高光譜遙感圖像處理方法及應(yīng)用

第1章 高光譜遙感的理論基礎(chǔ)\t1
1．1 高光譜遙感概述\t1
1．2 高光譜遙感成像機(jī)理\t5
1．3 高光譜遙感圖像的特點(diǎn)\t8
1．4 高光譜遙感圖像數(shù)據(jù)表達(dá)\t9
1．5 高光譜遙感與多光譜遙感的聯(lián)系與區(qū)別\t10
參考文獻(xiàn)\t11
第2章 高光譜圖像特征提取技術(shù)\t12
2．1 特征提取技術(shù)概述\t12
2．2 高光譜圖像基本特征提取算法\t16
2．2．1 主成分分析\t16
2．2．2 線性判別分析\t17
2．2．3 基于核的非線性特征提取算法\t18
2．2．4 基于流形學(xué)習(xí)的非監(jiān)督特征提取算法\t18
2．2．5 F-分值特征提取方法\t22
2．2．6 遞歸特征消除方法\t22
2．2．7 最小噪聲分?jǐn)?shù)\t23
2．2．8 獨(dú)立成分分析\t24
2．3 高光譜圖像波段提取算法\t25
2．3．1 半監(jiān)督局部稀疏嵌入特征提取算法\t25
2．3．2 基于全局和局部流形結(jié)構(gòu)的特征提取算法\t27
2．3．3 結(jié)合遺傳算法和蟻群算法的特征提取算法\t29
2．3．4 高光譜圖像蒙特卡羅特征提取算法\t31
2．4 高光譜圖像波段提取算法性能評(píng)價(jià)\t34
2．4．1 半監(jiān)督局部稀疏嵌入特征提取算法的性能評(píng)價(jià)\t35
2．4．2 基于全局和局部流形結(jié)構(gòu)的特征提取算法的性能評(píng)價(jià)\t38
2．4．3 結(jié)合遺傳算法和蟻群算法的特征提取算法的性能評(píng)價(jià)\t41
2．4．4 高光譜圖像蒙特卡羅特征提取算法的性能評(píng)價(jià)\t46
參考文獻(xiàn)\t48
第3章 高光譜圖像端元提取技術(shù)\t49
3．1 端元提取技術(shù)概述\t49
3．2 高光譜圖像基本端元提取方法\t49
3．2．1 N-FINDR端元提取算法\t49
3．2．2 純像素索引法\t50
3．2．3 凸錐分析\t51
3．2．4 迭代誤差分析\t52
3．2．5 ORASIS算法\t52
3．2．6 自動(dòng)形態(tài)學(xué)端元提取算法\t52
3．2．7 頂點(diǎn)成分分析法\t54
3．3 高光譜圖像端元提取算法\t55
3．3．1 改進(jìn)的N-FINDR高光譜端元提取算法\t55
3．3．2 改進(jìn)的IEA端元提取算法\t58
3．4 高光譜圖像端元提取方法的性能評(píng)價(jià)\t60
3．4．1 改進(jìn)的N-FINDR高光譜端元提取算法的性能評(píng)價(jià)\t60
3．4．2 改進(jìn)的IEA端元提取算法的性能評(píng)價(jià)\t61
參考文獻(xiàn)\t65
第4章 高光譜圖像光譜解混技術(shù)\t66
4．1 光譜解混技術(shù)概述\t66
4．2 高光譜圖像基本光譜解混算法\t68
4．2．1 線性光譜混合模型\t68
4．2．2 豐度反演算法\t69
4．2．3 解混誤差理論分析\t70
4．2．4 解決端元可變問題算法\t72
4．2．5 光譜解混精度評(píng)價(jià)\t76
4．3 高光譜圖像光譜解混算法\t77
4．3．1 基于正交子空間投影的多端元高光譜解混算法\t77
4．3．2 基于分層的多端元高光譜解混算法\t79
4．3．3 基于全約束OMP的多端元高光譜解混算法\t81
4．3．4 基于稀疏表示的高光譜解混算法\t83
4．3．5 改進(jìn)的OMP高光譜稀疏解混算法\t87
4．3．6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法\t90
4．4 高光譜圖像光譜解混算法評(píng)價(jià)\t91
4．4．1 基于OSP的多端元高光譜解混算法評(píng)價(jià)\t91
4．4．2 基于分層的多端元高光譜解混算法評(píng)價(jià)\t95
