遙感數(shù)據(jù)智能處理方法與程序設(shè)計

序
前言
第一章　緒論
1.1　衛(wèi)星遙感系統(tǒng)與任務(wù)
1.2　遙感數(shù)據(jù)處理任務(wù)與方法
1.2.1　傳統(tǒng)遙感數(shù)據(jù)處理方法與系統(tǒng)
1.2.2　遙感數(shù)據(jù)智能處理方法
1.2.3　遙感數(shù)據(jù)處理的物理模型方法
1.3　本章小結(jié)
主要參考文獻
第二章 多波段遙感數(shù)據(jù)的變換與分割
2.1 引言
2.2　GIVENS旋轉(zhuǎn)變換與分解
2.3　Gram-Schmidt向量空間投影變換
2.4　小波高頻局部高頻融合
2.4.1 小波變換與IHS變換結(jié)合進行局部替代的方法
2.4.2　基于小波變換進行局部替代的融合算法
2.4.3　試驗和數(shù)據(jù)分析
2.5　判別函數(shù)與超平面
2.6　本章小結(jié)
主要參考文獻
第三章　貝葉斯網(wǎng)絡(luò)
　3.1 引言
3.2　貝葉斯基礎(chǔ)
3.3　貝葉斯網(wǎng)絡(luò)推理與分類器
　 3.3.1　貝葉斯網(wǎng)絡(luò)推理
3.3.2　貝葉斯網(wǎng)絡(luò)基本分類器
3.3.3　一種綜合性的貝葉斯網(wǎng)絡(luò)分類器
3.4　遙感數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)分類
3.4.1　貝葉斯網(wǎng)絡(luò)分類
3.4.2　基于貝葉斯網(wǎng)絡(luò)分類的遙感數(shù)據(jù)變化檢測
3.4.3　ASTER數(shù)據(jù)的多層貝葉斯網(wǎng)絡(luò)分類
3.4.4　航空影像的貝葉斯網(wǎng)絡(luò)分類
3.5 貝葉斯網(wǎng)絡(luò)分類方法與最大似然分類方法的對比
3.5.1　學習機制對比
3.5.2　方法選擇
3.5.3　實驗的技術(shù)流程與分類結(jié)果對比
3.6　本章小結(jié)
主要參考文獻
第四章　遺傳算法
4.1 引言
4.2　遺傳算法基礎(chǔ)
4.3　遺傳算法的進化規(guī)則
4.3.1　規(guī)則1——編解碼變換與遺傳算子設(shè)計
4.3.2　規(guī)則2——群體設(shè)定和初始化
4.3.3　規(guī)則3——適應(yīng)度函數(shù)設(shè)計
4.4　遙感數(shù)據(jù)處理中應(yīng)用的遺傳算法類型
4.4.1　遙感數(shù)據(jù)的特征
4.4.2　遺傳算法的類型
4.4.3　遺傳一超平面分類
4.5　超平面模型及其分類原理
4.5.1　超平面方程
4.5.2　遙感多維圖像數(shù)據(jù)的超平面分類原理
4.6　遺傳超平面分類器原理
4.6.1　點模式的描述及其匹配統(tǒng)計
4.6.2　遺傳算子
4.6.3　適應(yīng)度值的計算
4.7　參數(shù)編解碼及其實現(xiàn)
4.7.1　二進制編碼
4.7.2　二進制解碼
4.8　EOS/MODIS圖像數(shù)據(jù)分類實驗
4.8.1　簡單參數(shù)的分類實驗
4.8.2　實驗結(jié)果及其分析
4.9　ETM+數(shù)據(jù)分類實驗
4.9.1　參數(shù)選擇實驗與分析
4.9.2　分類結(jié)果及其分析
4.10　遺傳-匹配
4.10.1　遙感圖像匹配
4.10.2　模板匹配與遺傳算法
4.10.3　圖像目標匹配定位的數(shù)學模型
4.10.4　遺傳優(yōu)化的圖像定位方法
　……
第五章　神經(jīng)網(wǎng)絡(luò)
第六章　模糊聚類
第七章　粗糙集與容差粗糙集
附錄
彩圖