《面向?qū)ο筮b感影像分析理論與方法》是一本全面系統(tǒng)論述面向?qū)ο筮b感影像分析的不確定性及其模型優(yōu)化的基礎(chǔ)理論著作。《面向?qū)ο筮b感影像分析理論與方法》共12章，包括兩大部分內(nèi)容。第一部分：第1~6章及第12章為不確定性分析。重點(diǎn)闡述面向?qū)ο筮b感影像分析在分割、特征選擇、監(jiān)督分類、變化檢測(cè)等方面的不確定性機(jī)理，并介紹面向?qū)ο筮b感影像分析的研究進(jìn)展，定量分析相關(guān)的監(jiān)督分類文獻(xiàn)。第二部分：第7~11章為分類模型優(yōu)化方法。主要闡述主動(dòng)學(xué)習(xí)、深度學(xué)習(xí)等前沿技術(shù)在面向?qū)ο蟊O(jiān)督分類中的應(yīng)用，并介紹精度評(píng)估方法和面向?qū)ο蠓潜O(jiān)督分類方法。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 高分遙感數(shù)據(jù)的發(fā)展及傳統(tǒng)像素方法的問題 1
1.1.1 高分遙感影像數(shù)據(jù)及其應(yīng)用增加 1
1.1.2 像素遙感影像分析發(fā)展中遇到的瓶頸 2
1.2 面向?qū)ο筮b感影像分析的相關(guān)理論與方法研究 2
1.2.1 面向?qū)ο筮b感影像分析的發(fā)展現(xiàn)狀與挑戰(zhàn) 3
1.2.2 面向?qū)ο筮b感影像分析中不確定性因素的相關(guān)研究 6
1.2.3 面向?qū)ο蟮男畔⑻崛〖夹g(shù)相關(guān)研究 9
1.2.4 面向?qū)ο蟮淖兓瘷z測(cè)技術(shù)相關(guān)研究 12
1.2.5 面向?qū)ο筮b感影像分析不確定性的本質(zhì) 14
1.2.6 研究現(xiàn)狀評(píng)述及問題的提出 15
1.3 不確定性理論與模型優(yōu)化方法研究 16
1.3.1 面向?qū)ο筮b感影像分析不確定性研究 16
1.3.2 面向?qū)ο蟾叻诌b感影像分類模型優(yōu)化研究 16
參考文獻(xiàn) 17
第2章 多尺度分割不確定性與分割優(yōu)化 27
2.1 研究區(qū)與數(shù)據(jù)集介紹 27
2.1.1 分類研究數(shù)據(jù)集 27
2.1.2 變化檢測(cè)數(shù)據(jù)集 29
2.2 多尺度分割 29
2.3 分割結(jié)果評(píng)估指標(biāo) 30
2.3.1 內(nèi)部一致性測(cè)度 30
2.3.2 對(duì)象空間自相關(guān) 31
2.3.3 指標(biāo)聯(lián)合分析 32
2.4 自頂向下對(duì)象分解 32
2.5 分割精度驗(yàn)證方法 32
2.6 實(shí)驗(yàn)討論 33
2.6.1 各指標(biāo)隨尺度變化 33
2.6.2 多尺度分割結(jié)果精度指標(biāo)分析 38
2.6.3 基于自相關(guān)測(cè)度自頂向下分解 40
2.6.4 單尺度與多尺度分解結(jié)果比較 41
2.7 本章 小結(jié) 42
參考文獻(xiàn) 43
第3章 面向?qū)ο蟮奶卣髋c尺度效應(yīng)分析 45
3.1 采樣方法與訓(xùn)練樣本評(píng)估 45
3.1.1 分層隨機(jī)采 45
3.1.2 訓(xùn)練本評(píng)估 46
3.2 特征評(píng)估與選擇方法 47
3.2.1 特征計(jì)算 47
3.2.2 信息增益率 50
3.2.3 基于相關(guān)的特征選擇 50
3.3 隨機(jī)森林分類器 51
3.4 基于面積精度評(píng)估方法 53
3.5 實(shí)驗(yàn)分析 54
3.5.1 訓(xùn)練樣本尺寸評(píng)估 54
