中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
高光譜遙感影像降維方法與應用 版權信息
- ISBN：9787030702807
- 條形碼：9787030702807 ; 978-7-03-070280-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
高光譜遙感影像降維方法與應用 本書特色
適讀人群 ：從事高光譜遙感、遙感信息智能處理、遙感應用等研究和實踐的科研人員、高校教師、研究生和高年級本科生本書針對高光譜遙感數據具有維數高、數據量大、冗余度高、不確定性顯著、樣本選擇困難等特點，引入機器學習、模式識別等理論和技術，開展高光譜遙感影像降維理論、方法與應用的研究.
高光譜遙感影像降維方法與應用 內容簡介
針對高光譜遙感數據具有的維數高、數據量大、冗余度高、不確定性顯著、樣本選擇困難等特點，將機器學習、模式識別等理論和技術引入高光譜遙感影像降維研究領域，開展高光譜遙感影像降維理論、方法與應用的研究，是本書的主要內容。全書內容包括七章：章介紹了高光譜遙感影像降維及其進展；第二章介紹了高光譜遙感影像降維的理論基礎、常用方法，以及目前存在的難點問題；第三章探討了高光譜遙感影像特征提取方法，重點是基于聚類和層次聚類的兩種特征提取算法；第四章分析了高光譜遙感影像波段選擇方法，重點從可分性準則、搜索策略和特征數目等三個方面提出了新型方法；第五章重點研究多目標優化的自適應的波段選擇方法，分析了特征選擇算法性能的評價指標和優化方法；第六章討論了基于共形幾何代數的新型波段選擇方法，研究了共形空間下高光譜遙感影像的信息表達問題；很后介紹了高光譜遙感影像降維方法在礦物識別、影像可視化等領域的應用等。
高光譜遙感影像降維方法與應用 目錄
目錄
前言
第1章 緒論 1
1.1 高光譜遙感影像降維基礎 1
1.2 高光譜遙感影像數據特征 1
1.2.1 信息分布特征 1
1.2.2 維數災難與Hughes現象 5
1.3 高光譜遙感影像降維研究進展 6
1.3.1 特征提取 6
1.3.2 特征（波段）選擇 13
1.3.3 特征挖掘 18
1.3.4 多特征優化 20
1.4 高光譜遙感影像降維面臨的挑戰 24
1.4.1 特征可分性 24
1.4.2 特征質量評價 25
1.4.3 距離測度函數 25
1.4.4 特征數目確定 26
1.4.5 搜索優化策略 26
1.4.6 多特征優化 27
1.5 高光譜遙感影像降維的發展趨勢 27
參考文獻 28
第2章 高光譜遙感影像降維理論基礎 38
2.1 降維的理論基礎 38
2.2 特征提取 39
2.2.1 特征提取概述 39
2.2.2 特征提取方法 40
2.3 特征選擇 46
2.3.1 特征選擇概述 46
2.3.2 特征選擇方法 46
2.4 特征挖掘 53
2.4.1 特征挖掘概述 53
2.4.2 特征混合 54
2.5 降維方法評價與選擇 56
2.5.1 特征提取性能評價 56
2.5.2 特征選擇策略 58
2.6 本章小結 59
參考文獻 60
第3章 高光譜遙感影像特征提取 63
3.1 主成分分析和線性判別分析 63
3.1.1 主成分分析 63
3.1.2 線性判別分析 68
3.2 基于改進K均值的特征提取 72
3.2.1 K均值及其存在問題 72
3.2.2 改進K均值算法 74
3.2.3 算法復雜度分析 77
3.2.4 特征提取實驗與分析 78
3.2.5 K值估計分析 84
3.3 基于層次聚類和正交投影散度的特征提取 85
3.3.1 基于層次聚類的特征提取方法 86
3.3.2 層次聚類特征提取實驗與分析 89
3.4 基于優化判別局部對齊的高光譜遙感影像特征提取 93
3.4.1 DLA與KDLA算法 94
3.4.2 提出的優化判別局部對齊特征提取算法 99
3.4.3 優化判別局部對齊特征提取實驗與分析 101
3.5 本章小結 108
參考文獻 109
第4章 高光譜遙感影像波段選擇新方法 112
4.1 基于可分性準則的高光譜遙感影像波段選擇方法 112
4.1.1 基于MEAC的高光譜遙感影像波段選擇 112
4.1.2 基于OPD的波段選擇 114
4.1.3 基于自適應仿射傳播的波段選擇 117
