高光譜圖像分類技術

定　價：￥129.80

作　者：	李偉張蒙蒙陶然
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥113.00)

ISBN：	9787115644497	出版時間：	2024-09-01	包裝：	平裝-膠訂
開本：	16開	頁數：		字數：

內容簡介

　　本書以高光譜圖像分類技術為核心，采用理論方法詳解與實驗分析論證相結合的方式，從高光譜顯微圖像維度約減及分類技術、多尺度深度學習的醫(yī)學高光譜顯微圖像分類技術，到高光譜圖像結構感知學習、空間信息提取的地物分類技術，再到多源數據融合分類技術等多個方面，介紹了高光譜圖像分類領域的理論發(fā)展和前沿技術。本書可作為從事高光譜圖像分類解譯研究的科研人員的工具書，幫助從業(yè)人員系統(tǒng)了解高光譜圖像分類解譯方法的研究進展，同時使讀者能夠系統(tǒng)地了解高光譜圖像分類技術的發(fā)展脈絡和新進展。

作者簡介

　　李偉北京理工大學信息與電子學院教授、博士生導師、副院長，國家優(yōu) 秀青年科學基金、北京市杰出青年科學基金獲得者。主要從事高光譜圖像處理、目標檢測與識別等方向的研究，發(fā)表論文一百余篇，論文被谷歌學術引用一萬八千余次，連續(xù)入選科睿唯安“全球高被引科學家”名單。當選英國技術工程學會會士，獲中國電子學會自然科學一等獎、中國指揮與控制學會科學技術獎技術發(fā)明類一等獎等。張蒙蒙北京理工大學信息與電子學院副研究員。主要從事高光譜多源遙感圖像分析方向的研究，發(fā)表論文三十余篇。先后主持國家自然科學基金面上項目、青年科學基金項目、博士后創(chuàng)新人才支持計劃、北京市自然科學基金面上項目等，入選北京市科協(xié)“青年人才托舉工程”，獲中國電子學會自然科學一等獎等。陶然北京理工大學信息與電子學院教授、博士生導師，國家杰出青年科學基金獲得者，國家級教學名師。主要從事高維信號處理理論及方法研究，發(fā)表論文二百余篇。擔任國家自然科學基金創(chuàng)新研究群體項目帶頭人、教育部創(chuàng)新團隊帶頭人等，獲國家級教學成果獎二等獎，獲教育部自然科學獎一等獎等省部級獎項六項。

圖書目錄

第 1 章高光譜圖像分類概述 1
1.1　高光譜圖像　1
1.2　高光譜圖像分類現(xiàn)狀　3
1.2.1　高光譜圖像特征提取方法　3
1.2.2　高光譜分類器設計方法　7
1.2.3　高光譜圖像特征提取及分類難點分析　11
參考文獻　13

第 2　章高光譜顯微圖像維度約減及分類　19
2.1　高光譜顯微圖像成像系統(tǒng)及數據采集19
2.1.1　高光譜顯微圖像成像系統(tǒng)　19
2.1.2　膜性腎病病理組織標準化數據采集及預處理　20
2.2　基于空譜密度峰值的高光譜顯微圖像維度約減25
2.2.1　引言　25
2.2.2　相關原理與方法　26
2.2.3　基于空譜密度峰值的維度約減方法　27
2.2.4　實驗內容及結果分析　30
2.3　基于張量表示的高光譜顯微圖像多特征提取39
2.3.1　引言　39
2.3.2　張量相關原理與知識　39
2.3.3　基于判別張量的多特征融合提取算法　39
2.3.4　實驗內容及結果分析　43
2.4　基于張量回歸分析的高光譜顯微圖像分類52
2.4.1　引言　52
2.4.2　最小二乘回歸分析方法　52
2.4.3　基于張量塊的判別線性回歸分析方法　52
2.4.4　實驗內容及結果分析　55
參考文獻　60

第3　章高光譜顯微圖像多尺度深度學習分類　63
3.1　基于深度學習的高光譜顯微圖像膜性腎病分類63
3.1.1　圖像數據預處理　63
3.1.2　膜性腎病分類模型　68
3.1.3　實驗內容及結果分析　74
3.2　基于深度特征融合網絡的高光譜顯微圖像分類83
3.2.1　深度特征融合網絡　84
3.2.2　實驗內容及結果分析　88
3.3　基于Gabor 引導CNN 的高光譜顯微圖像分類93
3.3.1　基于CNN 和Gabor 濾波器的分類算法　94
3.3.2　實驗內容及結果分析　97
參考文獻　102

第4　章高光譜圖像結構感知學習模型及分類　104
4.1　基于結構感知協(xié)同表示的高光譜圖像分類　104
4.1.1　引言　104
4.1.2　SaCRT 模型　105
4.1.3　實驗內容及結果分析　109
4.2　基于DMLSR 的高光譜圖像分類　123
4.2.1　引言　123
4.2.2　DMLSR 模型　124
4.2.3　實驗內容及結果分析　126
4.3　基于ICS-DLSR 的濱海濕地數據樣本空間變換　140
4.3.1　引言　140
4.3.2　濱海濕地典型地物高光譜遙感數據特征分析　141
4.3.3　基于回歸表示的樣本空間變換及ICS-DLSR 模型　143
4.3.4　濱海濕地數據樣本空間變換效果分析　145
4.4　基于SPCRGE 的高光譜圖像分類　149
4.4.1　引言　149
4.4.2　模型基礎　151
4.4.3　SPCRGE 模型　153
4.4.4　實驗內容及結果分析　155
參考文獻　169

第5　章高光譜圖像空間信息提取及分類　173
5.1　基于多形變體輸入的深度學習高光譜圖像分類　173
5.1.1　DR-CNN 模型　173
5.1.2　多形變體輸入及特征提取　175
5.1.3　DR-CNN 模型訓練　180
5.1.4　實驗內容及結果分析　181
5.2　基于像素對的數據增強及高光譜圖像分類　194
5.2.1　像素配對模型　195
5.2.2　基于像素對輸入的深度特征提取　195
5.2.3　實驗內容及結果分析　196
5.3　基于像素塊配對的高光譜圖像深度網絡分類　202
5.3.1　基于數據增強的CNN 分類模型　203
5.3.2　傳統(tǒng)樣本擴充方法　204
5.3.3　基于像素塊配對的樣本擴充方法　205
5.3.4　實驗內容及結果分析　208
參考文獻　213

第6　章高光譜多源數據融合分類　216
6.1　多源遙感融合分類研究現(xiàn)狀　216
6.1.1　多源傳感器融合分類研究現(xiàn)狀　216
6.1.2　基于高光譜的多源遙感融合分類研究現(xiàn)狀　218
6.2　基于CNN 的高光譜多源數據融合分類　220
6.2.1　雙通道CNN 與級聯(lián)CNN　221
6.2.2　雙分支CNN 訓練及分析　223
6.2.3　實驗內容及結果分析　224
6.3　基于結構信息聚合的HSI 與LiDAR 數據的融合分類　232
6.3.1　基于IP-CNN 的結構信息聚合分類模型　233
6.3.2　語義信息導向的分類模型及訓練策略　234
6.3.3　HSI 協(xié)同LiDAR 數據分類實驗　235
參考文獻　242