8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Метод обработки изображений с дистанционным зондированием с дистанционным зондированием

Цена: 1 449руб.    (¥68.57)
Артикул: 536685864455

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:博库旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥130.832 765руб.
¥43.56921руб.
¥14.95316руб.
¥29.63627руб.
  • Информация о товаре
  • Фотографии

Основная информация:
наименование товара:Методы и приложения обработки изображений гиперспектрального дистанционного зондирования (Двенадцатый пятилетний план***) / Серия электронных информационных технологий национальной обороныформат:4
Автор:Чжао Чуньхуэй//Ван Лиго//Ци БиньКоличество страниц:
Цены:89Опубликованная дата:2016-04-01
Номер ISBN:9787121279089Время печати:2016-04-01
Издательство:Электронная промышленностьВерсия:1
Типы продукта:книгиИндийский:1
Оглавление:
Глава ***Теоретические основы гиперспектрального дистанционного зондирования
1.1 Обзор гиперспектрального дистанционного зондирования
1.2 Механизм формирования изображений гиперспектрального дистанционного зондирования
1.3 Характеристики гиперспектральных изображений дистанционного зондирования Земли
1.4 Выражение данных гиперспектрального изображения дистанционного зондирования Земли
1.5 Связь и отличие гиперспектрального ДЗЗ от мультиспектрального ДЗЗ
Рекомендации
Глава 2. Технология извлечения признаков гиперспектрального изображения
2.1 Обзор технологии извлечения признаков
2.2 Базовый алгоритм выделения признаков гиперспектральных изображений
2.2.1 Анализ главных компонентов
2.2.2 Линейный дискриминантный анализ
2.2.3 Алгоритм извлечения нелинейных признаков на основе ядра
2.2.4 Алгоритм неконтролируемого извлечения признаков, основанный на многообразном обучении
2.2.5 Метод извлечения признаков F-оценки
2.2.6 Рекурсивный метод исключения признаков
2.2.7 ***Малая доля шума
2.2.8 Независимый анализ компонентов
2.3 Алгоритм выделения полос гиперспектрального изображения
2.3.1 Алгоритм извлечения признаков локального разреженного внедрения с полуконтролируемым контролем
2.3.2 Алгоритм выделения признаков на основе глобальных и локальных структур многообразия
2.3.3 Алгоритм извлечения признаков, сочетающий генетический алгоритм и алгоритм муравьиной колонии
2.3.4 Алгоритм выделения признаков Монте-Карло на гиперспектральном изображении
2.4 Оценка производительности алгоритма выделения полос гиперспектрального изображения
2.4.1 Оценка производительности полуконтролируемого алгоритма извлечения признаков локального разреженного внедрения
2.4.2 Оценка производительности алгоритмов извлечения признаков на основе глобальных и локальных структур многообразия
2.4.3 Оценка производительности алгоритма выделения признаков, сочетающего генетический алгоритм и алгоритм муравьиной колонии
2.4.4 Оценка производительности алгоритма выделения признаков Монте-Карло для гиперспектральных изображений
Рекомендации
Глава 3. Технология извлечения конечных элементов гиперспектрального изображения
3.1 Обзор технологии извлечения концевых элементов
3.2 Базовый метод выделения конечных элементов для гиперспектральных изображений
3.2.1 Алгоритм извлечения конечных членов N-FINDR
3.2.2 Метод чистого пиксельного индекса
3.2.3 Анализ выпуклого конуса
3.2.4 Анализ ошибок итерации
3.2.5 Алгоритм ORASIS
3.2.6 Алгоритм автоматического извлечения морфологических конечных членов
3.2.7 Метод анализа вершинных компонентов
3.3 Алгоритм выделения конечных элементов гиперспектрального изображения
3.3.1 Улучшенный алгоритм извлечения гиперспектральных конечных элементов N-FINDR
3.3.2 Улучшенный алгоритм извлечения конечных членов IEA
3.4 Оценка эффективности метода выделения конечных элементов гиперспектральных изображений
