注冊 | 登錄讀書好,好讀書,讀好書!
讀書網(wǎng)-DuShu.com
當(dāng)前位置: 首頁出版圖書科學(xué)技術(shù)計算機/網(wǎng)絡(luò)認證與等級考試全國計算機應(yīng)用技術(shù)(NIT)基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究

基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究

基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究

定 價:¥88.00

作 者: 孫偉偉,劉春,姚連璧
出版社: 同濟大學(xué)出版社
叢編項: 同濟博士論叢
標 簽: 暫缺

ISBN: 9787560869865 出版時間: 2017-05-01 包裝:
開本: 16開 頁數(shù): 202 字數(shù):  

內(nèi)容簡介

  《同濟博士論叢:基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究》主要利用流形學(xué)習(xí)進行了高光譜遙感影像的降維研究,主要內(nèi)容包括:高光譜影像的低維流形坐標的光譜意義解釋;不同流形坐標所代表的高光譜影像中地物光譜特征差異分析;高光譜遙感影像的UL-Isomap降維算法及實驗分析;高光譜遙感影像的ENH-LTSA降維算法及實驗分析;聯(lián)合ILE降維和IKNN分類器的高光譜影像分類?!锻瑵┦空搮玻夯诹餍螌W(xué)習(xí)的高光譜遙感影像降維理論與方法研究》研究結(jié)合高光譜遙感影像數(shù)據(jù)特征的流形學(xué)習(xí)方法提出了降維的改進模型,改善了流形學(xué)習(xí)降維的低維嵌入結(jié)果和計算速度,可以更好地指導(dǎo)后續(xù)的高光譜遙感影像分類、目標識別和異常檢測等應(yīng)用?!锻瑵┦空搮玻夯诹餍螌W(xué)習(xí)的高光譜遙感影像降維理論與方法研究》適用于測繪科學(xué)與技術(shù)、攝影測量與遙感等相關(guān)專業(yè)和領(lǐng)域的讀者。

