扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
宇宙、量子和人类心灵
-
>
(精)BBC地球故事系列-星际旅行
-
>
从一到无穷大
-
>
图说相对论(32开平装)
-
>
一本有趣又有料的化学书
-
>
刘薰宇的数学三书:原来数学可以这样学全3册
-
>
光学零件制造工艺学
高光谱遥感影像降维方法与应用 版权信息
- ISBN：9787030702807
- 条形码：9787030702807 ; 978-7-03-070280-7
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
高光谱遥感影像降维方法与应用 本书特色
适读人群 ：从事高光谱遥感、遥感信息智能处理、遥感应用等研究和实践的科研人员、高校教师、研究生和高年级本科生本书针对高光谱遥感数据具有维数高、数据量大、冗余度高、不确定性显著、样本选择困难等特点，引入机器学习、模式识别等理论和技术，开展高光谱遥感影像降维理论、方法与应用的研究.
高光谱遥感影像降维方法与应用 内容简介
针对高光谱遥感数据具有的维数高、数据量大、冗余度高、不确定性显著、样本选择困难等特点，将机器学习、模式识别等理论和技术引入高光谱遥感影像降维研究领域，开展高光谱遥感影像降维理论、方法与应用的研究，是本书的主要内容。全书内容包括七章：章介绍了高光谱遥感影像降维及其进展；第二章介绍了高光谱遥感影像降维的理论基础、常用方法，以及目前存在的难点问题；第三章探讨了高光谱遥感影像特征提取方法，重点是基于聚类和层次聚类的两种特征提取算法；第四章分析了高光谱遥感影像波段选择方法，重点从可分性准则、搜索策略和特征数目等三个方面提出了新型方法；第五章重点研究多目标优化的自适应的波段选择方法，分析了特征选择算法性能的评价指标和优化方法；第六章讨论了基于共形几何代数的新型波段选择方法，研究了共形空间下高光谱遥感影像的信息表达问题；很后介绍了高光谱遥感影像降维方法在矿物识别、影像可视化等领域的应用等。
高光谱遥感影像降维方法与应用 目录
目录
前言
第1章 绪论 1
1.1 高光谱遥感影像降维基础 1
1.2 高光谱遥感影像数据特征 1
1.2.1 信息分布特征 1
1.2.2 维数灾难与Hughes现象 5
1.3 高光谱遥感影像降维研究进展 6
1.3.1 特征提取 6
1.3.2 特征（波段）选择 13
1.3.3 特征挖掘 18
1.3.4 多特征优化 20
1.4 高光谱遥感影像降维面临的挑战 24
1.4.1 特征可分性 24
1.4.2 特征质量评价 25
1.4.3 距离测度函数 25
1.4.4 特征数目确定 26
1.4.5 搜索优化策略 26
1.4.6 多特征优化 27
1.5 高光谱遥感影像降维的发展趋势 27
参考文献 28
第2章 高光谱遥感影像降维理论基础 38
2.1 降维的理论基础 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 特征选择 46
2.3.1 特征选择概述 46
2.3.2 特征选择方法 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 降维方法评价与选择 56
2.5.1 特征提取性能评价 56
2.5.2 特征选择策略 58
2.6 本章小结 59
参考文献 60
第3章 高光谱遥感影像特征提取 63
3.1 主成分分析和线性判别分析 63
3.1.1 主成分分析 63
3.1.2 线性判别分析 68
3.2 基于改进K均值的特征提取 72
3.2.1 K均值及其存在问题 72
3.2.2 改进K均值算法 74
3.2.3 算法复杂度分析 77
3.2.4 特征提取实验与分析 78
3.2.5 K值估计分析 84
3.3 基于层次聚类和正交投影散度的特征提取 85
3.3.1 基于层次聚类的特征提取方法 86
3.3.2 层次聚类特征提取实验与分析 89
3.4 基于优化判别局部对齐的高光谱遥感影像特征提取 93
3.4.1 DLA与KDLA算法 94
3.4.2 提出的优化判别局部对齐特征提取算法 99
3.4.3 优化判别局部对齐特征提取实验与分析 101
3.5 本章小结 108
参考文献 109
第4章 高光谱遥感影像波段选择新方法 112
4.1 基于可分性准则的高光谱遥感影像波段选择方法 112
4.1.1 基于MEAC的高光谱遥感影像波段选择 112
