Вытягивание и классификация изображения с дистанционным зондированием.
Цена: 1 361руб. (¥64.4)
Артикул: 616100477193
Доставка по Китаю (НЕ включена в цену):
127 руб. (¥6)
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥72.871 540руб.
¥491 036руб.
¥ 40.5 27571руб.
¥41.3873руб.
Эта книга в основном вводит и суммирует годы работы автора и показывает достижения предлагаемого * теоретического метода в классификации географических объектов гиперспектральных изображений дистанционного зондирования.Содержание, описанное в этой книге, очень ориентирован на проблемы с гиперспектральным исследованием обработки изображений с дистанционным зондированием и систематически суммирует основные проблемы и новые трудности, с которыми сталкиваются исследования в этой области.Особенностью этой книги является введение новых интеллектуальных методов обработки информации и моделирования для решения основных задач при извлечении и классификации изображений гиперспектральных дистанционных зондирования.Эта книга намеревается сообщить соответствующим исследователям и студентам более подробно о основных теориях, новых технических методах и некоторых важных областях применения гиперспектральной обработки изображений дистанционного зондирования с систематической точки зрения.Цель написания этой книги состоит в том, чтобы предоставить книгу, которая отражает прогресс гиперспектрального удаленного чувства. Извлечение и классификация для инженерного и технического персонала в этой области и студентов обычных колледжей и университетов, чтобы соответствующие исследователи и студенты могли овладеть развитием теории получения информации и теории обработки.Принципы написания этой книги: (1) отражать прогресс в этой области, включая теоретические достижения и прикладные технологии этой области; Содержание;Эта книга подчеркивает следующие функции: (1) целостность основной теоретической системы, включающая несколько ссылок, таких как извлечение функций и конструкция классификатора в процессе классификации; Базы данных изображений и примеры применения типичных сценариев;
1.1 Обзор 001
1.1.1 Текущая ситуация и развитие дистанционного зондирования 001
1.1.2 Гиперспектральное разрешение дистанционное зондирование 002
1.1.3. Состояние текущего и разработка гиперспектрального дистанционного зондирования 006
1.1.4 Тематическое применение гиперспектрального дистанционного зондирования 015
1.2 Методы выбора и извлечения особенностей гиперспектральных изображений дистанционного зондирования 019
1.2.1 Метод выбора функций 020
1.2.2 Метод извлечения функций 023
1.3 Метод классификации изображений с гиперспектрами дистанционного зондирования 028
1.3.1 Классификация надзора 028
1.3.2 Неконтролируемая классификация 032
Ссылки 034
Глава 2 Сокращение размера и классификация гиперспектральных изображений дистанционного зондирования на основе анализа чувствительности нейронной сети 042
2.1 Введение 042
2.2 Анализ чувствительности нейронной сети 043
2.3 Выбор гиперспектральной полосы изображений дистанционного зондирования на основе анализа чувствительности нейронной сети 043
2.3.1 Предварительная обработка данных 043
2.3.2 Оптимизация алгоритма дифференциальной эволюции BP Нейронная сеть 044
2.3.3 Снижение измерений чувствительности 046
2.4 Эксперимент и анализ 047
Ссылки 056
Глава 3: Выбор и классификация гиперспектральных полос изображений дистанционного зондирования на основе многоцелевого алгоритма оптимизации частиц 059 059
3.1 Введение 059
3.2 Алгоритм оптимизации роя частиц 060
3.3 Метод выбора полосы изображений с гиперспектрами
3.3.1 Выбор полосы на основе алгоритма оптимизации роя частиц 060
3.3.2 Фитнес -функция 061
3.3.3 Процесс реализации алгоритма 062
3.4 Эксперимент и анализ 064
3.4.1 Эксперимент по гиперспектральным данным Aviris 064
3.4.2 Эксперимент по гиперспектральным данным Hydice 068
Ссылки 069
Глава 4 Гиперспектральная полоса изображений дистанционного зондирования на основе гибридного кодирования дифференциального эволюционного алгоритма роя и многоэкранного обучения
Выбор и категория 070
4.1 Введение 070
4.2 Алгоритм роя частиц и алгоритм дифференциальной эволюции 071
4.2.1 Алгоритм роя частиц 071
4.2.2 Алгоритм дифференциальной эволюции 071
4.3 Дифференциальная эволюционная частица полоса роя на основе гибридного кодирования 072
4.3.1 Смешанная кодировка 072
4.3.2 Фитнес -функция 073
4.3.3 Уменьшение размерности на основе эволюции дифференциальной эпохи частиц 074
4.3.4 Шаги внедрения выбора полос 076
4.4 Метод обучения с несколькими примерами 077
4.4.1 Проблема обучения с несколькими примерами 077
4.4.2 Общие алгоритмы классификации, основанные на многоэнажном обучении 080
4.5 Метод нечеткой кластеризации K-MEAN 083
4.6 Метод классификации изображений с гиперспектрами дистанционного зондирования на основе мульти-примеров обучения и векторной машины 085
4.6.1 Сегментация и извлечение пространственных функций 085
4.6.2 Генерация кластеризации нескольких примеров пакета 085
4.6.3 Процесс реализации алгоритма 085
4.7 Эксперимент и анализ 086
4.7.1 Экспериментальное описание данных 086
4.7.2 Экспериментальные результаты и анализ 088
Ссылки 092
Глава 5: Извлечение характеристик и классификация гиперспектральных изображений дистанционного зондирования на основе разложения матрицы блоков 094
5.1 Введение 094
5.2 Извлечение гиперспектральных функций изображения дистанционного зондирования 096
5.3 Блок -массив разложение 097
5.4 Процесс алгоритма 098
5.4.1 Приблизительное приобретение изображений полосы 099
5.4.2 Модель различия в диапазоне информации.