4.1.4 基于可分性準則的波段選擇實驗分析 120
4.2 基于搜索策略的高光譜遙感影像波段選擇方法 124
4.2.1 基于PSO的波段選擇 124
4.2.2 基于螢火蟲算法的波段選擇 125
4.2.3 基于搜索策略的波段選擇實驗分析 129
4.3 本章小結 138
參考文獻 139
第5章 多目標優化的自適應波段選擇方法 140
5.1 多目標優化 140
5.1.1 多目標優化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想點 141
5.1.4 偏好結構 142
5.1.5 基本求解方法 142
5.2 參數優化的組合型降維方法 142
5.2.12 PSO算法 143
5.2.2 組合型螢火蟲引導的自適應波段選擇 150
5.3 多參數優化的極限學習機分類 160
5.3.1 參數優化內容與方法 160
5.3.2 極限學習機隱含層優化與分類 161
5.3.3 極限學習機核函數參數和懲罰參數優化與分類 164
5.4 本章小結 175
參考文獻 175
第6章 高光譜遙感多特征質量評估與優化 177
6.1 多特征提取 177
6.1.1 基于局部統計特征的空間特征提取 177
6.1.2 基于灰度共生矩陣的空間特征提取 178
6.1.3 基于Gabor濾波的空間特征提取 179
6.1.4 基于形態學操作的空間特征提取 179
6.2 多特征質量評估 180
6.2.1 定性評價 180
6.2.2 定量評價 181
6.2.3 特征質量評價指標的應用 184
6.3 基于改進螢火蟲算法的高光譜遙感多特征優化 200
6.3.1 隨機慣性權重的螢火蟲算法 200
6.3.2 目標函數的設置 201
6.3.3 多特征優化的流程 201
6.3.4 多特征優化實驗分析 202
6.4 基于多分類器集成的多特征性能評估 209
6.4.1 多分類器集成的思想介紹 209
6.4.2 分類器集成中的融合規則（投票法） 210
6.4.3 基于分類器集成的多特征性能評估 210
6.5 本章小結 218
參考文獻 218
第7章 高光譜遙感影像新型降維方法 220
7.1 引言 220
7.2 基于CGA的高光譜遙感影像波段選擇方法 221
7.2.1 共形空間 221
7.2.2 高光譜遙感影像波段選擇與CGA理論 222
7.2.3 歐幾里得空間與共形空間的映射關系設計 224
7.2.4 距離特征算子設計 224
7.2.5 目標函數構建 225
7.2.6 CGA波段選擇算法步驟 225
7.3 CGA波段選擇實驗與分析 227
7.3.1 HYDICE Washington DC Mall數據實驗 227
7.3.2 AVIRIS Salinas-A數據實驗 229
7.4 本章小結 231
參考文獻 231
第8章 高光譜遙感影像降維的應用 233
8.1 降維支持下的端元提取和礦物識別 233
8.1.1 AVIRIS Cuprite數據簡介 233
8.1.2 數據降維分析 234
8.1.3 端元提取和礦物識別分析 236
8.2 波段選擇約束的影像可視化 239
8.2.1 高光譜影像信息表達模式 239
8.2.2 映射區域代表性波段選擇 241
8.2.3 影像可視化算法復雜度分析 242
8.2.4 影像可視化實驗與分析 242
8.3 城市土地覆蓋分析 244
8.3.1 波段聚類 244
8.3.2 異常波段剔除 245
8.3.3 波段聚類算法步驟 245
8.3.4 HYDICE數據實驗 246
8.3.5 HYMAP數據實驗 249
8.4 本章小結 253
參考文獻 254
前言
第1章 緒論 1
1.1 高光譜遙感影像降維基礎 1
1.2 高光譜遙感影像數據特征 1
1.2.1 信息分布特征 1
1.2.2 維數災難與Hughes現象 5
1.3 高光譜遙感影像降維研究進展 6
1.3.1 特征提取 6
1.3.2 特征（波段）選擇 13
1.3.3 特征挖掘 18
1.3.4 多特征優化 20
1.4 高光譜遙感影像降維面臨的挑戰 24
1.4.1 特征可分性 24
1.4.2 特征質量評價 25
1.4.3 距離測度函數 25
1.4.4 特征數目確定 26
1.4.5 搜索優化策略 26
1.4.6 多特征優化 27
1.5 高光譜遙感影像降維的發展趨勢 27
參考文獻 28
第2章 高光譜遙感影像降維理論基礎 38
2.1 降維的理論基礎 38
2.2 特征提取 39
2.2.1 特征提取概述 39
2.2.2 特征提取方法 40
2.3 特征選擇 46
2.3.1 特征選擇概述 46
2.3.2 特征選擇方法 46
2.4 特征挖掘 53
2.4.1 特征挖掘概述 53
2.4.2 特征混合 54
2.5 降維方法評價與選擇 56
2.5.1 特征提取性能評價 56
2.5.2 特征選擇策略 58
2.6 本章小結 59
參考文獻 60
第3章 高光譜遙感影像特征提取 63
3.1 主成分分析和線性判別分析 63
3.1.1 主成分分析 63
3.1.2 線性判別分析 68
3.2 基于改進K均值的特征提取 72
3.2.1 K均值及其存在問題 72
3.2.2 改進K均值算法 74
3.2.3 算法復雜度分析 77
3.2.4 特征提取實驗與分析 78
3.2.5 K值估計分析 84
3.3 基于層次聚類和正交投影散度的特征提取 85
3.3.1 基于層次聚類的特征提取方法 86
3.3.2 層次聚類特征提取實驗與分析 89
3.4 基于優化判別局部對齊的高光譜遙感影像特征提取 93
3.4.1 DLA與KDLA算法 94
3.4.2 提出的優化判別局部對齊特征提取算法 99
3.4.3 優化判別局部對齊特征提取實驗與分析 101
3.5 本章小結 108
參考文獻 109
第4章 高光譜遙感影像波段選擇新方法 112
4.1 基于可分性準則的高光譜遙感影像波段選擇方法 112
4.1.1 基于MEAC的高光譜遙感影像波段選擇 112
4.1.2 基于OPD的波段選擇 114
4.1.3 基于自適應仿射傳播的波段選擇 117
4.1.4 基于可分性準則的波段選擇實驗分析 120
4.2 基于搜索策略的高光譜遙感影像波段選擇方法 124
4.2.1 基于PSO的波段選擇 124
4.2.2 基于螢火蟲算法的波段選擇 125
4.2.3 基于搜索策略的波段選擇實驗分析 129
4.3 本章小結 138
參考文獻 139
第5章 多目標優化的自適應波段選擇方法 140
5.1 多目標優化 140
5.1.1 多目標優化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想點 141
5.1.4 偏好結構 142
5.1.5 基本求解方法 142
5.2 參數優化的組合型降維方法 142
5.2.12 PSO算法 143
5.2.2 組合型螢火蟲引導的自適應波段選擇 150
5.3 多參數優化的極限學習機分類 160
5.3.1 參數優化內容與方法 160
5.3.2 極限學習機隱含層優化與分類 161
5.3.3 極限學習機核函數參數和懲罰參數優化與分類 164
5.4 本章小結 175
參考文獻 175
第6章 高光譜遙感多特征質量評估與優化 177
6.1 多特征提取 177
6.1.1 基于局部統計特征的空間特征提取 177
6.1.2 基于灰度共生矩陣的空間特征提取 178
6.1.3 基于Gabor濾波的空間特征提取 179
6.1.4 基于形態學操作的空間特征提取 179
6.2 多特征質量評估 180
6.2.1 定性評價 180
6.2.2 定量評價 181
6.2.3 特征質量評價指標的應用 184
6.3 基于改進螢火蟲算法的高光譜遙感多特征優化 200
6.3.1 隨機慣性權重的螢火蟲算法 200
6.3.2 目標函數的設置 201
6.3.3 多特征優化的流程 201
6.3.4 多特征優化實驗分析 202
6.4 基于多分類器集成的多特征性能評估 209
6.4.1 多分類器集成的思想介紹 209
6.4.2 分類器集成中的融合規則（投票法） 210
6.4.3 基于分類器集成的多特征性能評估 210
6.5 本章小結 218
參考文獻 218
第7章 高光譜遙感影像新型降維方法 220
7.1 引言 220
7.2 基于CGA的高光譜遙感影像波段選擇方法 221
7.2.1 共形空間 221
7.2.2 高光譜遙感影像波段選擇與CGA理論 222
7.2.3 歐幾里得空間與共形空間的映射關系設計 224
7.2.4 距離特征算子設計 224
7.2.5 目標函數構建 225
7.2.6 CGA波段選擇算法步驟 225
7.3 CGA波段選擇實驗與分析 227
7.3.1 HYDICE Washington DC Mall數據實驗 227
7.3.2 AVIRIS Salinas-A數據實驗 229
7.4 本章小結 231
參考文獻 231
第8章 高光譜遙感影像降維的應用 233
8.1 降維支持下的端元提取和礦物識別 233
8.1.1 AVIRIS Cuprite數據簡介 233
8.1.2 數據降維分析 234
8.1.3 端元提取和礦物識別分析 236
8.2 波段選擇約束的影像可視化 239
8.2.1 高光譜影像信息表達模式 239
8.2.2 映射區域代表性波段選擇 241
8.2.3 影像可視化算法復雜度分析 242
8.2.4 影像可視化實驗與分析 242
8.3 城市土地覆蓋分析 244
8.3.1 波段聚類 244
8.3.2 異常波段剔除 245
8.3.3 波段聚類算法步驟 245
8.3.4 HYDICE數據實驗 246
8.3.5 HYMAP數據實驗 249
8.4 本章小結 253
參考文獻 254
展開全部
高光譜遙感影像降維方法與應用 節選
第1章 緒論 1.1 高光譜遙感影像降維基礎 高光譜遙感技術作為遙感科學的新興方向之一，具有光譜分辨率高、圖譜合一等優勢（童慶禧等，2006）；近年來，在國土監測、農林調查、災害預警、生態環境評估、軍事國防等領域得到了廣泛應用（浦瑞良和宮鵬，2000；張良培和張立福，2011；張兵，2011；甘甫平等，2014）。高光譜遙感的應用需求要求對其數據能夠快速有效處理（杜培軍等，2012；Chang，2013）。現有方法在處理高光譜遙感的高維數據時算法復雜度較高，而且數據冗余和相關性降低了算法精度，同時會遇到 Hughes 現象（Hughes，1968），即在樣本數一定的情況下，隨著特征維數的增大，影像分類精度會出現“先增后降”的現象。在小樣本（small samplesize， SSS）的情況下，為了在樣本數目、數據維數和分類精度之間取得平衡，高光譜遙感影像的降維處理成為后續圖像處理與分析的必要環節之一。 高光譜遙感影像降維是在盡可能地保留有效信息或特征的同時，利用特征提取或波段選擇等方法，對高光譜遙感影像數據進行高效、精準處理，主要方法可歸納為幾類（Chang，2013；張良培和張立福，2011；Jia et al.，2013；張兵，2016）：一是特征提取，即對高光譜遙感影像所有波段進行數學變換，提取對后續應用*為有效的特征；二是特征選擇，即從高光譜遙感影像所有波段中選擇對后續分析*有效的波段；三是特征參數挖掘，即利用某種算法或模型，從高光譜遙感影像數據中挖掘出一定的特征信息；四是多特征優化，即基于若干特征（如光譜、紋理、空間、上下文等多種特征）構建多特征集合，建立一定的多特征優化模型進而對有效特征進行優化和評價。由于高光譜遙感數據的特殊性，現有研究依然面臨許多問題，需要機器學習、模式識別等領域相關理論和方法的支持。 1.2 高光譜遙感影像數據特征 1.2.1 信息分布特征 高光譜遙感影像數據可以看成是圖像立方體［圖1-1（a）］，包含了三種表達模式，即圖像空間（體現光譜響應與地物位置關系）、光譜空間（體現光譜響應與地物類型關系）、特征空間［圖1-1（b）～（d）］，實現了高光譜遙感數據圖像維、光譜維和特征維的有機結合。 圖1-1 HYDICE Washington DC數據示意圖 高光譜遙感數據的特點導致其信息在特征空間中的分布不同于其他數據（Landgrebe，1998）：高維特征空間中信息的分布是稀疏的、高維數據的線性投影遵循正態分布特性、分類時所需的訓練樣本與維數成正比、高維數據中存在大量數據冗余。以下從數據冗余的角度，分析高光譜遙感數據的空譜特性：①空間相關性，即影像某像元與其相鄰像元間存在相似性，可用相關函數描述。圖1-2和圖1-3展示了空間相關性的案例，該指標在一定程度上反映了不同地物類型的空間分布。②譜間相關性，即相鄰波段間同一地物像元的相關性，光譜分辨率與相關性呈正比關系。由圖1-4和圖1-5可知，相鄰波段間像元的相關性非常大。③空譜相關性，即空間和譜間的整體相關性。