4.1.2 基于OPD的波段选择 114
4.1.3 基于自适应仿射传播的波段选择 117
4.1.4 基于可分性准则的波段选择实验分析 120
4.2 基于搜索策略的高光谱遥感影像波段选择方法 124
4.2.1 基于PSO的波段选择 124
4.2.2 基于萤火虫算法的波段选择 125
4.2.3 基于搜索策略的波段选择实验分析 129
4.3 本章小结 138
参考文献 139
第5章 多目标优化的自适应波段选择方法 140
5.1 多目标优化 140
5.1.1 多目标优化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想点 141
5.1.4 偏好结构 142
5.1.5 基本求解方法 142
5.2 参数优化的组合型降维方法 142
5.2.12 PSO算法 143
5.2.2 组合型萤火虫引导的自适应波段选择 150
5.3 多参数优化的极限学习机分类 160
5.3.1 参数优化内容与方法 160
5.3.2 极限学习机隐含层优化与分类 161
5.3.3 极限学习机核函数参数和惩罚参数优化与分类 164
5.4 本章小结 175
参考文献 175
第6章 高光谱遥感多特征质量评估与优化 177
6.1 多特征提取 177
6.1.1 基于局部统计特征的空间特征提取 177
6.1.2 基于灰度共生矩阵的空间特征提取 178
6.1.3 基于Gabor滤波的空间特征提取 179
6.1.4 基于形态学操作的空间特征提取 179
6.2 多特征质量评估 180
6.2.1 定性评价 180
6.2.2 定量评价 181
6.2.3 特征质量评价指标的应用 184
6.3 基于改进萤火虫算法的高光谱遥感多特征优化 200
6.3.1 随机惯性权重的萤火虫算法 200
6.3.2 目标函数的设置 201
6.3.3 多特征优化的流程 201
6.3.4 多特征优化实验分析 202
6.4 基于多分类器集成的多特征性能评估 209
6.4.1 多分类器集成的思想介绍 209
6.4.2 分类器集成中的融合规则（投票法） 210
6.4.3 基于分类器集成的多特征性能评估 210
6.5 本章小结 218
参考文献 218
第7章 高光谱遥感影像新型降维方法 220
7.1 引言 220
7.2 基于CGA的高光谱遥感影像波段选择方法 221
7.2.1 共形空间 221
7.2.2 高光谱遥感影像波段选择与CGA理论 222
7.2.3 欧几里得空间与共形空间的映射关系设计 224
7.2.4 距离特征算子设计 224
7.2.5 目标函数构建 225
7.2.6 CGA波段选择算法步骤 225
7.3 CGA波段选择实验与分析 227
7.3.1 HYDICE Washington DC Mall数据实验 227
7.3.2 AVIRIS Salinas-A数据实验 229
7.4 本章小结 231
参考文献 231
第8章 高光谱遥感影像降维的应用 233
8.1 降维支持下的端元提取和矿物识别 233
8.1.1 AVIRIS Cuprite数据简介 233
8.1.2 数据降维分析 234
8.1.3 端元提取和矿物识别分析 236
8.2 波段选择约束的影像可视化 239
8.2.1 高光谱影像信息表达模式 239
8.2.2 映射区域代表性波段选择 241
8.2.3 影像可视化算法复杂度分析 242
8.2.4 影像可视化实验与分析 242
8.3 城市土地覆盖分析 244
8.3.1 波段聚类 244
8.3.2 异常波段剔除 245
8.3.3 波段聚类算法步骤 245
8.3.4 HYDICE数据实验 246
8.3.5 HYMAP数据实验 249
8.4 本章小结 253
参考文献 254
前言
第1章 绪论 1
1.1 高光谱遥感影像降维基础 1
1.2 高光谱遥感影像数据特征 1
1.2.1 信息分布特征 1
1.2.2 维数灾难与Hughes现象 5
1.3 高光谱遥感影像降维研究进展 6
1.3.1 特征提取 6
1.3.2 特征（波段）选择 13
1.3.3 特征挖掘 18
1.3.4 多特征优化 20
1.4 高光谱遥感影像降维面临的挑战 24
1.4.1 特征可分性 24
1.4.2 特征质量评价 25
1.4.3 距离测度函数 25
1.4.4 特征数目确定 26
1.4.5 搜索优化策略 26
1.4.6 多特征优化 27
1.5 高光谱遥感影像降维的发展趋势 27
