●前言
第1章緒論1
1.1高分遙感數據的發展及傳統像素方法的問題1
1.1.1高分遙感影像數據及其應用增加1
1.1.2像素遙感影像分析發展中遇到的瓶頸2
1.2面向對像遙感影像分析的相關理論與方法研究2
1.2.1面向對像遙感影像分析的發展現狀與挑戰3
1.2.2面向對像遙感影像分析中不確定性因素的相關研究6
1.2.3面向對像的信息提取技術相關研究9
1.2.4面向對像的變化檢測技術相關研究12
1.2.5面向對像遙感影像分析不確定性的本質14
1.2.6研究現狀評述及問題的提出15
1.3不確定性理論與模型優化方法研究16
1.3.1面向對像遙感影像分析不確定性研究16
1.3.2面向對像高分遙感影像分類模型優化研究16
參考文獻17
第2章多尺度分割不確定性與分割優化27
2.1研究區與數據集介紹27
2.1.1分類研究數據集27
2.1.2變化檢測數據集29
2.2多尺度分割29
2.3分割結果評估指標30
2.3.1內部一致性測度30
2.3.2對像空間自相關31
2.3.3指標聯合分析32
2.4自頂向下對像分解32
2.5分割精度驗證方法32
2.6實驗討論33
2.6.1各指標隨尺度變化33
2.6.2多尺度分割結果精度指標分析38
2.6.3基於自相關測度自頂向下分解40
2.6.4單尺度與多尺度分解結果比較41
2.7本章小結42
參考文獻43
第3章面向對像的特征與尺度效應分析45
3.1采樣方法與訓練樣本評估45
3.1.1分層隨機采45
3.1.2訓練本評估46
3.2特征評估與選擇方法47
3.2.1特征計算47
3.2.2信息增益率50
3.2.3基於相關的特征選擇50
3.3隨機森林分類器51
3.4基於面積精度評估方法53
3.5實驗分析54
3.5.1訓練樣本尺寸評估54
3.5.2特征的尺度響應56
3.5.3分類精度的尺度響應64
3.6本章小結69
參考文獻70
第4章特征選擇方法的不確定性研究72
4.1概述72
4.2監督特征選擇算法73
4.2.1卡方檢驗算法73
4.2.2基於支持向量機的遞歸特征刪除方法74
4.2.3基於特征權重的特征選擇74
4.2.4隨機森林特征選擇74
4.2.5基於封裝的特征選擇75
4.3分類過程75
4.4實驗討論75
4.5本章小結81
參考文獻82
第5章面向對像監督分類方法不確定性研究84
5.1常用監督分類方法概述84
5.1.1支持向量機84
5.1.2最近鄰分類85
5.1.3決策樹85
5.1.4提升樹85
5.1.5樸素貝葉斯分類器86
5.1.6懲罰線性判別分析86
5.2統計測試方法86
5.3實驗結果87
5.3.1分類對尺度響應87
5.3.2篩選的特征與全部特征分類比較92
5.3.3訓練集大小對各分類器的影響93
5.3.4同質和異質對像的影響94
5.4分析討論100
5.4.1分類器的綜合比較100
5.4.2分類器的尺度敏感性分析101
5.4.3特征選擇對分類器的影響102
5.4.4分類器的訓練樣本尺寸敏感性分析102
5.4.5混合對像對分類器影響103
5.5本章小結103
參考文獻104
第6章面向對像變化檢測不確定性研究108
6.1概述108
6.2數據預處理109
6.3產生與特征110
6.4常用非監督變化檢測方法110
6.4.1原始特征直接差分111
6.4.2均值和標準差信號112
6.4變化檢測112
6.4.4主成分分析113
6.5精度評估113
6.6實驗結果與分析113
6.6.1實驗結果113
6.6.2分析討論119
6.7本章小結120
參考文獻121
第7章面向對像非監督分類方法探索123
7.1基於三角網的信息提取基本思想123
7.2三角網構建124
7.3三角網聚類方法提取耕地信息125
7.3.1點群分布範圍聚類126
7.3.2優化聚類輔助信息提取128
7.4實驗與分析130
7.4.1實驗區1130
7.4.2實驗區2136
7.4.3實驗區3137
7.5本章小結138
參考文獻139
第8章面向對像影像分析的精度評估方法140
8.1經典精度評價框架140
8.1.1抽樣設計141
8.1.2響應設計143
8.1.3精度分析144
8.2基於多邊形的精度評價框架144
8.2.1基本介紹144
8.2.2抽樣設計146
8.2.3響應設計147
8.2.4精度分析147
8.3分割精度評估148
8.4本章小結151
參考文獻152
第9章基於主動學習的訓練樣本對像優化156
9.1基於信息熵的分割對像分類不確定性評估156
9.2基於主動學習的訓練樣本優化方法157
9.3實驗與分析158
9.3.1實驗數據158
9.3.2利用分類不確定性劃分對像158
9.3.3評估不同對像類型對分類結果的影響160
9.3.4評估基於主動學習的采樣結果162
9.4本章小結165
參考文獻165
第10章基於封裝的對像特征選擇方法167
10.1基於封裝的對像特征選擇方法的問題167
10.2基於面積的交叉驗證的封裝特征優化方法168
10.3實驗與分析168
10.3.1實驗數據168
10.3.2不同特征選擇方法下的分類結果比較169
10.3.3特征選擇結果比較170
10.4本章小結172
參考文獻172
第11章基於深度學習的對像分類方法模型173
11.1卷積神經網絡在對像分類中的問題173
11.2基於CNN的面向對像分類174
11.2.1分割對像圖像塊的生成174
11.2.2卷積神經網絡175
11.3實驗與分析177
11.3.1實驗數據177
11.3.2基於傳統分類器的OBIA分類與基於CNN的OBIA分類的比較179
11.3.3圖像塊與分割對像之間的關繫181
11.3.4基於CNN的OBIA分類對混合對像分類的影響185
11.4本章小結188
參考文獻188
第12章面向對像監督分類的文獻萃取分析與發展趨勢預測191
12.1概述191
12.2萃取分析方法193
12.2.1數據收集193
12.2.2數據庫構建194
12.2.3萃取分析195
12.3萃取分析結果196
12.3.1研究的一般特征196
12.3.2不同傳感器影像的分類表現199
12.3.3分割尺度與空間分辨率的關繫200
12.3.4訓練樣本大小對精度的影響201
12.3.5監督分類方法與模糊分類方法202
12.3.6分類類型對分類結果的影響203
12.4面向對像監督分類方法的問題與發展前景205
12.4.1分類方法的發展205
12.4.2采樣方法的發展207
12.4.3分割尺度優化207
12.4.4特征選擇方法的研究209
12.4.5對像標簽和精度評估211
12.5面向對像監督分類的不確定性212
12.6本章小結213
參考文獻214
