新書推薦：
《
虚拟资本：金融怎样挪用我们的未来
》
售價：HK$
77.3
《
刻意练习不生气
》
售價：HK$
39.2
《
大宋理财：青苗法与王安石的金融帝国（全彩插图本）
》
售價：HK$
109.8
《
安全感是内心长出的盔甲
》
售價：HK$
67.0
《
快人一步：系统性能提高之道
》
售價：HK$
110.9
《
算法图解（第2版）
》
售價：HK$
78.2
《
科学的奇幻之旅
》
售價：HK$
77.3
《
画艺循谱：晚明的画谱与消闲
》
售價：HK$
143.4
|
| 編輯推薦： |
|
本书以卷积神经网络在高光谱影像分类中的应用为出发点，针对高光谱影像分类遇到的问题、数据的特点，以及卷积神经网络模型如何解决高光谱影像分类中的问题进行总结，并提出相应的改进模型和实验验证。本书语言简洁，深入浅出，通俗易懂，不仅适合遥感相关专业本科及研究生作为参考教材，还可作为从事遥感影像处理与分析的专业人员的技术参考书。
|
| 內容簡介： |
|
本书是以卷积神经网络在高光谱影像分类中的应用为线索进行编写。全书内容分为7章：第1章介绍了高光谱影像分类的国内外研究现状，以及高光谱影像数据特点和评价指标；第2章介绍了卷积神经网络的原理，总结了卷积神经网络的发展现状，分析了卷积神经网络在高光谱影像分类中的应用情况；第3章至第6章分别介绍了结合纹理特征的双通道卷积神经网络、宽残差网络、残差密集网络、残差注意力网络等用于高光谱影像分类的卷积神经网络模型；第7章对本书所介绍的内容进行了总结，并就卷积神经网络在高光谱影像分类中的应用情况进行了展望。
|
| 關於作者： |
|
魏祥坡，博士，中国人民解放军战略支援部队信息工程大学副教授、主要从事目标智能识别、高光谱遥感方面的研究工作。2019年毕业于战略支援部队信息工程大学获测绘科学与技术博士学位。目前主持了河南省自然科学基金1项，作为核心成员参与了国家自然科学基金项目、国家高分专项、河南省科技攻关项目等地方和军队科研项目10余项。发表论文20余篇，授权软件著作权3项，受理专利申请6项。
|
| 目錄：
|
第1章 绪论 1
1.1 高光谱影像分类：原理、方法和问题 1
1.2 高光谱影像分类技术研究现状 3
1.3 高光谱影像数据 9
1.4 研究内容及章节安排 10
第2章 卷积神经网络 13
1.1 卷积神经网络基础理论 13
1.2 卷积神经网络研究现状 16
1.3 卷积神经网络在高光谱影像分类中的应用 19
第3章 结合纹理特征的双通道卷积神经网络分类方法 23
3.1 双通道卷积神经网络 23
3.2 高光谱影像纹理特征提取 26
3.3 结合纹理特征的双通道卷积神经网络高光谱影像分类 28
3.4 实验与分析 31
3.5 小结 36
第4章 利用宽残差网络的高光谱影像分类 38
4.1 残差网络 38
4.2 宽残差网络 42
4.3 宽残差网络的高光谱影像分类 45
4.4 实验与分析 48
4.5 小结 55
第5章 利用残差密集网络的高光谱影像分类 56
5.1 残差密集网络 56
5.2 残差密集网络的高光谱影像分类 59
5.3 实验与分析 60
5.4 小结 63
第6章 利用残差通道注意力网络的高光谱影像分类 65
6.1 注意力机制 65
6.2 残差通道注意力网络 69
6.3 残差通道注意力网络的高光谱影像分类 70
6.4 实验与分析 73
6.5 小结 78
第7章 总结与展望 80
7.1 总结 80
7.2 展望 81
参考文献 83
附录一 术语中英文对照表92
附录二 彩图95
|
| 內容試閱：
|
前 言高光谱遥感技术经过三十多年的发展，在信息获取方面表现出了巨大的优势和潜力。高光谱影像分类是高光谱遥感影像分析和应用的关键技术之一，但在实际应用中仍面临着诸多问题，如维数灾难、非线性数据结构、不适定问题、空间同质性和异质性等，制约了高光谱遥感影像分类的进一步发展。近年来，为充分利用高光谱遥感影像中包含的丰富信息，越来越多的机器学习和人工智能算法在高光谱影像分类技术的研究中得到应用，特别是以卷积神经网络为代表的深度学习算法，在高光谱影像分类中表现出了优异的性能。本书围绕卷积神经网络在高光谱影像分类中的应用展开讨论和分析。全书内容共分为7章。第1章结合高光谱遥感技术的发展论述了高光谱影像分类的内涵，总结了高光谱影像分类的主要技术方法，并由此引出了高光谱影像分类技术所涉及的主要问题。第2章介绍了卷积神经网络的基础理论，对卷积神经网络的发展现状进行了总结，研究分析了卷积神经网络在高光谱影像分类中的应用情况。第3章针对传统高光谱影像分类算法中空间信息利用不足的问题，通过引入局部二值模式、三维Gabor等纹理特征和双通道卷积神经网络模型，介绍了一种结合纹理特征的双通道卷积神经网络高光谱影像分类方法。第4章重点讨论了在卷积神经网络基础上发展的残差网络，针对深层残差网络存在特征重用减少的问题，设计了适用于高光谱影像分类的宽残差网络。第5章分析了残差网络的模型内部结构，构建了残差密集网络模型，充分利用了网络模型中不同单元提取的分层特征。第6章引入了注意力机制，设计了适用于高光谱影像分类的残差注意力网络，对网络模型中不同残差单元输出的特征赋以不同的权重，提取出更为有效的特征集，增强了提取特征的可分性。第7章对本书所介绍的内容进行了总结，对卷积神经网络在高光谱影像分类中的应用前景进行了展望。伴随着获取手段和处理技术的不断丰富，高光谱遥感技术在现代科技发展进程中发挥着巨大的作用。同时，高光谱影像分类的理论和技术也在不断地充实、发展和完善之中，本书仅结合当前的典型技术方法进行提炼和总结。限于作者的学术水平，部分研究有待深化，书中一定存在错误及疏漏之处，欢迎读者们批评指正。
