包邮面向对象遥感影像分析理论与方法

目录前言第1章 绪论 11.1 高分遥感数据的发展及传统像素方法的问题 11.1.1 高分遥感影像数据及其应用增加 11.1.2 像素遥感影像分析发展中遇到的瓶颈 21.2 面向对象遥感影像分析的相关理论与方法研究 21.2.1 面向对象遥感影像分析的发展现状与挑战 31.2.2 面向对象遥感影像分析中不确定性因素的相关研究 61.2.3 面向对象的信息提取技术相关研究 91.2.4 面向对象的变化检测技术相关研究 121.2.5 面向对象遥感影像分析不确定性的本质 141.2.6 研究现状评述及问题的提出 151.3 不确定性理论与模型优化方法研究 161.3.1 面向对象遥感影像分析不确定性研究 161.3.2 面向对象高分遥感影像分类模型优化研究 16参考文献 17第2章 多尺度分割不确定性与分割优化 272.1 研究区与数据集介绍 272.1.1 分类研究数据集 272.1.2 变化检测数据集 292.2 多尺度分割 292.3 分割结果评估指标 302.3.1 内部一致性测度 302.3.2 对象空间自相关 312.3.3 指标联合分析 322.4 自顶向下对象分解 322.5 分割精度验证方法 322.6 实验讨论 332.6.1 各指标随尺度变化 332.6.2 多尺度分割结果精度指标分析 382.6.3 基于自相关测度自顶向下分解 402.6.4 单尺度与多尺度分解结果比较 412.7 本章 小结 42参考文献 43第3章 面向对象的特征与尺度效应分析 453.1 采样方法与训练样本评估 453.1.1 分层随机采 453.1.2 训练本评估 463.2 特征评估与选择方法 473.2.1 特征计算 473.2.2 信息增益率 503.2.3 基于相关的特征选择 503.3 随机森林分类器 513.4 基于面积精度评估方法 533.5 实验分析 543.5.1 训练样本尺寸评估 543.5.2 特征的尺度响应 563.5.3 分类精度的尺度响应 643.6 本章 小结 69参考文献 70第4章 特征选择方法的不确定性研究 724.1 概述 724.2 监督特征选择算法 734.2.1 卡方检验算法 734.2.2 基于支持向量机的递归特征删除方法 744.2.3 基于特征权重的特征选择 744.2.4 随机森林特征选择 744.2.5 基于封装的特征选择 754.3 分类过程 754.4 实验讨论 754.5 本章 小结 81参考文献 82第5章 面向对象监督分类方法不确定性研究 845.1 常用监督分类方法概述 845.1.1 支持向量机 845.1.2 *近邻分类 855.1.3 决策树 855.1.4 提升树 855.1.5 朴素贝叶斯分类器 865.1.6 惩罚线性判别分析 865.2 统计测试方法 865.3 实验结果 875.3.1 分类对尺度响应 875.3.2 筛选的特征与全部特征分类比较 925.3.3 训练集大小对各分类器的影响 935.3.4 同质和异质对象的影响 945.4 分析讨论 1005.4.1 分类器的综合比较 1005.4.2 分类器的尺度敏感性分析 1015.4.3 特征选择对分类器的影响 1025.4.4 分类器的训练样本尺寸敏感性分析 1025.4.5 混合对象对分类器影响 1035.5 本章 小结 103参考文献 104第6章 面向对象变化检测不确定性研究 1086.1 概述 1086.2 数据预处理 1096.3 产生对象单元与特征 1106.4 常用非监督变化检测方法 1106.4.1 原始特征直接差分 1116.4.2 均值和标准差信号 1126.4.3 多元变化检测 1126.4.4 主成分分析 1136.5 精度评估 1136.6 实验结果与分析 1136.6.1 实验结果 1136.6.2 分析讨论 1196.7 本章 小结 120参考文献 121第7章 面向对象非监督分类方法探索 1237.1 基于三角网的信息提取基本思想 1237.2 三角网构建 1247.3 三角网聚类方法提取耕地信息 1257.3.1 点群分布范围聚类 1267.3.2 优化聚类辅助信息提取 1287.4 实验与分析 1307.4.1 实验区1 1307.4.2 实验区2 1367.4.3 实验区3 1377.5 本章 小结 138参考文献 139第8章 面向对象影像分析的精度评估方法 1408.1 经典精度评价框架 1408.1.1 抽样设计 1418.1.2 响应设计 1438.1.3 精度分析 1448.2 基于多边形的精度评价框架 1448.2.1 基本介绍 1448.2.2 抽样设计 1468.2.3 响应设计 1478.2.4 精度分析 1478.3 分割精度评估 1488.4 本章 小结 151参考文献 152第9章 基于主动学习的训练样本对象优化 1569.1 基于信息熵的分割对象分类不确定性评估 1569.2 基于主动学习的训练样本优化方法 1579.3 实验与分析 1589.3.1 实验数据 1589.3.2 利用分类不确定性划分对象 1589.3.3 评估不同对象类型对分类结果的影响 1609.3.4 评估基于主动学习的采样结果 1629.4 本章 小结 165参考文献 165第10章 基于封装的对象特征选择方法 16710.1 基于封装的对象特征选择方法的问题 16710.2 基于面积的交叉验证的封装特征优化方法 16810.3 实验与分析 16810.3.1 实验数据 16810.3.2 不同特征选择方法下的分类结果比较 16910.3.3 特征选择结果比较 17010.4 本章 小结 172参考文献 172第11章 基于深度学习的对象分类方法模型 17311.1 卷积神经网络在对象分类中的问题 17311.2 基于CNN的面向对象分类 17411.2.1 分割对象图像块的生成 17411.2.2 卷积神经网络 17511.3 实验与分析 17711.3.1 实验数据 17711.3.2 基于传统分类器的OBIA分类与基于CNN的OBIA分类的比较 17911.3.3 图像块与分割对象之间的关系 18111.3.4 基于CNN的OBIA分类对混合对象分类的影响 18511.4 本章 小结 188参考文献 188第12章 面向对象监督分类的文献萃取分析与发展趋势预测 19112.1 概述 19112.2 萃取分析方法 19312.2.1 数据收集 19312.2.2 数据库构建 19412.2.3 萃取分析 19512.3 萃取分析结果 19612.3.1 研究的一般特征 19612.3.2 不同传感器影像的分类表现 19912.3.3 分割尺度与空间分辨率的关系 20012.3.4 训练样本大小对精度的影响 20112.3.5 监督分类方法与模糊分类方法 20212.3.6 分类类型对分类结果的影响 20312.4 面向对象监督分类方法的问题与发展前景 20512.4.1 分类方法的发展 20512.4.2 采样方法的发展 20712.4.3 分割尺度优化 20712.4.4 特征选择方法的研究 20912.4.5 对象标签和精度评估 21112.5 面向对象监督分类的不确定性 21212.6 本章 小结 213参考文献 214