智能算法在高光譜遙感數(shù)據(jù)處理中的應(yīng)用

第一部分 高光譜數(shù)據(jù)處理基礎(chǔ)
1 緒論
1.1 高光譜遙感原理
1.2 高光譜遙感的發(fā)展歷史
1.3 高光譜遙感數(shù)據(jù)的分類
1.4 高光譜衛(wèi)星遙感光譜測量
1.5 高光譜地面光譜測量
1.6 高光譜遙感數(shù)據(jù)處理方法
2 高光譜數(shù)據(jù)的獲取與分析
2.1 地物光譜數(shù)據(jù)庫的建立
2.2 高光譜地面實測數(shù)據(jù)的預處理
2.3 地物光譜特征參數(shù)
2.4 地物光譜建模分析
2.5 衛(wèi)星遙感高光譜數(shù)據(jù)的獲取
2.6 衛(wèi)星遙感數(shù)據(jù)的存儲格式
2.7 衛(wèi)星遙感圖像的預處理
3 常見鈾礦物（實驗數(shù)據(jù)）的光譜特征
3.1 常見原生鈾礦物的光譜特征
3.2 常見次生鈾礦物的光譜特征
4 遙感數(shù)據(jù)的可視化
4.1 視覺感知要素
4.2 圖像增強簡介
4.3 基本灰度變換
4.4 直方圖處理
4.5 圖像局部增強
4.6 二階微分空間域濾波
4.7 圖像融合技術(shù)
5 高光譜數(shù)據(jù)的處理模型
5.1 高光譜地面實測數(shù)據(jù)礦物識別模型
5.2 高光譜地面實測數(shù)據(jù)物譜關(guān)聯(lián)模型
5.3 高光譜地面實測數(shù)據(jù)特征子集提取
5.4 高光譜衛(wèi)星遙感圖像波段選擇模型
5.5 高光譜衛(wèi)星遙感圖像分類模型

第二部分 高光譜數(shù)據(jù)處理的智能算法
6 基于實例的學習方法
6.1 引言
6.2 K近鄰分類器
6.3 K近鄰回歸預測器
6.4 K近鄰算法在高光譜遙感數(shù)據(jù)處理中的應(yīng)用
7 決策樹
7.1 引言
7.2 決策樹的表示方法
7.3 決策樹的屬性度量問題
7.4 決策樹方法在高光譜地面實測數(shù)據(jù)礦物識別中的應(yīng)用
7.5 決策樹方法在高光譜衛(wèi)星遙感圖像分類中的應(yīng)用
8 貝葉斯分類
8.1 引言
8.2 貝葉斯法則與分類器
8.3 貝葉斯在高光譜遙感數(shù)據(jù)處理中的應(yīng)用
8.4 貝葉斯與決策樹的混合模型及其遙感應(yīng)用
9 人工神經(jīng)網(wǎng)絡(luò)
9.1 引言
9.2 反向傳播網(wǎng)絡(luò)基本原理
9.3 神經(jīng)網(wǎng)絡(luò)的基本特性
9.4 BP網(wǎng)在高光譜遙感數(shù)據(jù)處理中的應(yīng)用
10 演化算法
10.1 引言
10.2 演化算法的基本原理
10.3 基本演化算法
10.4 差分演化算法
10.5 遺傳規(guī)劃
10.6 基于基因表達式的演化算法
11 支持向量機
11.1 引言
11.2 支持向量機分類
11.3 支持向量機回歸
11.4 SVM在高光譜遙感數(shù)據(jù)處理中的應(yīng)用
11.5 改進的支持向量機及其遙感應(yīng)用
12 其他智能回歸算法
12.1 引言
12.2 模型樹算法
12.3 線性回歸算法
12.4 遙感應(yīng)用
13 高光譜數(shù)據(jù)處理與分析系統(tǒng)
13.1 高光譜數(shù)據(jù)的處理系統(tǒng)的組成
13.2 國外高光譜遙感數(shù)據(jù)處理軟件
13.3 國內(nèi)高光譜遙感數(shù)據(jù)處理軟件
13.4 基于智能算法的高光譜數(shù)據(jù)處理軟件功能介紹
附錄
附錄1：GEP回歸實現(xiàn)
附錄2：GP回歸實現(xiàn)
附錄3：SMO回歸實現(xiàn)
附錄4：DESMO分類實現(xiàn)
附錄5：特性指標測試結(jié)果明細
附錄6：地物分類表
附錄7：光譜數(shù)據(jù)庫表結(jié)構(gòu)
參考文獻