4．4．3 基于全約束OMP的多端元高光譜解混算法評(píng)價(jià)\t100
4．4．4 基于稀疏表示的高光譜解混算法評(píng)價(jià)\t103
4．4．5 改進(jìn)的OMP高光譜稀疏解混算法評(píng)價(jià)\t105
4．4．6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法評(píng)價(jià)\t110
參考文獻(xiàn)\t112
第5章 高光譜圖像監(jiān)督分類技術(shù)\t114
5．1 高光譜圖像分類技術(shù)概述\t114
5．2 高光譜圖像基本分類算法\t116
5．2．1 光譜角匹配\t116
5．2．2 最大似然分類\t117
5．2．3 Fisher判別分析\t117
5．2．4 支持向量機(jī)分類器\t118
5．2．5 相關(guān)向量機(jī)分類器\t126
5．3 高光譜圖像分類的評(píng)價(jià)準(zhǔn)則\t128
5．4 高光譜圖像分類算法\t129
5．4．1 基于高斯低通濾波的最大似然分類\t129
5．4．2 基于小波核函數(shù)的高光譜圖像分類\t131
5．4．3 基于第二代小波融合的高光譜圖像分類\t134
5．4．4 基于特征加權(quán)的高光譜圖像分類\t141
5．4．5 基于定制核稀疏表示的高光譜圖像分類\t143
5．4．6 基于模糊加權(quán)核C-均值聚類的高光譜圖像分類\t147
5．4．7 模糊特征加權(quán)支持向量機(jī)\t151
5．5 高光譜圖像分類算法的性能評(píng)價(jià)\t153
5．5．1 基于高斯低通濾波的最大似然分類性能評(píng)價(jià)\t154
5．5．2 基于小波核函數(shù)的高光譜圖像分類性能評(píng)價(jià)\t158
5．5．3 基于第二代小波融合的高光譜分類性能評(píng)價(jià)\t160
5．5．4 基于特征加權(quán)的高光譜分類性能評(píng)價(jià)\t164
5．5．5 基于定制核稀疏表示的分類評(píng)價(jià)\t168
5．5．6 模糊加權(quán)核C-均值聚類算法的分類評(píng)價(jià)\t173
5．5．7 模糊特征加權(quán)支持向量機(jī)的分類評(píng)價(jià)\t175
參考文獻(xiàn)\t178
第6章 高光譜圖像半監(jiān)督分類技術(shù)\t181
6．1 高光譜圖像半監(jiān)督分類技術(shù)概述\t181
6．2 高光譜圖像基本半監(jiān)督分類算法\t182
6．2．1 圖論的基礎(chǔ)概念\t182
6．2．2 基于圖的半監(jiān)督分類算法\t184
6．3 高光譜圖像半監(jiān)督分類算法\t187
6．3．1 結(jié)合LLGC和LS-SVM的半監(jiān)督分類算法\t187
6．3．2 引入負(fù)相似的LapSVM半監(jiān)督分類\t191
6．3．3 基于空-譜信息的高光譜半監(jiān)督分類算法\t196
6．3．4 基于空-譜標(biāo)簽傳遞的高光譜半監(jiān)督分類算法\t200
6．4 高光譜圖像半監(jiān)督分類算法的性能評(píng)價(jià)\t202
6．4．1 結(jié)合LLGC和LS-SVM半監(jiān)督分類算法的性能評(píng)價(jià)\t202
6．4．2 引入負(fù)相似的LapSVM半監(jiān)督分類的性能評(píng)價(jià)\t206
6．4．3 基于空-譜信息的高光譜半監(jiān)督分類的性能評(píng)價(jià)\t211
6．4．4 基于空-譜標(biāo)簽傳遞的高光譜半監(jiān)督分類的性能評(píng)價(jià)\t217
參考文獻(xiàn)\t227
第7章 高光譜圖像目標(biāo)匹配檢測(cè)技術(shù)\t229
7．1 目標(biāo)匹配檢測(cè)技術(shù)概述\t229
7．2 高光譜圖像基本目標(biāo)匹配檢測(cè)算法\t231