3.4.1 Оценка производительности улучшенного алгоритма выделения гиперспектральных конечных элементов N-FINDR
3.4.2 Оценка производительности улучшенного алгоритма извлечения конечных членов IEA
Рекомендации
Глава 4. Технология спектрального несмешивания гиперспектральных изображений
4.1 Обзор технологии спектрального несмешивания
4.2 Базовый алгоритм спектрального разделения гиперспектральных изображений
4.2.1 Модель линейной спектральной смеси
4.2.2 Алгоритм инверсии численности
4.2.3 Теоретический анализ ошибки несмешивания
4.2.4 Алгоритм решения задачи о переменном концевом элементе
4.2.5 Оценка точности спектрального несмешивания
4.3 Алгоритм спектрального несмешивания гиперспектрального изображения
4.3.1 Алгоритм многочленного гиперспектрального несмешивания, основанный на проекции ортогонального подпространства
4.3.2 Многоуровневый многочленный алгоритм гиперспектрального несмешивания
4.3.3 Алгоритм многочленного гиперспектрального несмешивания, основанный на полностью ограниченном OMP
4.3.4 Алгоритм гиперспектрального несмешивания, основанный на разреженном представлении
4.3.5 Улучшенный алгоритм гиперспектрального разреженного несмешивания OMP
4.3.6 Адаптивный алгоритм разреженного гиперспектрального разреженного смешивания OMP
4.4 Оценка алгоритма спектрального несмешивания гиперспектрального изображения
4.4.1 Оценка алгоритма многочленного гиперспектрального несмешивания на основе OSP
4.4.2 Оценка алгоритма многочленного гиперспектрального несмешивания, основанного на наслоении
4.4.3 Оценка алгоритма многочленного гиперспектрального несмешивания, основанного на полностью ограниченном OMP
4.4.4 Оценка алгоритма гиперспектрального разделения, основанного на разреженном представлении
4.4.5 Оценка улучшенного алгоритма гиперспектрального разреженного размешивания OMP
4.4.6 Оценка алгоритма гиперспектрального разреженного размешивания OMP с адаптивной разреженностью
Рекомендации
Глава 5. Технология контролируемой классификации гиперспектральных изображений.
5.1 Обзор технологии классификации гиперспектральных изображений
5.2 Базовый алгоритм классификации гиперспектральных изображений
5.2.1 Согласование спектральных углов
5.2.2 Классификация максимального правдоподобия
5.2.3 Дискриминантный анализ Фишера
5.2.4 Классификатор машин опорных векторов
5.2.5 Машинный классификатор корреляционных векторов
5.3 Критерии оценки классификации гиперспектральных изображений
5.4 Алгоритм классификации гиперспектральных изображений
5.4.1 Классификация максимального правдоподобия на основе гауссовой фильтрации нижних частот
5.4.2 Классификация гиперспектральных изображений на основе вейвлет-функции ядра
5.4.3 Классификация гиперспектральных изображений на основе вейвлет-синтеза второго поколения
5.4.4 Классификация гиперспектральных изображений на основе взвешивания признаков
5.4.5 Классификация гиперспектральных изображений на основе настроенного разреженного представления ядра
5.4.6 Классификация гиперспектральных изображений на основе нечетко-взвешенного ядра кластеризации C-средних
5.4.7 Машина взвешенных опорных векторов с нечеткими признаками
5.5 Оценка производительности алгоритма классификации гиперспектральных изображений
5.5.1 Оценка эффективности классификации максимального правдоподобия на основе гауссовой фильтрации нижних частот
5.5.2 Оценка эффективности классификации гиперспектральных изображений на основе вейвлет-функции ядра
5.5.3 Оценка эффективности гиперспектральной классификации на основе слияния вейвлетов второго поколения
5.5.4 Оценка эффективности гиперспектральной классификации на основе взвешивания признаков
5.5.5 Оценка классификации на основе настроенного разреженного представления ядра
5.5.6 Классификационная оценка алгоритма кластеризации C-средних с нечетко-взвешенным ядром