20世纪80年代出现的高光谱遥感（Hyperspectral remote sensing， HRS）技术，是遥感技术发展以来最重大的科技突破之一。高光谱遥感能够在可见光到短波红外的波段范围内对地面区域成像，同时获取地面区域的光谱信息和空间信息。高光谱影像具有光谱分辨率高、“图谱合一”的特点和优势，一方面高光谱影像中每个像素对应一条近似连续的光谱曲线，包含数十至数百个连续细分的波段，弥补了传统遥感影像地物属性信息提取能力不足的缺陷，传统的宽波段遥感影像由于光谱信息不连续，无法探测地物的诊断性光谱特征，而高光谱影像能以足够的光谱分辨率区分出这些地表物质；另一方面，高光谱影像能够同时获取地物空间维和光谱维信息，既可以充分挖掘图像和波谱两类信息的内涵，又可以灵活地组合运用两种信息的优势来实现地物探测。
1.1 高光谱影像分类：原理、方法和问题
随着世界各国积极开展高光谱成像技术的研究，高光谱遥感技术也得到了不断进步和发展。1983年美国研制成功的机载成像光谱仪（Airborne Imaging Spectrometer，AIS）是世界上第一台成像光谱仪，在矿物填图等多个领域取得了较好的效果，成为高光谱遥感技术成功应用的里程碑，随后世界各国先后成功研制出各种类型的航空成像光谱仪，我国上海技术物理研究所研制的航空成像光谱仪OMIS和PHI等，对我国高光谱遥感技术的发展和应用起到了巨大的推动作用。随着卫星技术的不断成熟，星载高光谱遥感成像平台也获得了快速发展，比较有影响力的包括美国的AVIRIS、MODIS，EO-1卫星上搭载的Hyperion、欧空局的CHRIS等。为了进一步改善高光谱影像的成像质量，扩展高光谱影像的应用范围，世界各国均规划了性能更先进的星载成像光谱仪，包括德国EnMAP高光谱对地观测卫星，以及意大利的PRISMA小型超光谱成像卫星均搭载了性能先进的成像光谱仪，德国航空航天中心也成功将地球传感成像光谱仪DESIS发射至国际空间站。近年来，我国在星载高光谱成像仪的研制和应用中取得了较多的成果，借助卫星、月球探测器、载人航天试验平台等多种卫星平台，包括天宫一号高光谱成像仪、“高分五号”可见短波红外高光谱相机在内的多种高光谱成像载荷成功发射并投入使用。诸多航空航天成像光谱仪的成功研制和投入使用，使得高光谱影像包含越来越丰富的地物信息，在生态科学、水文科学、地质科学、精准农业和军事应用等领域得到了广泛应用。
高光谱遥感成像技术的不断发展，也极大促进了高光谱影像处理技术的不断创新和突破，高光谱影像处理关键技术包括数据预处理、数据增强、数据处理等，其中数据处理中的影像分类是高光谱影像处理和应用的关键技术之一。影像分类是给每一个像元分配唯一的类别标签，广泛应用于地表制图、城市规划、矿产资源勘查、环境监测、军事侦察等领域。根据是否利用空间信息，高光谱影像分类方法可以分为光谱分类方法和光谱-空间分类方法，光谱分类方法是将每个像元视为一系列光谱特征的集合，光谱-空间分类方法在光谱特征的基础上加入相邻像元的空间依赖性。然而，由于高光谱影像存在高维特性、低空间分辨率及混合像元等，高光谱影像分类面临着一系列问题，如维数灾难、非线性数据结构、不适定问题、空间同质性和异质性问题等，制约了高光谱影像分类技术的进一步发展。为了深入挖掘高光谱影像数据内部的判别信息，出现了一系列特征提取方法，包括光谱特征、空间相关性特征、纹理特征、形态学特征等，多种特征的综合运用能够有效提高分类精度。
近年来迅速发展的深度学习在特征提取方面表现出了巨大的优势和潜力，深度学习利用由多个处理层组成的计算模型自动学习具有多个抽象级别的数据特征表示，减少了人工干预，非常适合研究具有复杂结构的高维数据。深度学习包括自动编码器（Auto-Encoder，AE）、深度信念网络（Deep belief network，DBN）、卷积神经网络（Convolutional neural network，CNN）、递归神经网络（Recurrent neural network，RNN）、生成对抗网络（Generative adversarial network， GAN）和深层强化学习（Deep reinforcement learning， DQL）等方法。卷积神经网络适用于以多个阵列的形式处理数据，相比于传统浅层模型，不仅能够提取出更深层的抽象光谱特征，在光谱-空间特征融合方面也具有更为优异的表现。卷积神经网络在图像处理方面取得了重大突破，并在遥感图像处理领域取得了比传统机器学习方法更为优异的成果，因此，有必要在充分理解卷积神经网络原理和方法的基础上，深入研究其在高光谱影像分类中的应用潜力，从而解决高光谱影像分类中的问题和挑战。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