7．2．1 高光譜圖像目標(biāo)匹配檢測(cè)的關(guān)鍵問題\t231
7．2．2 高光譜圖像目標(biāo)檢測(cè)的一般過程與評(píng)價(jià)標(biāo)準(zhǔn)\t232
7．2．3 經(jīng)典的高光譜圖像目標(biāo)匹配檢測(cè)方法\t232
7．3 高光譜圖像目標(biāo)匹配檢測(cè)算法\t234
7．3．1 基于空間支持的稀疏表示目標(biāo)檢測(cè)\t234
7．3．2 基于StOMP算法的HSI目標(biāo)稀疏檢測(cè)\t239
7．3．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測(cè)\t242
7．4 高光譜圖像目標(biāo)匹配檢測(cè)算法評(píng)價(jià)\t245
7．4．1 基于空間支持的稀疏表示目標(biāo)檢測(cè)算法評(píng)價(jià)\t245
7．4．2 基于StOMP算法的HSI目標(biāo)稀疏檢測(cè)算法評(píng)價(jià)\t254
7．4．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測(cè)\t257
參考文獻(xiàn)\t259
第8章 高光譜圖像異常目標(biāo)檢測(cè)技術(shù)\t261
8．1 異常目標(biāo)檢測(cè)技術(shù)概述\t261
8．2 高光譜圖像異常目標(biāo)檢測(cè)基本理論\t265
8．3 高光譜圖像異常目標(biāo)檢測(cè)算法\t268
8．3．1 基于空域?yàn)V波的核RX高光譜異常檢測(cè)算法\t268
8．3．2 自適應(yīng)核高光譜異常檢測(cè)算法\t272
8．3．3 基于光譜相似度量核的高光譜異常檢測(cè)算法\t277
8．4 高光譜圖像異常目標(biāo)檢測(cè)算法評(píng)價(jià)\t281
8．4．1 基于空域?yàn)V波的核RX高光譜異常檢測(cè)算法評(píng)價(jià)\t281
8．4．2 自適應(yīng)核高光譜異常檢測(cè)算法評(píng)價(jià)\t282
8．4．3 基于光譜相似度量核的高光譜異常檢測(cè)算法評(píng)價(jià)\t284
參考文獻(xiàn)\t289
第9章 高光譜實(shí)時(shí)目標(biāo)檢測(cè)技術(shù)\t292
9．1 高光譜遙感目標(biāo)檢測(cè)概念及特點(diǎn)\t292
9．1．1 目標(biāo)存在形式\t292
9．1．2 高光譜圖像目標(biāo)檢測(cè)特點(diǎn)\t292
9．1．3 高光譜圖像目標(biāo)檢測(cè)分類\t293
9．1．4 高光譜圖像目標(biāo)檢測(cè)關(guān)鍵問題\t293
9．2 基于像素遞歸的高光譜實(shí)時(shí)目標(biāo)檢測(cè)\t295
9．2．1 Woodbury矩陣引理\t296
9．2．2 基于R-RXD的遞歸實(shí)時(shí)算子\t297
9．2．3 基于K-RXD的遞歸實(shí)時(shí)算子\t298
9．2．4 算法復(fù)雜性分析\t299
9．2．5 仿真實(shí)驗(yàn)結(jié)果與分析\t300
9．3 采用滑動(dòng)實(shí)時(shí)窗的高光譜局部實(shí)時(shí)檢測(cè)\t305
9．3．1 高光譜局部異常檢測(cè)常用算法\t306
9．3．2 采用滑動(dòng)實(shí)時(shí)窗口的局部異常檢測(cè)\t308
9．3．3 仿真實(shí)驗(yàn)結(jié)果與分析\t311
9．4 基于波段遞歸更新的高光譜目標(biāo)檢測(cè)算法\t315
9．4．1 分塊矩陣求逆引理\t315
9．4．2 基于波段遞歸的高光譜目標(biāo)檢測(cè)\t316
9．4．3 仿真實(shí)驗(yàn)結(jié)果與分析\t319
參考文獻(xiàn)\t321
第10章 高光譜圖像壓縮處理技術(shù)\t324
10．1 高光譜壓縮處理技術(shù)概述\t324