5.5.7 Классификационная оценка машины взвешенных опорных векторов с нечеткими признаками
Рекомендации
Глава 6 Технология полуконтролируемой классификации гиперспектральных изображений
6.1 Обзор технологии полуконтролируемой классификации гиперспектральных изображений
6.2 Базовый алгоритм полуконтролируемой классификации гиперспектральных изображений
6.2.1 Основные понятия теории графов
6.2.2 Алгоритм полуконтролируемой классификации на основе графов
6.3 Алгоритм полуконтролируемой классификации гиперспектральных изображений
6.3.1 Алгоритм полуконтролируемой классификации, сочетающий LLGC и LS-SVM
6.3.2 Введение полуконтролируемой классификации отрицательного сходства LapSVM
6.3.3 Алгоритм гиперспектральной полуконтролируемой классификации на основе пространственно-спектральной информации
6.3.4 Алгоритм гиперспектральной полуконтролируемой классификации, основанный на передаче пространственно-спектральных меток
6.4 Оценка производительности алгоритма полуконтролируемой классификации гиперспектральных изображений
6.4.1 Оценка производительности алгоритма полуконтролируемой классификации, сочетающего LLGC и LS-SVM
6.4.2 Оценка эффективности полуконтролируемой классификации LapSVM путем введения отрицательного сходства
6.4.3 Оценка эффективности гиперспектральной полуконтролируемой классификации на основе пространственно-спектральной информации
6.4.4 Оценка эффективности гиперспектральной полуконтролируемой классификации на основе пространственно-спектральной передачи меток
Рекомендации
Глава 7. Технология обнаружения совпадения целей с помощью гиперспектрального изображения.
7.1 Обзор технологии обнаружения совпадения целей
7.2 Базовый алгоритм обнаружения совпадения целей для гиперспектральных изображений
7.2.1 Ключевые проблемы обнаружения совпадения целей на гиперспектральных изображениях
7.2.2 Общий процесс и критерии оценки обнаружения цели гиперспектрального изображения
7.2.3 Классический метод обнаружения соответствия цели гиперспектрального изображения
7.3 Алгоритм обнаружения совпадения целей гиперспектрального изображения
7.3.1 Обнаружение цели разреженного представления на основе пространственной поддержки
7.3.2 Обнаружение разреженных целей HSI на основе алгоритма StOMP
7.3.3 Обнаружение разреженной цели HSI на основе неконтролируемого словаря
7.4 Оценка алгоритма обнаружения соответствия цели гиперспектрального изображения
7.4.1 Оценка алгоритмов обнаружения целей с разреженным представлением, основанных на пространственной поддержке
7.4.2 Оценка алгоритма обнаружения разреженных целей HSI на основе алгоритма StOMP
7.4.3 Обнаружение разреженной цели HSI на основе неконтролируемого словаря
Рекомендации
Глава 8. Гиперспектральное изображение. Технология обнаружения аномальных объектов.
8.1 Обзор технологии обнаружения аномальных целей
8.2. Основная теория обнаружения аномальных целей на гиперспектральных изображениях
8.3 Алгоритм обнаружения аномальных целей на гиперспектральном изображении
8.3.1 Алгоритм обнаружения гиперспектральных аномалий ядра RX на основе пространственной фильтрации
8.3.2 Алгоритм обнаружения гиперспектральных аномалий с адаптивным ядром
8.3.3 Алгоритм обнаружения гиперспектральных аномалий на основе ядра метрики спектрального сходства
8.4 Оценка алгоритмов обнаружения аномальных целей на гиперспектральных изображениях
8.4.1 Оценка алгоритма обнаружения гиперспектральных аномалий RX ядра на основе пространственной фильтрации
8.4.2 Оценка адаптивного ядра алгоритма обнаружения гиперспектральных аномалий
8.4.3 Оценка алгоритма обнаружения гиперспектральных аномалий на основе ядра метрики спектрального сходства
Рекомендации
Глава 9. Гиперспектральная технология обнаружения целей в реальном времени.