3.5.2 特征的尺度響應(yīng) 56
3.5.3 分類精度的尺度響應(yīng) 64
3.6 本章 小結(jié) 69
參考文獻(xiàn) 70
第4章 特征選擇方法的不確定性研究 72
4.1 概述 72
4.2 監(jiān)督特征選擇算法 73
4.2.1 卡方檢驗(yàn)算法 73
4.2.2 基于支持向量機(jī)的遞歸特征刪除方法 74
4.2.3 基于特征權(quán)重的特征選擇 74
4.2.4 隨機(jī)森林特征選擇 74
4.2.5 基于封裝的特征選擇 75
4.3 分類過程 75
4.4 實(shí)驗(yàn)討論 75
4.5 本章 小結(jié) 81
參考文獻(xiàn) 82
第5章 面向?qū)ο蟊O(jiān)督分類方法不確定性研究 84
5.1 常用監(jiān)督分類方法概述 84
5.1.1 支持向量機(jī) 84
5.1.2 最近鄰分類 85
5.1.3 決策樹 85
5.1.4 提升樹 85
5.1.5 樸素貝葉斯分類器 86
5.1.6 懲罰線性判別分析 86
5.2 統(tǒng)計(jì)測(cè)試方法 86
5.3 實(shí)驗(yàn)結(jié)果 87
5.3.1 分類對(duì)尺度響應(yīng) 87
5.3.2 篩選的特征與全部特征分類比較 92
5.3.3 訓(xùn)練集大小對(duì)各分類器的影響 93
5.3.4 同質(zhì)和異質(zhì)對(duì)象的影響 94
5.4 分析討論 100
5.4.1 分類器的綜合比較 100
5.4.2 分類器的尺度敏感性分析 101
5.4.3 特征選擇對(duì)分類器的影響 102
5.4.4 分類器的訓(xùn)練樣本尺寸敏感性分析 102
5.4.5 混合對(duì)象對(duì)分類器影響 103
5.5 本章 小結(jié) 103
參考文獻(xiàn) 104
第6章 面向?qū)ο笞兓瘷z測(cè)不確定性研究 108
6.1 概述 108
6.2 數(shù)據(jù)預(yù)處理 109
6.3 產(chǎn)生對(duì)象單元與特征 110
6.4 常用非監(jiān)督變化檢測(cè)方法 110
6.4.1 原始特征直接差分 111
6.4.2 均值和標(biāo)準(zhǔn)差信號(hào) 112
6.4.3 多元變化檢測(cè) 112
6.4.4 主成分分析 113
6.5 精度評(píng)估 113
6.6 實(shí)驗(yàn)結(jié)果與分析 113
6.6.1 實(shí)驗(yàn)結(jié)果 113
6.6.2 分析討論 119
6.7 本章 小結(jié) 120
參考文獻(xiàn) 121
第7章 面向?qū)ο蠓潜O(jiān)督分類方法探索 123
7.1 基于三角網(wǎng)的信息提取基本思想 123
7.2 三角網(wǎng)構(gòu)建 124
7.3 三角網(wǎng)聚類方法提取耕地信息 125
7.3.1 點(diǎn)群分布范圍聚類 126
7.3.2 優(yōu)化聚類輔助信息提取 128
7.4 實(shí)驗(yàn)與分析 130
7.4.1 實(shí)驗(yàn)區(qū)1 130
7.4.2 實(shí)驗(yàn)區(qū)2 136
7.4.3 實(shí)驗(yàn)區(qū)3 137
7.5 本章 小結(jié) 138
參考文獻(xiàn) 139
第8章 面向?qū)ο笥跋穹治龅木仍u(píng)估方法 140
8.1 經(jīng)典精度評(píng)價(jià)框架 140
8.1.1 抽樣設(shè)計(jì) 141
8.1.2 響應(yīng)設(shè)計(jì) 143
8.1.3 精度分析 144
8.2 基于多邊形的精度評(píng)價(jià)框架 144
8.2.1 基本介紹 144
8.2.2 抽樣設(shè)計(jì) 146
8.2.3 響應(yīng)設(shè)計(jì) 147