参考文献 28
第2章 高光谱遥感影像降维理论基础 38
2.1 降维的理论基础 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 特征选择 46
2.3.1 特征选择概述 46
2.3.2 特征选择方法 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 降维方法评价与选择 56
2.5.1 特征提取性能评价 56
2.5.2 特征选择策略 58
2.6 本章小结 59
参考文献 60
第3章 高光谱遥感影像特征提取 63
3.1 主成分分析和线性判别分析 63
3.1.1 主成分分析 63
3.1.2 线性判别分析 68
3.2 基于改进K均值的特征提取 72
3.2.1 K均值及其存在问题 72
3.2.2 改进K均值算法 74
3.2.3 算法复杂度分析 77
3.2.4 特征提取实验与分析 78
3.2.5 K值估计分析 84
3.3 基于层次聚类和正交投影散度的特征提取 85
3.3.1 基于层次聚类的特征提取方法 86
3.3.2 层次聚类特征提取实验与分析 89
3.4 基于优化判别局部对齐的高光谱遥感影像特征提取 93
3.4.1 DLA与KDLA算法 94
3.4.2 提出的优化判别局部对齐特征提取算法 99
3.4.3 优化判别局部对齐特征提取实验与分析 101
3.5 本章小结 108
参考文献 109
第4章 高光谱遥感影像波段选择新方法 112
4.1 基于可分性准则的高光谱遥感影像波段选择方法 112
4.1.1 基于MEAC的高光谱遥感影像波段选择 112
4.1.2 基于OPD的波段选择 114
4.1.3 基于自适应仿射传播的波段选择 117
4.1.4 基于可分性准则的波段选择实验分析 120
4.2 基于搜索策略的高光谱遥感影像波段选择方法 124
4.2.1 基于PSO的波段选择 124
4.2.2 基于萤火虫算法的波段选择 125
4.2.3 基于搜索策略的波段选择实验分析 129
4.3 本章小结 138
参考文献 139
第5章 多目标优化的自适应波段选择方法 140
5.1 多目标优化 140
5.1.1 多目标优化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想点 141
5.1.4 偏好结构 142
5.1.5 基本求解方法 142
5.2 参数优化的组合型降维方法 142
5.2.12 PSO算法 143
5.2.2 组合型萤火虫引导的自适应波段选择 150
5.3 多参数优化的极限学习机分类 160
5.3.1 参数优化内容与方法 160
5.3.2 极限学习机隐含层优化与分类 161
5.3.3 极限学习机核函数参数和惩罚参数优化与分类 164
5.4 本章小结 175
参考文献 175
第6章 高光谱遥感多特征质量评估与优化 177
6.1 多特征提取 177
6.1.1 基于局部统计特征的空间特征提取 177
6.1.2 基于灰度共生矩阵的空间特征提取 178
6.1.3 基于Gabor滤波的空间特征提取 179
6.1.4 基于形态学操作的空间特征提取 179
6.2 多特征质量评估 180
6.2.1 定性评价 180
6.2.2 定量评价 181
6.2.3 特征质量评价指标的应用 184
6.3 基于改进萤火虫算法的高光谱遥感多特征优化 200
6.3.1 随机惯性权重的萤火虫算法 200
6.3.2 目标函数的设置 201
6.3.3 多特征优化的流程 201
6.3.4 多特征优化实验分析 202
6.4 基于多分类器集成的多特征性能评估 209
6.4.1 多分类器集成的思想介绍 209
6.4.2 分类器集成中的融合规则（投票法） 210
6.4.3 基于分类器集成的多特征性能评估 210
6.5 本章小结 218
参考文献 218
第7章 高光谱遥感影像新型降维方法 220
7.1 引言 220
7.2 基于CGA的高光谱遥感影像波段选择方法 221
7.2.1 共形空间 221
7.2.2 高光谱遥感影像波段选择与CGA理论 222
7.2.3 欧几里得空间与共形空间的映射关系设计 224
7.2.4 距离特征算子设计 224
7.2.5 目标函数构建 225
7.2.6 CGA波段选择算法步骤 225
7.3 CGA波段选择实验与分析 227
7.3.1 HYDICE Washington DC Mall数据实验 227
7.3.2 AVIRIS Salinas-A数据实验 229
7.4 本章小结 231
参考文献 231
第8章 高光谱遥感影像降维的应用 233
8.1 降维支持下的端元提取和矿物识别 233
8.1.1 AVIRIS Cuprite数据简介 233
8.1.2 数据降维分析 234
8.1.3 端元提取和矿物识别分析 236
8.2 波段选择约束的影像可视化 239
8.2.1 高光谱影像信息表达模式 239
8.2.2 映射区域代表性波段选择 241
8.2.3 影像可视化算法复杂度分析 242
8.2.4 影像可视化实验与分析 242
8.3 城市土地覆盖分析 244
8.3.1 波段聚类 244
8.3.2 异常波段剔除 245
8.3.3 波段聚类算法步骤 245
8.3.4 HYDICE数据实验 246
8.3.5 HYMAP数据实验 249
8.4 本章小结 253
参考文献 254
展开全部
高光谱遥感影像降维方法与应用 节选
第1章 绪论 1.1 高光谱遥感影像降维基础 高光谱遥感技术作为遥感科学的新兴方向之一，具有光谱分辨率高、图谱合一等优势（童庆禧等，2006）；近年来，在国土监测、农林调查、灾害预警、生态环境评估、军事国防等领域得到了广泛应用（浦瑞良和宫鹏，2000；张良培和张立福，2011；张兵，2011；甘甫平等，2014）。高光谱遥感的应用需求要求对其数据能够快速有效处理（杜培军等，2012；Chang，2013）。现有方法在处理高光谱遥感的高维数据时算法复杂度较高，而且数据冗余和相关性降低了算法精度，同时会遇到 Hughes 现象（Hughes，1968），即在样本数一定的情况下，随着特征维数的增大，影像分类精度会出现“先增后降”的现象。在小样本（small samplesize， SSS）的情况下，为了在样本数目、数据维数和分类精度之间取得平衡，高光谱遥感影像的降维处理成为后续图像处理与分析的必要环节之一。 高光谱遥感影像降维是在尽可能地保留有效信息或特征的同时，利用特征提取或波段选择等方法，对高光谱遥感影像数据进行高效、精准处理，主要方法可归纳为几类（Chang，2013；张良培和张立福，2011；Jia et al.，2013；张兵，2016）：一是特征提取，即对高光谱遥感影像所有波段进行数学变换，提取对后续应用*为有效的特征；二是特征选择，即从高光谱遥感影像所有波段中选择对后续分析*有效的波段；三是特征参数挖掘，即利用某种算法或模型，从高光谱遥感影像数据中挖掘出一定的特征信息；四是多特征优化，即基于若干特征（如光谱、纹理、空间、上下文等多种特征）构建多特征集合，建立一定的多特征优化模型进而对有效特征进行优化和评价。由于高光谱遥感数据的特殊性，现有研究依然面临许多问题，需要机器学习、模式识别等领域相关理论和方法的支持。 1.2 高光谱遥感影像数据特征 1.2.1 信息分布特征 高光谱遥感影像数据可以看成是图像立方体［图1-1（a）］，包含了三种表达模式，即图像空间（体现光谱响应与地物位置关系）、光谱空间（体现光谱响应与地物类型关系）、特征空间［图1-1（b）～（d）］，实现了高光谱遥感数据图像维、光谱维和特征维的有机结合。 图1-1 HYDICE Washington DC数据示意图 高光谱遥感数据的特点导致其信息在特征空间中的分布不同于其他数据（Landgrebe，1998）：高维特征空间中信息的分布是稀疏的、高维数据的线性投影遵循正态分布特性、分类时所需的训练样本与维数成正比、高维数据中存在大量数据冗余。以下从数据冗余的角度，分析高光谱遥感数据的空谱特性：①空间相关性，即影像某像元与其相邻像元间存在相似性，可用相关函数描述。图1-2和图1-3展示了空间相关性的案例，该指标在一定程度上反映了不同地物类型的空间分布。②谱间相关性，即相邻波段间同一地物像元的相关性，光谱分辨率与相关性呈正比关系。由图1-4和图1-5可知，相邻波段间像元的相关性非常大。③空谱相关性，即空间和谱间的整体相关性。图1-6展示了空谱相关性结果，计算时像素偏移设置为30，波段偏移设置为191。可见，高光谱遥感影像的空谱相关性比较强。 图1-2 HYDICE Washington DC数据第50与100波段的局部空间结构 图1-3 HYDICE Washington DC数据空间相关性 图1-4 HYDICE Washington DC数据谱间相关性（关系矩阵） 图1-5 HYDICE Washington DC数据谱间相关性 图1-6 HYDICE Washington DC数据空谱间相关性 综上所述：①高光谱遥感影像信息分布的稀疏性使得可以用低维空间近似地表达高维空间，这就是高光谱遥感影像降维的理论基础；②高光谱遥感影像的相似性使得有可能对其有效信息进行挖掘，高光谱遥感影像降维具有可行性；③高光谱遥感受制于小样本等问题突显了其降维的必要性。 