9.1 Концепция и характеристики гиперспектрального дистанционного обнаружения целей
9.1.1 Форма существования цели
9.1.2 Характеристики обнаружения цели на гиперспектральном изображении
9.1.3 Классификация обнаружения целей гиперспектрального изображения
9.1.4 Ключевые проблемы обнаружения целей на гиперспектральных изображениях
9.2 Гиперспектральное обнаружение целей в реальном времени на основе рекурсии пикселей
9.2.1 Лемма о матрице Вудбери
9.2.2 Рекурсивный оператор реального времени на основе R-RXD
9.2.3 Рекурсивный оператор реального времени на основе K-RXD
9.2.4 Анализ сложности алгоритма
9.2.5 Результаты имитационного эксперимента и анализ
9.3 Гиперспектральное локальное обнаружение в реальном времени с использованием скользящего окна реального времени
9.3.1 Общие алгоритмы обнаружения гиперспектральных локальных аномалий
9.3.2 Обнаружение локальных аномалий с использованием скользящего окна реального времени
9.3.3 Результаты имитационного эксперимента и анализ
9.4 Новейший гиперспектральный алгоритм обнаружения целей, основанный на полосовой рекурсии
9.4.1 Лемма об обращении блочной матрицы
9.4.2 Гиперспектральное обнаружение целей на основе рекурсии полос
9.4.3 Результаты имитационного эксперимента и анализ
Рекомендации
***Глава 0. Технология обработки гиперспектрального сжатия изображений.
10.1 Обзор технологии обработки гиперспектрального сжатия
10.2 Критерии оценки качества сжатия изображений
10.3 Алгоритм обработки сжатия гиперспектрального изображения
10.3.1 Улучшенное сжатие изображений DCT на основе целевого распределения
10.3.2 Сжатие изображения с использованием многомерного векторного квантования
10.3.3 Сжатие изображения на основе формата Boost
10.3.4 Сжатие изображения на основе векторного квантования
10.4 Оценка эффективности сжатия гиперспектральных изображений
10.4.1 Оценка эффективности сжатия изображений на основе целевого распределения
10.4.2 Оценка эффективности сжатия изображения при многомерном векторном квантовании
10.4.3 Оценка эффективности сжатия изображения на основе формата Boost
10.4.4 Оценка эффективности сжатия изображения на основе векторного квантования
Рекомендации
***Глава 1. Технология визуализации гиперспектральных изображений.
11.1 Обзор технологии визуализации
11.2 Методы визуализации результатов категорийного анализа
11.2.1 Визуализация данных на основе результатов жесткой классификации
11.2.2 Метод автоматического присвоения цвета на основе результатов мягкой классификации
11.3 Оценка эффективности методов визуализации гиперспектральных изображений
11.3.1 Выбор и присвоение цветных этикеток для категорий жесткой классификации
11.3.2 Результаты визуализации на основе результатов спектрального несмешивания
Рекомендации
***Глава 2. Введение в приложения гиперспектрального дистанционного зондирования.
12.1 Применение гиперспектрального дистанционного зондирования в сельском хозяйстве
12.1.1 Мониторинг заболеваний сельскохозяйственных культур, мониторинг вредителей и болезней, а также мониторинг инвазивных видов
12.1.2 Оценка урожайности
12.1.3 Классификация культур
12.2 Применение гиперспектрального дистанционного зондирования в геологической сфере
12.2.1 Гиперспектральная идентификация минералов и картирование минералов
12.2.2 Исследования по обнаружению гиперспектральной информации о геологическом происхождении
12.2.3 Исследования по прогнозированию гиперспектральной минерализации
12.2.4 Исследования по обнаружению гиперспектральной геохимической информации о растительности
12.2.5 Исследование гиперспектрального анализа шахтной обстановки
12.3 Применение гиперспектрального дистанционного зондирования при мониторинге пастбищ
12.3.1 Оценка биомассы пастбищ
12.3.2 Идентификация типа пастбищ
12.3.3 Оценка химического состава пастбищ
12.4 Применение гиперспектрального дистанционного зондирования в лесных исследованиях
12.4.1 Лесное обследование
12.4.2 Биохимический состав леса и состояние здоровья леса
12.5 Применение гиперспектрального дистанционного зондирования в исследованиях океана
12.5.1 Фундаментальные исследования в области дистанционного зондирования океана
12.5.2 Прикладные исследования в области мониторинга морской и прибрежной среды
12.5.3 Тенденции развития гиперспектральных исследований океана**
12.6 Применение гиперспектрального дистанционного зондирования в мониторинге окружающей среды
12.6.1 Мониторинг загрязнения воздуха
12.6.2 Мониторинг эрозии почвы
12.6.3 Мониторинг водной среды
12.7 Применение гиперспектрального дистанционного зондирования для уменьшения опасности стихийных бедствий
12.7.1 Засуха
12.7.2 Наводнения
12.7.3 Низкотемпературный дождь, снег и заморозки
12.7.4 Пожар
12.7.5 Геологические катастрофы
12.7.6 Биологические катастрофы
12.7.7 Другие бедствия
Рекомендации

......

Цвет страница:
Краткое содержание:
Благодаря постоянному развитию технологий получения спектров изображений и технологий обработки данных дистанционного зондирования данные гиперспектрального дистанционного зондирования широко используются в различных областях. По сравнению с мультиспектральными изображениями, спектрометры гиперспектральной визуализации могут отображать изображения в более широком спектральном диапазоне и использовать узкие спектральные интервалы для получения сотен непрерывных изображений каналов и полос. Каждый пиксель может извлечь полную спектральную кривую высокого разрешения, что позволяет обнаружить многие особенности наземных объектов, которые изначально были необнаружимы на мультиспектральных изображениях.«Методы и приложения обработки изображений гиперспектрального дистанционного зондирования» под редакцией Чжао Чуньхуэй, Ван Лиго и Ци Бинь кратко знакомят с принципами построения изображений и характеристиками изображений гиперспектральных изображений дистанционного зондирования, в основном анализируют проблемы, возникающие при использовании различных технологий обработки гиперспектральных изображений, и предлагают соответствующие методы обработки;Содержание обсуждения в основном включает в себя выбор функций гиперспектрального дистанционного зондирования, выбор конечных членов гиперспектрального дистанционного зондирования, теорию смешанного спектра и спектральное несмешение, контролируемую классификацию и полуконтролируемую классификацию гиперспектральных изображений, а также выделение основных моментов обнаружения целей, аномальное обнаружение целей и обнаружение целей в реальном времени спектральных изображений, технологию сжатия гиперспектральных данных и технологию визуализации и, наконец, общее введение в применение гиперспектральных изображений дистанционного зондирования в различных областях. В эту книгу включены результаты научных исследований, достигнутые исследователями за многие годы, что позволяет читателям получить более полное представление о различных областях обработки гиперспектральных изображений и о последних достижениях исследований.
     Данная книга может быть использована не только как справочник для преподавателей и студентов специальностей ДЗЗ в колледжах и университетах, но и как справочник для исследователей, изучающих гиперспектральное ДЗЗ в различных информационных системах.Его также можно использовать в качестве справочника для лиц, принимающих решения, занимающихся экологическим мониторингом, управлением сельским хозяйством, освоением океана и другими прикладными уровнями.
    

......

