服務商城	客服電話	配送服務	優惠價	購買
	400-711-6699	滿29至69元，免運費！	￥36

高光譜遙感是當前遙感科學與技術發展的熱點領域之一，而高光譜遙感影像分類則是高光譜遙感影像處理最重要的任務。杜培軍、譚琨、夏俊士編著的《高光譜遙感影像分類與支持向量機應用研究》在介紹高光譜遙感影像分類基礎知識和常用方法的基礎上，重點對基于支持向量機的高光譜遙感影像分類進行深入探討。全書首先介紹高光譜遙感影像常用的分類器，詳細探討高光譜遙感影像分類中的降維處理與特征提取方法，包括主成分分析、獨立成分分析、最大噪聲分離等降維方法以及常用特征選擇算法、光譜和紋理特征提取方法等；通過介紹支持向量機的基本原理及其用于高光譜遙感影像分類的策略，重點研究支持向量機核函數設計方法，構建一種再生核Hilben空間的小波核函數用于高光譜遙感影像分類；針對多類問題的特點，在比較分析各種多類支持向量機實現方案的基礎上，提出一種基于JM距離的二叉樹多類支持向量機；最后探討支持向量機分類器中多種特征的綜合應用，重點研究基于多核支持向量機組合光譜和空間紋理特征的支持向量機分類方法。
《高光譜遙感影像分類與支持向量機應用研究》可供高等學校和科研機構從事高光譜遙感、遙感信息工程方向研究的教師、研究生和高年級本科生參考，同時也可供從事高光譜遙感應用工作的專業人員參考。

序
前言
第1章　高光譜遙感概述
　1.1　高光譜遙感的基本概念
　1.1.1　高光譜遙感的定義
　1.1.2　高光譜遙感的發展現狀
　1.2　高光譜遙感影像處理
　1.2.1　高光譜遙感影像的構成與特點
　1.2.2　高光譜遙感數據處理的特點
　1.2.3　高光譜遙感影像處理的主要內容
　1.3　高光譜遙感影像分類
　1.3.1　高光譜遙感影像分類的基本概念和原理
　1.3　2　高光譜遙感影像分類的主要策略
　1.3.3　高光譜遙感影像分類中的若干關鍵技術
　1.3.4　高光譜遙感影像分類的技術流程
　1.4　本書試驗數據
　1.4.1　OMISⅡ高光譜數據
　1.4.2　ROSIS高光譜數據
　1.4.3　AVIRIS數據
　1.4.4　Hyperion高光譜數據
第2章　高光譜遙感影像常用分類方法
　2.1　常規監督分類方法
　2.1.1　最小距離分類法
　2.1.2　最大似然分類法
　2.1.3　平行多面體分類
　2.2　基于光譜相似性度量的分類方法
　2.2.1　光譜角制圖
　2.2.2　光譜信息散度
　2.2.3　光譜相關度量
　2.2.4　其他光譜匹配方法
　2.3　人工神經網絡分類器
　2.3.1　人工神經網絡概述
　2.3.2　BPNN的應用
　2.3.3　基于RBF神經網絡的高光譜遙感影像分類
　2.3.4　基于ARTMAP神經網絡的高光譜遙感影像分類
　2.3.5　其他人工神經網絡的應用
　2.3.6　基于人工神經網絡的高光譜遙感影像分類實例
　2.4　決策樹分類器
　2.4.1　決策樹分類的基本原理
　2.4.2　決策樹的構建
　2.4.3　實例分析
　2.5　面向對象分類
　2.5.1　面向時象高光譜遙感分類基本步驟
　2.5.2　面向對象高光譜遙感分類的關鍵問題
　2.5.3　面向對象高光譜遙感分類實例
　2.6　基于信息融合的高光譜遙感影像分類
　2.6.1　以分類為應用目標的高光譜遙感信息融合
　2.6.2　基于像素級融合的高光譜遙感影像分類
　2.6.3　基于特征級融合的高光譜遙感影像分類
　2.6.4　基于決策級融合的高光譜遙感影像分類
　2.6.5　基于數據層信息融合的高光譜遙感影像分類實例
　2.6.6　基于決策級融合的高光譜遙感影像分類實例
　2.7　非監督分類
　2.7.1　基本概念
　2.7.2　K均值聚類法
　2.7.3　ISODATA分類法
　2.7.4　用于高光譜遙感影像的SAALT聚類算法
第3章　高光譜遙感影像降維與特征提取
　3.1　基于波段選擇的降維
　3.2　基于特征提取的降維
　3.2.1　代數運算法
　3.2.2　光譜導數法
　3.2.3　主成分分析
　3.2.4　線性判別分析
　3.2.5　獨立成分分析
　3.2.6　最大噪聲分離
　3.2.7　投影尋蹤
　3.2.8　正交子空間投影
　3.2.9　核線性判別分析
　3.2.10　核主成分分析
　3.2.11　多維尺度變換
　3.3　流形學習——一種新的非線性降維方法
　3.3.1　等距映射
　3.3.2　局部線性嵌人
　3.3.3　拉普拉斯映射
　3.3.4　局部切空間排列
　3.3　5　實例分析
　3.4　紋理特征提取
　3.4.1　統計方法
　3.4.2　結構方法
　3.4　3　基于模型的方法
　3.4.4　頻域變換法
第4章　基于支持向量機的高光譜遙感影像分類
　4.1　支持向量機的基本原理
　4.2　影響支持向量機分類器性能的因素
　4.2.1　多類分類器
　4.2.2　核函數和核參數選擇
　4.3　SVM分類的試驗與分析
　4.3.1　OMISII高光譜數據的試驗
　4.3.2　ROSIS高光譜數據的試驗
第5章　支持向量機核函數設計與優化
　5.1　再生核Hilbert空間的小波核函數
　5.1.1　支持向量機基本核函數
　5.1.2　規則化和再生核Hilhert空間的小波核函數支持向量機
　5.2　試驗結果與分析
　5.2.1　OMISII高光譜數據的試驗
　5.2.2　ROSIS數據試驗
　5.3　本章小結
第6章　多類支持向量機的設計和實現
　6.1　常用多類支持向量機算法
　6.1.1　一類對余類SVM（1—A—R　SVM）
　6.1.2　一類對一類SVM（1—A—1　SVM）
　6.1.3　有向無環圖SVM
　6.1.4　二叉樹SVM
　6.1.5　多類SVM的分類速度
　6.2　基于J—M距離的層次多類支持向量機實現
　6.3　試驗結果
　6.3　1　OMISII高光譜影像試驗
　6.3.2　Hypenon數據試驗
　6.3.3　AVIRIS數據試驗
第7章　支持向量機分類器中多種特征的綜合應用
　7.1　多核支持向量機（Multiple　Kernel　SVM）
　7.2　光譜特征與小波紋理特征的綜合應用
　7.3　小波紋理的提取與分類
　7.4　光譜特征和結構特征的綜合應用
　7.5　試驗結果與分析
　7.5.1　組合光譜特征和小波紋理特征的高光譜數據試驗
　7.5.2　組合光譜特征和數學形態學結構的高光譜數據試驗
第8章　混合像元分解
　8.1　端元選擇
　8.1.1　端元類型與數目
　8.1.2　端元選擇算法
　8.2　混合像元分解模型
　8.2.1　線性光譜混合模型
　8.2.2　非線性混合模型
　8.2.3　神經網絡混合模型
　8.2.4　支持向量機
　8.2.5　基于光譜差異的分解模型
　8.3　混合像元分解實例
參考文獻
彩圖