1.2.2 维数灾难与 Hughes 现象 由上述分析可知，高光谱遥感影像数据具有高维、信息冗余、小样本等特点，因而在数据处理过程中必然会遇到维数灾难问题（curse of dimensionality）（Bellman，1961）。维数灾难即由于维数增加而导致的计算量急剧增长及预测模型的过拟合问题。其原因就在于训练样本在高维特征空间中的分布非常稀疏，导致分类器参数估计困难，进而出现过拟合现象。因此，减少特征维数可以在某种程度上削弱“维数灾难”的影响。 另外，对于分类器模型来讲，维数的增加必然导致训练样本数量的快速增加，但是在高光谱遥感场景中，训练样本的获取费时费力，其数目是有限的。而且研究发现，特征维数、样本数目与分类精度之间存在着较为复杂的关系，即在样本一定的情况下，随着特征维数的增大，分类精度会出现“先增后降”的现象，如图1-7所示，这就是著名的 Hughes 现象（Hughes，1968）。 图1-7 样本数目、维数和分类精度三者关系（Hughes，1968） 需要注意的是，很多研究往往把维数灾难与 Hughes 现象相混淆，其实，两者的关注点是不同的，维数灾难强调高维数据下信息分布急剧变化所导致的问题，而 Hughes 现象则强调训练样本、特征维数对分类精度的影响问题。由维数灾难与 Hughes 现象可知，小样本情况下的影像降维可有效提升高光谱遥感的分类精度。 1.3 高光谱遥感影像降维研究进展 利用高光谱遥感影像的原始数据进行分类，不但数据量大、样本少，且会面临 Hughes 现象；为了在样本数目、特征维数、分类精度、处理效率之间取得理想的平衡，高光谱遥感影像降维十分必要。本节主要从特征提取、特征（波段）选择、特征参数挖掘、多特征优化等方面对高光谱遥感影像降维的研究进展进行分析。 1.3.1 特征提取 特征提取指通过一定的数学模式将影像数据从高维空间映射到低维空间，降维后的特征可在一定程度上保留原始数据尽可能多的重要信息。其主要方法可归纳为以下类型：基于指数的特征提取、基于统计理论的特征提取、基于波段相似性的特征提取、基于空间域的特征提取、基于流形学习的特征提取、基于深度学习的特征提取等。 1.基于指数的特征提取 该类方法主要基于地物的光谱特征，对若干波段进行数学运算，其目的是通过波段运算突出光谱波段的某些特征，即地物类别的光谱知识。例如，应用广泛的遥感指数：归一化植被指数（NDVI）（Haboudane et al.，2004）、归一化水体指数（NDWI）（Gao，1995）、土壤调节植被指数（SAVI）（Huete，1988）、归一化建筑指数（NDBI）（Zha et al.，2003）、遥感生态环境指数（RSEI）（徐涵秋，2013）等（表1-1）。基于知识的特征提取建立了提取特征与地表物理参数的直接关联，但是在特征运算的过程中需要领域专家的参与。从本质上讲，基于知识的特征提取类似于特征挖掘，即利用以上算法指标从原始光谱数据中提取出额外的不同于原始光谱数据的信息，提取的信息可以用于区分不同的地物类型和目标。 表1-1 高光谱感特征提取算法体系
书友推荐
- >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥15.1¥39.8 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
推拿
推拿
¥12.2¥32.0 - >
小考拉的故事-套装共3册
小考拉的故事-套装共3册
¥36.7¥68.0 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥16.4¥49.8 - >
我与地坛
我与地坛
¥16.8¥28.0 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0
本类畅销
-
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6 -
2023读书月阅读盲盒——我什么场面没见过？
¥42.3¥158 -
2023读书月阅读盲盒——去码头整点什么薯条？
¥42.3¥158
