文獻 092
第5章 基于塊陣分解的高光譜遙感圖像特征提取與分類 094
5.1 引言 094
5.2 高光譜遙感圖像特征提取 096
5.3 塊陣分解 097
5.4 算法流程 098
5.4.1 近似波段圖像獲取 099
5.4.2 波段信息差異判別模型 100
5.4.3 支持向量機分類 102
5.5 實驗與分析 104
參考文獻 119
第6章 基于參數空間變換的高光譜遙感圖像特征提取與分類 121
6.1 引言 121
6.2 參數零空間線性分析(PNLDA) 123
6.2.1 PNLDA算法描述和推導 123
6.2.2 PNLDA算法所需的計算項 129
6.3 實驗與分析 130
參考文獻 139
第7章 基于光譜-紋理核和光譜-空間濾波核的高光譜遙感圖像特征提取與分類 141
7.1 引言 141
7.2 基于光譜-紋理核的特征提取與分類 143
7.2.1 基于灰度共生矩陣的紋理特征提取 143
7.2.2 灰度共生矩陣特征解譯和二次統計特征量 145
7.2.3 光譜特征和紋理特征的融合 147
7.3 基于光譜-空間濾波核的特征提取與分類 151
7.3.1 區域中值濾波空間特征提取 151
7.3.2 光譜特征與空間特征的融合 153
7.4 ST-SVM方法實驗與分析 155
7.4.1 2012GRSS高空間分辨率融合數據集(數據集1)的實驗結果分析 155
7.4.2 HUD高空間分辨率遙感圖像數據集(數據集2)的實驗結果分析 157
7.4.3 KSC-AVIRIS高光譜遙感圖像數據集(數據集3)的實驗結果分析 159
7.4.4 PUD高光譜遙感圖像數據集(數據集4)的實驗結果分析 161
7.5 SSF-SVM方法實驗與分析 164
7.5.1 SSF-SVM算法在AVIRIS-IP數據集的實驗結果分析 167
7.5.2 SSF-SVM算法在AVIRIS-SVA數據集的實驗結果分析 170
7.5.3 SSF-SVM算法在PUD數據集的實驗結果分析 172
參考文獻 176
第8章 基于知識遷移的高光譜遙感圖像特征提取與分類 178
8.1 引言 178
8.2 遷移學習的分類及其特點 179
8.3 研究方法 180
8.3.1 符號定義 180
8.3.2 構建目標數據集和輔助數據集相似矩陣 182
8.3.3 輔助數據集的知識遷移模型 183
8.4 高光譜遙感圖像的特征融合 184
8.5 實驗與分析 186
8.5.1 HUD高空間分辨率遙感圖像數據集(數據集1)的實驗結果分析 186
8.5.2 PUD高光譜遙感圖像數據集(數據集2)的實驗結果分析 188
參考文獻 190
序: