亓呈明，计算机应用技术硕士，地理信息工程博士。主要研究方向为：机器学习、计算智能、统计学习、遥感图像处理。发表30余篇国际检索的研究论文，参与了相关研究项目10余项。

    胡立栓，计算机应用技术硕士，地理信息工程博士。主要研究方向为：机器学习、遥感信息处理、GIS技术应用、网格服务、分布式计算等。发表20篇研究论文，其中EI检索8篇，参与了相关研究20余项。

本书系统总结了作者近年来在高光谱遥感影像分类、机器学习、智能计算等方面的研究成果，在介绍高光谱遥感影像分类基础知识、机器学习、智能计算等常用方法的基础上，探讨影响分类准确率的因素，重点对多核集成学习及粒子群等方法在高光谱遥感影像分类中的应用进行了深入探讨。本书将作者研究过程与体会与大家分享，抛砖引玉，希望进一步促进遥感图像的分析与理解水平，这也是本书撰写的初衷。

全书共分为8章。第1章主要介绍高光谱遥感的基本概念、高光谱遥感影像分类的基础和原理、分类研究现状、存在的问题与发展趋势。第2章主要介绍遥感影像分类中的机器学习方法，包括小距离分类法、大似然分类法、人工神经网络分类法、决策树分类法、K-均值算法及迭代自组织数据分析法。第3章主要介绍统计学习理论与支持向量机的原理、研究现状、存在问题及发展方向。第4章主要介绍高光谱遥感影像的降维方法，包括遗传算法、主成分分析与核主成分分析、线性判别分析与核线性判别分析、投影寻踪、流形学习等。第5章采用改进粒子群优化算法对高光谱影像数据进行波段选择和SVM（支持向量机）参数优化。第6章采用Kullback-Leibler散度构造支持向量机的核函数，并应用于多核集成框架的基分类器。第7章基于改进指数进行特征选择，结合参数优化后的SVM分类器对高光谱影像数据进行分类。第8章基于互信息和J-M距离（一种光谱可分性测度）提出两阶段特征选择方法，并引入随机化算法构建多核集成学习框架。在每章中都评估了分类器的各种参数对分类精度的影响。

机器学习中的统计学习理论采用结构风险最小化原则，提出了一种在样本有限情况下的机器学习方法。支持向量机就是在该理论框架下产生的一种通用学习方法，近年来逐步发展起来的计算智能理论和方法也为遥感分类提供了新的思路。本书借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能，通过引入信息论、计算智能、支持向量机、集成学习等领域的新理论和新方法，构造新型降维方法和核函数以克服传统遥感图像处理算法的局限性，特别是在基于核函数的构建与优化、集成支持向量机等方面取得了一系列新的成果，并以大量的实例验证了相关算法的有效性和可靠性。

1高光谱遥感影像分类概述1

1.1高光谱遥感影像1

1.2高光谱遥感影像分类概述5

1.3遥感影像分类研究现状9

1.4遥感影像分类存在的问题10

1.5本书试验数据13

2遥感影像分类中的机器学习方法19

2.1机器学习分类方法20

2.2最小距离分类法22

2.3最大似然分类法23

2.4人工神经网络分类法24

2.5决策树分类法29

2.6K-均值算法31

2.7迭代自组织数据分析法32

2.8实验结果与分析34

2.9本章小结36

3统计学习理论与支持向量机40

3.1统计学习理论40

3.2最优化理论45

3.3支持向量机49

3.4实验结果与分析61

3.5本章小结62

4高光谱遥感影像的降维方法68

4.1高光谱遥感影像降维现状68

4.2特征选择与特征提取70

4.3遗传算法80

4.4主成分分析与核主成分分析84

4.5线性判别分析与核线性判别分析89

4.6投影寻踪法95

4.7流形学习98

4.8纹理特征提取103

4.9实验结果与分析105

4.10本章小结114

5基于BPSO的高光谱影像特征选择与分类117

5.1粒子群优化算法117

5.2粒子群优化算法在高光谱分类中的应用121

5.3实验结果与分析125

5.4本章小结135

6基于Kullback-Leibler的多核集成分类137

6.1引言137

6.2集成机器学习139

6.3基于Kullback-Leibler核函数的多核集成框架144

6.4实验结果与分析147

6.5参数分析155

6.6本章小结157

7基于改进最优指数的特征选择与分类165

7.1引言165

7.2支持向量机参数优化方法166

7.3基于最优指数的多核集成框架167

7.4实验结果与分析169

7.5本章小结178

8基于互信息混合测度的特征选择与分类181

8.1引言181

8.2两阶段波段选择与多核集成框架182

8.3实验结果与分析186

8.4本章小结193