分类是遥感影像处理和地学应用中*重要的内容之一，多分类器集成则是提高影像分类精度、控制不确定性的有效策略。本书在介绍遥感影像分类、集成学习和多分类器基本知识的基础上，对遥感多分类器集成的理论、方法和应用进行探讨。首先，简要介绍遥感影像分类的基本概念、基本理论和常用分类器，论述多分类器集成的重要性和研究进展。然后，从集成学习、多分类器的基本理论和方法出发，提出遥感多分类器集成的实现策略，探讨样本层和特征层集成学习算法，包括Boosting、Bagging、随机森林等在遥感影像分类中的应用，并将*新的集成学习方法旋转森林应用于遥感影像分类，进行的改进和优化。同时，研究异质多分类器集成在遥感影像分类中的应用，重点对分类器选择、组合策略、动态分类器组成等进行探讨。*后，对遥感多分类器集成的若干应用进行实例介绍和总结。

“地球观测与导航技术丛书”编写说明
前言
第1章 绪论 1
1.1 遥感影像分类基础 1
1.2 遥感影像分类技术流程和关键问题 9
1.3 常用遥感影像分类方法 13
1.4 遥感多分类器集成概述 26
1.5 遥感影像分类研究进展 28
参考文献 30
第2章 集成学习与多分类器 38
2.1 集成学习理论基础 38
2.2 多分类器 41
2.3 遥感多分类器集成实现方法 43
2.4 遥感多分类器集成关键问题 45
2.5 本章小结 49
参考文献 49
第3章 基于样本和特征的多分类器集成 54
3.1 Boosting算法实现与应用 54
3.2 Bagging算法实现与应用 60
3.3 MultiBoost算法实现与应用 61
3.4 随机子空间算法实现与应用 63
3.5 随机森林算法实现与应用 64
3.6 算法综合试验与比较分析 67
3.7 本章小结 74
参考文献 74
第4章 基于旋转森林的遥感影像分类 79
4.1 旋转森林原理 80
4.2 嵌入马尔可夫随机场模型和局部线性特征提取的旋转森林分类 91
4.3 基于扩展形态学剖面和极限学习机的旋转森林 99
4.4 基于旋转森林的全极化SAR影像分类 109
4.5 本章小结 122
参考文献 122
第5章 异质分类器集成方法与应用 126
5.1 多分类器层次型组合与应用 126
5.2 监督/半监督特征提取与多分类器集成应用 130
5.3 异质分类器决策级融合与应用 136
5.4 动态多分类器集成与应用 139
5.5 基于支持向量机的分类器集成方法 153
5.6 本章小结 158
参考文献 158
第6章 遥感多分类器集成应用 161
6.1 全极化SAR影像多分类器集成应用 161
6.2 基于多分类器集成的光学和SAR影像协同分类应用 184
6.3 高分辨率光学影像与机载LiDAR数据多分类器集成 195
6.4 基于多差异影像集成的变化检测 208
6.5 本章小结 218
参考文献 218