智能算法在高光谱遥感数据处理中的应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

智能算法在高光谱遥感数据处理中的应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 高光谱数据处理基础3

1 绪论3

1.1 高光谱遥感原理3

1.2 高光谱遥感的发展历史3

1.3 高光谱遥感数据的分类4

1.4 高光谱卫星遥感光谱测量5

1.5 高光谱地面光谱测量6

1.6 高光谱遥感数据处理方法6

2 高光谱数据的获取与分析8

2.1 地物光谱数据库的建立8

2.2 高光谱地面实测数据的预处理10

2.3 地物光谱特征参数12

2.4 地物光谱建模分析14

2.5 卫星遥感高光谱数据的获取14

2.6 卫星遥感数据的存储格式15

2.7 卫星遥感图像的预处理17

3 常见铀矿物（实验数据）的光谱特征19

3.1 常见原生铀矿物的光谱特征19

3.2 常见次生铀矿物的光谱特征21

4 遥感数据的可视化24

4.1 视觉感知要素24

4.2 图像增强简介25

4.3 基本灰度变换27

4.4 直方图处理31

4.5 图像局部增强34

4.6 二阶微分空间域滤波36

4.7 图像融合技术38

5 高光谱数据的处理模型45

5.1 高光谱地面实测数据矿物识别模型45

5.2 高光谱地面实测数据物谱关联模型51

5.3 高光谱地面实测数据特征子集提取54

5.4 高光谱卫星遥感图像波段选择模型59

5.5 高光谱卫星遥感图像分类模型65

第二部分 高光谱数据处理的智能算法75

6 基于实例的学习方法75

6.1 引言75

6.2 K近邻分类器75

6.3 K近邻回归预测器76

6.4 K近邻算法在高光谱遥感数据处理中的应用76

7 决策树83

7.1 引言83

7.2 决策树的表示方法83

7.3 决策树的属性度量问题83

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86

7.5 决策树方法在高光谱卫星遥感图像分类中的应用89

8 贝叶斯分类93

8.1 引言93

8.2 贝叶斯法则与分类器93

8.3 贝叶斯在高光谱遥感数据处理中的应用95

8.4 贝叶斯与决策树的混合模型及其遥感应用99

9 人工神经网络102

9.1 引言102

9.2 反向传播网络基本原理102

9.3 神经网络的基本特性104

9.4 BP网在高光谱遥感数据处理中的应用105

10 演化算法114

10.1 引言114

10.2 演化算法的基本原理115

10.3 基本演化算法119

10.4 差分演化算法127

10.5 遗传规划136

10.6 基于基因表达式的演化算法147

11 支持向量机158

11.1 引言158

11.2 支持向量机分类158

11.3 支持向量机回归162

11.4 SVM在高光谱遥感数据处理中的应用164

11.5 改进的支持向量机及其遥感应用168

12 其他智能回归算法172

12.1 引言172

12.2 模型树算法172

12.3 线性回归算法172

12.4 遥感应用174

13 高光谱数据处理与分析系统177

13.1 高光谱数据的处理系统的组成177

13.2 国外高光谱遥感数据处理软件178

13.3 国内高光谱遥感数据处理软件184

13.4 基于智能算法的高光谱数据处理软件功能介绍186

附录188

附录1：GEP回归实现188

附录2：GP回归实现216

附录3：SMO回归实现234

附录4：DESMO分类实现252

附录5：特性指标测试结果明细281

附录6：地物分类表286

附录7：光谱数据库表结构289

参考文献297