8.2.4 精度分析 147
8.3 分割精度評(píng)估 148
8.4 本章 小結(jié) 151
參考文獻(xiàn) 152
第9章 基于主動(dòng)學(xué)習(xí)的訓(xùn)練樣本對(duì)象優(yōu)化 156
9.1 基于信息熵的分割對(duì)象分類不確定性評(píng)估 156
9.2 基于主動(dòng)學(xué)習(xí)的訓(xùn)練樣本優(yōu)化方法 157
9.3 實(shí)驗(yàn)與分析 158
9.3.1 實(shí)驗(yàn)數(shù)據(jù) 158
9.3.2 利用分類不確定性劃分對(duì)象 158
9.3.3 評(píng)估不同對(duì)象類型對(duì)分類結(jié)果的影響 160
9.3.4 評(píng)估基于主動(dòng)學(xué)習(xí)的采樣結(jié)果 162
9.4 本章 小結(jié) 165
參考文獻(xiàn) 165
第10章 基于封裝的對(duì)象特征選擇方法 167
10.1 基于封裝的對(duì)象特征選擇方法的問題 167
10.2 基于面積的交叉驗(yàn)證的封裝特征優(yōu)化方法 168
10.3 實(shí)驗(yàn)與分析 168
10.3.1 實(shí)驗(yàn)數(shù)據(jù) 168
10.3.2 不同特征選擇方法下的分類結(jié)果比較 169
10.3.3 特征選擇結(jié)果比較 170
10.4 本章 小結(jié) 172
參考文獻(xiàn) 172
第11章 基于深度學(xué)習(xí)的對(duì)象分類方法模型 173
11.1 卷積神經(jīng)網(wǎng)絡(luò)在對(duì)象分類中的問題 173
11.2 基于CNN的面向?qū)ο蠓诸?174
11.2.1 分割對(duì)象圖像塊的生成 174
11.2.2 卷積神經(jīng)網(wǎng)絡(luò) 175
11.3 實(shí)驗(yàn)與分析 177
11.3.1 實(shí)驗(yàn)數(shù)據(jù) 177
11.3.2 基于傳統(tǒng)分類器的OBIA分類與基于CNN的OBIA分類的比較 179
11.3.3 圖像塊與分割對(duì)象之間的關(guān)系 181
11.3.4 基于CNN的OBIA分類對(duì)混合對(duì)象分類的影響 185
11.4 本章 小結(jié) 188
參考文獻(xiàn) 188
第12章 面向?qū)ο蟊O(jiān)督分類的文獻(xiàn)萃取分析與發(fā)展趨勢(shì)預(yù)測(cè) 191
12.1 概述 191
12.2 萃取分析方法 193
12.2.1 數(shù)據(jù)收集 193
12.2.2 數(shù)據(jù)庫(kù)構(gòu)建 194
12.2.3 萃取分析 195
12.3 萃取分析結(jié)果 196
12.3.1 研究的一般特征 196
12.3.2 不同傳感器影像的分類表現(xiàn) 199
12.3.3 分割尺度與空間分辨率的關(guān)系 200
12.3.4 訓(xùn)練樣本大小對(duì)精度的影響 201
12.3.5 監(jiān)督分類方法與模糊分類方法 202
12.3.6 分類類型對(duì)分類結(jié)果的影響 203
12.4 面向?qū)ο蟊O(jiān)督分類方法的問題與發(fā)展前景 205
12.4.1 分類方法的發(fā)展 205
12.4.2 采樣方法的發(fā)展 207
12.4.3 分割尺度優(yōu)化 207
12.4.4 特征選擇方法的研究 209
12.4.5 對(duì)象標(biāo)簽和精度評(píng)估 211
12.5 面向?qū)ο蟊O(jiān)督分類的不確定性 212
12.6 本章 小結(jié) 213
參考文獻(xiàn) 214
書單推薦