圖1-6展示了空譜相關性結果，計算時像素偏移設置為30，波段偏移設置為191。可見，高光譜遙感影像的空譜相關性比較強。 圖1-2 HYDICE Washington DC數據第50與100波段的局部空間結構 圖1-3 HYDICE Washington DC數據空間相關性 圖1-4 HYDICE Washington DC數據譜間相關性（關系矩陣） 圖1-5 HYDICE Washington DC數據譜間相關性 圖1-6 HYDICE Washington DC數據空譜間相關性 綜上所述：①高光譜遙感影像信息分布的稀疏性使得可以用低維空間近似地表達高維空間，這就是高光譜遙感影像降維的理論基礎；②高光譜遙感影像的相似性使得有可能對其有效信息進行挖掘，高光譜遙感影像降維具有可行性；③高光譜遙感受制于小樣本等問題突顯了其降維的必要性。 1.2.2 維數災難與 Hughes 現象 由上述分析可知，高光譜遙感影像數據具有高維、信息冗余、小樣本等特點，因而在數據處理過程中必然會遇到維數災難問題（curse of dimensionality）（Bellman，1961）。維數災難即由于維數增加而導致的計算量急劇增長及預測模型的過擬合問題。其原因就在于訓練樣本在高維特征空間中的分布非常稀疏，導致分類器參數估計困難，進而出現過擬合現象。因此，減少特征維數可以在某種程度上削弱“維數災難”的影響。 另外，對于分類器模型來講，維數的增加必然導致訓練樣本數量的快速增加，但是在高光譜遙感場景中，訓練樣本的獲取費時費力，其數目是有限的。而且研究發現，特征維數、樣本數目與分類精度之間存在著較為復雜的關系，即在樣本一定的情況下，隨著特征維數的增大，分類精度會出現“先增后降”的現象，如圖1-7所示，這就是著名的 Hughes 現象（Hughes，1968）。 圖1-7 樣本數目、維數和分類精度三者關系（Hughes，1968） 需要注意的是，很多研究往往把維數災難與 Hughes 現象相混淆，其實，兩者的關注點是不同的，維數災難強調高維數據下信息分布急劇變化所導致的問題，而 Hughes 現象則強調訓練樣本、特征維數對分類精度的影響問題。由維數災難與 Hughes 現象可知，小樣本情況下的影像降維可有效提升高光譜遙感的分類精度。 1.3 高光譜遙感影像降維研究進展 利用高光譜遙感影像的原始數據進行分類，不但數據量大、樣本少，且會面臨 Hughes 現象；為了在樣本數目、特征維數、分類精度、處理效率之間取得理想的平衡，高光譜遙感影像降維十分必要。本節主要從特征提取、特征（波段）選擇、特征參數挖掘、多特征優化等方面對高光譜遙感影像降維的研究進展進行分析。 1.3.1 特征提取 特征提取指通過一定的數學模式將影像數據從高維空間映射到低維空間，降維后的特征可在一定程度上保留原始數據盡可能多的重要信息。其主要方法可歸納為以下類型：基于指數的特征提取、基于統計理論的特征提取、基于波段相似性的特征提取、基于空間域的特征提取、基于流形學習的特征提取、基于深度學習的特征提取等。 1.基于指數的特征提取 該類方法主要基于地物的光譜特征，對若干波段進行數學運算，其目的是通過波段運算突出光譜波段的某些特征，即地物類別的光譜知識。例如，應用廣泛的遙感指數：歸一化植被指數（NDVI）（Haboudane et al.，2004）、歸一化水體指數（NDWI）（Gao，1995）、土壤調節植被指數（SAVI）（Huete，1988）、歸一化建筑指數（NDBI）（Zha et al.，2003）、遙感生態環境指數（RSEI）（徐涵秋，2013）等（表1-1）。基于知識的特征提取建立了提取特征與地表物理參數的直接關聯，但是在特征運算的過程中需要領域專家的參與。從本質上講，基于知識的特征提取類似于特征挖掘，即利用以上算法指標從原始光譜數據中提取出額外的不同于原始光譜數據的信息，提取的信息可以用于區分不同的地物類型和目標。 表1-1 高光譜感特征提取算法體系
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
上帝之肋:男人的真實旅程
- >
有舍有得是人生
- >
唐代進士錄
- >
經典常談
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
自卑與超越
- >
推拿
本類暢銷