作者簡介

暫缺《基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究》作者簡介

圖書目錄

總序
論叢前言
前言
第1章 緒論
1.1 研究背景和意義
1.2 高光譜影像降維
1.2.1 高光譜影像的數(shù)據(jù)表達
1.2.2 高光譜影像的高維特性
1.2.3 高光譜影像降維的理論必要性和可行性
1.3 國內(nèi)外研究現(xiàn)狀分析
1.3.1 高光譜影像的波段選擇
1.3.2 高光譜影像的線性特征提取
1.3.3 高光譜影像的非線性特征提取
1.3.4 流形學(xué)習(xí)在高光譜影像數(shù)據(jù)處理中的應(yīng)用
1.3.5 當(dāng)前研究存在的問題
1.4 研究目標與研究內(nèi)容
1.4.1 研究目標
1.4.2 研究內(nèi)容
1.5 研究方法與總體技術(shù)路線
1.6 本書結(jié)構(gòu)安排
第2章 流形學(xué)習(xí)理論
2.1 引言
2.2 流形與流形學(xué)習(xí)
2.2.1 流形中的一些數(shù)學(xué)定義
2.2.2 流形學(xué)習(xí)的定義
2.2.3 流形學(xué)習(xí)的分類
2.3 典型流形學(xué)習(xí)方法
2.3.1 等距映射方法
2.3.2 局部切空間排列方法
2.3.3 拉普拉斯特征映射方法
2.3.4 幾種流形學(xué)習(xí)方法的對比
2.4 流形學(xué)習(xí)方法中主要參數(shù)
2.4.1 本征維數(shù)的估計
2.4.2 鄰域選擇及優(yōu)化
2.5 本章小結(jié)
第3章 基于光譜意義解釋的高光譜影像低維流形特征提取
3.1 引言
3.2 高光譜影像流形坐標的光譜意義解釋
3.3 偏最小二乘法修復(fù)Isomap遺失點的流形坐標
3.3.1 偏最小二乘方法
3.3.2 偏最小二乘方法修復(fù)Isomap遺失點坐標的流程
3.3.3 實驗分析
3.4 高光譜影像低維流形特征提取
3.4.1 Isomap降維的參數(shù)選取
3.4.2 Isomap提取低維流形特征的流程
3.5 實驗分析
3.5.1 實驗數(shù)據(jù)
3.5.2 陰影區(qū)域提取
3.5.3 靠岸淺水區(qū)域提取
3.5.4 討論
3.6 本章小結(jié)
第4章 兩種流形坐標差異提取高光譜影像的潛在特征
4.1 引言
4.2 流形坐標差異提取潛在特征的可行性分析
4.3 流形坐標差異圖提取高光譜影像潛在特征
4.3.1 高光譜影像lsomap和LTSA降維
4.3.2 兩種流形坐標的光譜意義解釋的統(tǒng)一
4.3.3 兩種流形坐標尺度和方向的統(tǒng)
4.3.4 流形差異圖的計算及特征提取
4.3.5 流形坐標差異圖提取潛在特征的流程
4.4 實驗分析
4.4.1 實驗數(shù)據(jù)
4.4.2 靠岸的淺水區(qū)域提取
4.4.3 低分辨率道路提取
4.4.4 討論
4.5 本章小結(jié)
第5章 高光譜影像的UL-Isomap降維
5.1 引言
5.2 帶標志點的等距映射方法
5.3 基于矢量量化的標志點選取
5.3.1 隨機標志點的不足
5.3.2 基于矢量量化的標志點
5.4 速度提升策略
5.4.1 隨機映射
5.4.2 快速近似k-鄰域構(gòu)建
5.4.3 快速隨機低階近似奇異值分解
5.5 高光譜影像的UL-Isomap降維算法
5.6 實驗分析
5.6.1 實驗數(shù)據(jù)
5.6.2 VQ標志點對分類結(jié)果的影響
5.6.3 隨機映射對高光譜數(shù)據(jù)的影響
5.6.4 UL-Isomap的計算速度性能
5.6.5 UL-Isomap的分類性能
5.6.6 快速近似志k-鄰域構(gòu)建對分類的影響
5.6.7 討論
5.7 本章小結(jié)
第6章 高光譜影像的ENH-LTSA降維
6.1 引言
6.2 考慮空間特性的是k-鄰域選取
6.2.1 常規(guī)k-鄰域選取的不足
6.2.2 自適應(yīng)加權(quán)綜合核距離
6.3 速度提升策略
6.4 高光譜影像的ENH-LTSA降維算法
6.5 實驗分析
6.5.1 實驗數(shù)據(jù)
6.5.2 AWSK距離對分類的影響
6.5.3 ENH-LTSA的計算速度性能
6.5.4 ENH-LTSA的分類性能
6.5.5 隨機映射對分類的影響
6.5.6 重疊參數(shù)a對分類的影響
6.5.7 討論
6.6 本章小結(jié)
第7章 聯(lián)合ILE降維和IKNN分類器的高光譜影像分類
7.1 引言
7.2 LE降維和KNN分類器組合策略的不足
7.3 高光譜影像的ILE降維和IKNN組合策略
7.3.1 高光譜影像的ILE降維方法
7.3.2 ILE流形坐標的IKNN分類器
7.4 ILE降維和IKNN分類器的分類算法
7.5 實驗分析
7.5.1 實驗數(shù)據(jù)
7.5.2 Indian數(shù)據(jù)分類
7.5.3 PaviaU數(shù)據(jù)分類
7.5.4 討論
7.6 本章小結(jié)
第8章 結(jié)論和展望
8.1 研究結(jié)論
8.2 特色與創(chuàng)新
8.3 展望與下一步工作
參考文獻
后記

本目錄推薦

掃描二維碼
Copyright ? 讀書網(wǎng) ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號 鄂公網(wǎng)安備 42010302001612號