Об авторе:
Чжао Чуньхуэй, 1965 года рождения, имеет степень доктора технических наук, профессор, научный руководитель и руководитель направления обработки сигналов и информации в Харбинском инженерном университете.Лучшие эксперты молодежи и среднего возраста провинции Хэйлунцзян, лучшие учителя страны и лучшие преподаватели.Член IEEE, член Китайского общества связи, *** член Китайского общества электроники, директор Китайского общества изображений и графики и Хэйлунцзянского общества биомедицинской инженерии, член профессионального комитета Комитета по информационной безопасности и противодействию Китайского общества артиллерийской промышленности и член профессионального комитета по беспилотным системам Китайского общества управления и контроля.Области исследований в основном включают интеллектуальную обработку информации и изображений, машинное обучение и распознавание образов, линейную обработку сигналов и обработку коммуникационных сигналов.Он руководил рядом научно-исследовательских проектов на национальном, провинциальном и министерском уровне, а также проектов реформы образования, опубликовал более 500 научных статей, из которых более 300 были проиндексированы SCI и EI, а также опубликовал 18 первоклассных работ и учебников, среди которых была выбрана «Микроволновые технологии».“ одиннадцать пять&rdquo“ двенадцать пять&рдкво; *** За планирование учебных материалов было получено 2 первых и 6 вторых премий провинциальных и министерских премий в области науки и техники, 3 первых и 3 вторых премии провинциальных премий за педагогические достижения, а также 22 патента на изобретения и авторские права на программное обеспечение.“ Фонд микроволновой технологии”Человек, отвечающий за курсы качества ***, и руководитель преподавательской группы ***.Он неоднократно получал такие награды, как Национальная *** докторская диссертация, *** Премия университета молодым преподавателям, Выдающийся молодежный научный фонд провинции Хэйлунцзян, Молодежная премия провинции Хэйлунцзян в области науки и технологий, Специальное государственное пособие, *** Научный сотрудник провинции Хэйлунцзян и *** Аспирант провинции Хэйлунцзян.Выбрано для первого сеанса“***Специальный план поддержки для талантов высокого уровня”Ведущие таланты.Ван Лиго, 1974 года рождения, имеет степень доктора технических наук, профессор и научный руководитель.Член IEEE, *** член Китайского института электроники, *** член Китайского общества связи, член профессионального комитета по визуализационной спектроскопии наблюдения Земли Китайского *** комитета Общества цифровой Земли (ISDE), член Китайского общества оптической инженерии и *** член профессионального комитета по оптоэлектронным технологиям астронавтического общества.Области исследований в основном включают технологии обработки изображений/сигналов, машинное обучение и теорию распознавания образов.Принимал участие или участвовал во многих научно-исследовательских проектах, таких как ***863 Key Project, *** Фонд естественных наук, *** Фонд докторских программ, Китайский фонд постдокторантов, Основные проекты центральных университетов, Ключевые и общие проекты Фонда естественных наук провинции Хэйлунцзян, Фонд открытого проекта ключевой лаборатории подводных роботов *** и т. д. Он опубликовал более 100 научных статей, из которых более 70 были проиндексированы SCI и EI, опубликовал 5 первоклассных работ и учебники, выиграл 2 вторых премии провинциальных и министерских премий в области науки и техники, а также получил более 20 национальных патентов на изобретения.Имеет такие награды, как отличник трех образовательных программ провинции Хэйлунцзян и первоклассный преподаватель аспирантов Харбинского инженерного университета.Ци Бинь, 1985 года рождения, имеет степень доктора технических наук и преподает.Направления исследований включают обработку данных гиперспектрального дистанционного зондирования Земли, обнаружение и сопровождение подводных целей, а также обнаружение пешеходов.Принимал участие в 1 *** проекте Фонда естественных наук, 3 проектах постдокторского фонда, 1 проекте Фонда провинции Хэйлунцзян, участвовал в качестве основного участника в 2 *** проектах Фонда естественных наук и 1 ключевом проекте Фонда естественных наук провинции Хэйлунцзян.Опубликовал 27 научных статей, 24 из которых были проиндексированы SCI и EI, опубликовал 1 первую работу, получил 1 провинциальную и министерскую награду в области науки и техники второго класса и получил 7 патентов на изобретения.