10．2 圖像壓縮質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)\t326
10．3 高光譜圖像壓縮處理算法\t327
10．3．1 基于目標(biāo)分布改進(jìn)DCT的圖像壓縮\t327
10．3．2 多元向量量化的圖像壓縮\t329
10．3．3 基于提升格式的圖像壓縮\t332
10．3．4 基于向量量化的圖像壓縮\t335
10．4 高光譜圖像壓縮性能評(píng)價(jià)\t337
10．4．1 基于目標(biāo)分布的圖像壓縮性能評(píng)價(jià)\t337
10．4．2 多元向量量化的圖像壓縮性能評(píng)價(jià)\t343
10．4．3 基于提升格式的圖像壓縮性能評(píng)價(jià)\t350
10．4．4 基于向量量化的圖像壓縮性能評(píng)價(jià)\t351
參考文獻(xiàn)\t352
第11章 高光譜圖像可視化技術(shù)\t354
11．1 可視化技術(shù)概述\t354
11．2 面向類別分析結(jié)果的可視化方法\t358
11．2．1 基于硬分類結(jié)果的數(shù)據(jù)可視化\t359
11．2．2 基于軟分類結(jié)果的自動(dòng)彩色分配方法\t361
11．3 高光譜圖像可視化方法性能評(píng)價(jià)\t364
11．3．1 硬分類類別彩色標(biāo)簽的選擇及分配\t364
11．3．2 基于光譜解混結(jié)果的可視化結(jié)果\t366
參考文獻(xiàn)\t368
第12章 高光譜遙感應(yīng)用簡(jiǎn)介\t369
12．1 高光譜遙感在農(nóng)業(yè)方面的應(yīng)用\t369
12．1．1 農(nóng)作物疾病監(jiān)測(cè)、病蟲害監(jiān)測(cè)以及入侵物種監(jiān)測(cè)\t369
12．1．2 農(nóng)作物產(chǎn)量估計(jì)\t370
12．1．3 農(nóng)作物分類\t370
12．2 高光譜遙感在地質(zhì)領(lǐng)域方面的應(yīng)用\t370
12．2．1 高光譜礦物識(shí)別與礦物填圖\t371
12．2．2 高光譜地質(zhì)成因信息探測(cè)研究\t371
12．2．3 高光譜成礦預(yù)測(cè)研究\t371
12．2．4 高光譜植被地化信息探測(cè)研究\t372
12．2．5 高光譜礦山環(huán)境分析研究\t372
12．3 高光譜遙感在草原監(jiān)測(cè)方面的應(yīng)用\t372
12．3．1 草地生物量估算\t373
12．3．2 草地種類識(shí)別\t374
12．3．3 草地化學(xué)成分估測(cè)\t374
12．4 高光譜遙感在森林研究方面的應(yīng)用\t375
12．4．1 森林調(diào)查\t375
12．4．2 森林生化組成與森林健康狀態(tài)\t376
12．5 高光譜遙感在海洋研究方面的應(yīng)用\t377
12．5．1 海洋遙感中的基礎(chǔ)研究\t377
12．5．2 海洋與海岸帶資源環(huán)境監(jiān)測(cè)中的應(yīng)用研究\t378
12．5．3 高光譜海洋研究國(guó)際發(fā)展相關(guān)動(dòng)態(tài)\t378
12．6 高光譜遙感在環(huán)境監(jiān)測(cè)方面的應(yīng)用\t379
12．6．1 大氣污染監(jiān)測(cè)\t379
12．6．2 土壤侵蝕監(jiān)測(cè)\t379
12．6．3 水環(huán)境監(jiān)測(cè)\t379
12．7 高光譜遙感在減災(zāi)方面的應(yīng)用\t380
12．7．1 干旱\t380
12．7．2 洪澇\t381
12．7．3 低溫雨雪冰凍災(zāi)害\t381
12．7．4 火災(zāi)\t382
12．7．5 地質(zhì)災(zāi)害\t383
12．7．6 生物災(zāi)害\t384
12．7．7 其他災(zāi)害\t384
參考文獻(xiàn)\t385