智能算法在高光谱遥感数据处理中的应用

书籍目录

第一部分高光谱数据处理基础

1绪论

1.1高光谱遥感原理

1.2高光谱遥感的发展历史

1.3高光谱遥感数据的分类

1.4高光谱卫星遥感光谱测量

1.5高光谱地面光谱测量

1.6高光谱遥感数据处理方法

2高光谱数据的获取与分析

2.1地物光谱数据库的建立

2.2高光谱地面实测数据的预处理

2.3地物光谱特征参数

2.4地物光谱建模分析

2.5卫星遥感高光谱数据的获取

2.6卫星遥感数据的存储格式

2.7卫星遥感图像的预处理

3常见铀矿物（实验数据）的光谱特征

3.1常见原生铀矿物的光谱特征

3.2常见次生铀矿物的光谱特征

4遥感数据的可视化

4.1视觉感知要素

4.2图像增强简介

4.3基本灰度变换

4.4直方图处理

4.5图像局部增强

4.6二阶微分空间域滤波

4.7图像融合技术

5高光谱数据的处理模型

5.1高光谱地面实测数据矿物识别模型

5.2高光谱地面实测数据物谱关联模型

5.3高光谱地面实测数据特征子集提取

5.4高光谱卫星遥感图像波段选择模型

5.5高光谱卫星遥感图像分类模型

第二部分高光谱数据处理的智能算法

6基于实例的学习方法

6.1引言

6.2K近邻分类器

6.3K近邻回归预测器

6.4K近邻算法在高光谱遥感数据处理中的应用

7决策树

7.1引言

7.2决策树的表示方法

7.3决策树的属性度量问题

7.4决策树方法在高光谱地面实测数据矿物识别中的应用

7.5决策树方法在高光谱卫星遥感图像分类中的应用

8贝叶斯分类

8.1引言

8.2贝叶斯法则与分类器

8.3贝叶斯在高光谱遥感数据处理中的应用

8.4贝叶斯与决策树的混合模型及其遥感应用

9人工神经网络

9.1引言

9.2反向传播网络基本原理

9.3神经网络的基本特性

9.4BP网在高光谱遥感数据处理中的应用

10演化算法

10.1引言

10.2演化算法的基本原理

10.3基本演化算法

10.4差分演化算法

10.5遗传规划

10.6基于基因表达式的演化算法

11支持向量机

11.1引言

11.2支持向量机分类

11.3支持向量机回归

11.4SVM在高光谱遥感数据处理中的应用

11.5改进的支持向量机及其遥感应用

12其他智能回归算法

12.1引言

12.2模型树算法

12.3线性回归算法

12.4遥感应用

13高光谱数据处理与分析系统

13.1高光谱数据的处理系统的组成

13.2国外高光谱遥感数据处理软件

13.3国内高光谱遥感数据处理软件

13.4基于智能算法的高光谱数据处理软件功能介绍

附录

附录1：GEP回归实现

附录2：GP回归实现

附录3：SMO回归实现

附录4：DESMO分类实现

附录5：特性指标测试结果明细

附录6：地物分类表

附录7：光谱数据库表结构

参考文献

作者简介

《智能算法在高光谱遥感数据处理中的应用》共包含两个部分的内容，第一部分是高光谱数据处理基础，包括高光谱遥感基本知识、高光谱数据的获取与分析、铀矿物的光谱特征、高光谱数据的处理模型等。第二部分是《智能算法在高光谱遥感数据处理中的应用》的重点，对常见的数据挖掘方法：基于实例的学习方法、决策树算法、贝叶斯分类算法、人工神经网络、演化算法、支持向量机算法、模型树算法及其在高光谱数据处理中的应用进行了全面探讨，对演化算法及其改进进行了重点研究，研究成果对演化算法应用具有重要的启示作用。

 智能算法在高光谱遥感数据处理中的应用下载