5.4.3.
5.5 Эксперимент и анализ 104
Ссылки 119
Глава 6: Извлечение признаков и классификация гиперспектральных изображений дистанционного зондирования на основе параметров пространственного преобразования 121
6.1 Введение 121
6.2 Параметр нулевой линейный анализ пространства (PNLDA) 123
6.2.1 Описание и вывод Алгоритма PNLDA 123
6.2.2 Элементы расчета, необходимые для алгоритма PNLDA 129
6.3 Эксперимент и анализ 130
Ссылки 139
Глава 7 Извлечение и классификация функций изображения гиперспектрального дистанционного зондирования на основе ядра спектральной текстуры и ядра спектрального пространства 141
7.1 Введение 141
7.2 Извлечение и классификация функции на основе ядра 143 спектра-текстуры 143
7.2.
7.2.2. Интерпретация особенности и квадратичная статистическая функция. Количество 145
7.2.3 Слияние спектральных характеристик и характеристик текстуры 147
7.3 Извлечение и классификация признаков на основе ядер спектрального пространственного фильтра 151
7.3.1 Региональная медианная фильтрация.
7.3.2 Слияние спектральных характеристик и пространственных характеристик 153
7.4 Эксперимент и анализ метода ST-SVM 155
7.4.1 Анализ экспериментальных результатов набора данных слияния высокого пространственного разрешения 2012 года (набор данных 1) 155
7.4.2.
7.4.3 Анализ экспериментальных результатов гиперспектрального дистанционного зондирования KSC-авирис набор данных (набор данных 3) 159
7.4.4.
7.5 Эксперимент и анализ метода SSF-SVM 164
7.5.1 Анализ экспериментальных результатов алгоритма SSF-SVM в наборе данных Aviris-IP 167
7.5.2 Анализ экспериментальных результатов алгоритма SSF-SVM в наборе данных Aviris-SVA 170
7.5.3 Анализ экспериментальных результатов алгоритма SSF-SVM в наборе данных PUD 172
Ссылки 176
Глава 8: Извлечение признаков и классификация гиперспектральных изображений дистанционного зондирования на основе передачи знаний 178
8.1 Введение 178
8.2 Классификация и характеристики обучения передачи 179
8.3 Методы исследования 180
8.3.1 Определение символа 180
8.3.2 Создание матрицы сходства целевых наборов данных и вспомогательных наборов данных 182
8.3.3 Модель передачи знаний для вспомогательных наборов данных 183
8.4 Особенность слияния гиперспектральных изображений дистанционного зондирования 184
8.5 Эксперимент и анализ 186
8.5.1.
8.5.2 Анализ экспериментальных результатов гиперспектрального дистанционного зондирования набор данных (набор данных 2) 188
Ссылки 190
......本书系统地介绍了高光谱遥感图像特征提取与分类的有关概念、原理和方法，以及新理论、新方法在高光谱图像特征提取与分类中的应用。全书 共 分 8 章 ， ： 高光谱图像降维、特征提取及分类的有关原理、发展及领域应用 ， 基于神经网络敏感性分析的高光谱遥感图像降维与分类 ， 基于多目标粒子群优化算法的高光谱遥感图像波段选择与分类 ， 基于混合编码差分进化粒子群算法及多示例学习的高光谱遥感图像波段选择与分类 基于块阵分解的高光谱遥感图像特征提取与分类 ， 基于参数空间Трансформированное извлечение и классификация с высоким спектром дистанционного зондирования, основанная на спектрах, ядре текстуры и спектрах? на основе миграции знаний.Содержание этой книги является новым, обращая внимание на теоретическую связь и может использоваться в качестве справочника от аспирантов, старших студентов и связанных с ними научных исследователей, инженерного и технического персонала в связанных специалистах, таких как электронная информация, технология компьютерных применений. , Автоматизация, Инструментальная наука и технология.......Доктор Чен Чжэ, доцент.В 2014 году Университет Хохай получил докторскую степень в области технологии компьютерных приложений.Сейчас работаю в Школе компьютера и информации, Университет Хохай.В последние годы он председательствовал по пяти проектам, в том числе Национальный молодежный проект Фонда естественных наук, молодежный проект Фонда естественных наук Цзянсу и проект по постдокторскому фонду Китая.Участие завершено“ двенадцать пять&Rdquo; Национальный проект поддержки научной и технической поддержки, Министерство водных ресурсов“948” планирование проектов и других проектов.Он руководил и участвовал во второй премии науки и техники китайского общества электроники, 1 секундной премии провинции Цзянси и 1 -секундной премии науки и техники провинции Хейлонгцзян.Было опубликовано более 40 академических работ и более 20 уполномоченных государством для изобретения *.В настоящее время он в основном занимается исследованиями и преподаванием по распознаванию образцов и искусственному интеллекту, получению многосенсорной информации и обработке, телеметрии и системам дистанционного зондирования и т. Д.