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 高光譜遙感成像機理\t5
1．3 高光譜遙感圖像的特點\t8
1．4 高光譜遙感圖像數(shù)據(jù)表達\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\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價\t34
2．4．1 半監(jiān)督局部稀疏嵌入特征提取算法的性能評價\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價\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價\t41
2．4．4 高光譜圖像蒙特卡羅特征提取算法的性能評價\t46
參考文獻\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 自動形態(tài)學(xué)端元提取算法\t52
3．2．7 頂點成分分析法\t54
3．3 高光譜圖像端元提取算法\t55
3．3．1 改進的N-FINDR高光譜端元提取算法\t55
3．3．2 改進的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價\t60
3．4．1 改進的N-FINDR高光譜端元提取算法的性能評價\t60
3．4．2 改進的IEA端元提取算法的性能評價\t61
參考文獻\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 光譜解混精度評價\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價\t91
4．4．1 基于OSP的多端元高光譜解混算法評價\t91
4．4．2 基于分層的多端元高光譜解混算法評價\t95
4．4．3 基于全約束OMP的多端元高光譜解混算法評價\t100
4．4．4 基于稀疏表示的高光譜解混算法評價\t103
4．4．5 改進的OMP高光譜稀疏解混算法評價\t105
4．4．6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法評價\t110
參考文獻\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 支持向量機分類器\t118
5．2．5 相關(guān)向量機分類器\t126
5．3 高光譜圖像分類的評價準(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\t151
5．5 高光譜圖像分類算法的性能評價\t153
5．5．1 基于高斯低通濾波的最大似然分類性能評價\t154
5．5．2 基于小波核函數(shù)的高光譜圖像分類性能評價\t158
5．5．3 基于第二代小波融合的高光譜分類性能評價\t160
5．5．4 基于特征加權(quán)的高光譜分類性能評價\t164
5．5．5 基于定制核稀疏表示的分類評價\t168
5．5．6 模糊加權(quán)核C-均值聚類算法的分類評價\t173
5．5．7 模糊特征加權(quán)支持向量機的分類評價\t175
參考文獻\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價\t202
6．4．1 結(jié)合LLGC和LS-SVM半監(jiān)督分類算法的性能評價\t202
6．4．2 引入負(fù)相似的LapSVM半監(jiān)督分類的性能評價\t206
6．4．3 基于空-譜信息的高光譜半監(jiān)督分類的性能評價\t211
6．4．4 基于空-譜標(biāo)簽傳遞的高光譜半監(jiān)督分類的性能評價\t217
參考文獻\t227
第7章 高光譜圖像目標(biāo)匹配檢測技術(shù)\t229
7．1 目標(biāo)匹配檢測技術(shù)概述\t229
7．2 高光譜圖像基本目標(biāo)匹配檢測算法\t231
7．2．1 高光譜圖像目標(biāo)匹配檢測的關(guān)鍵問題\t231
7．2．2 高光譜圖像目標(biāo)檢測的一般過程與評價標(biāo)準(zhǔn)\t232
7．2．3 經(jīng)典的高光譜圖像目標(biāo)匹配檢測方法\t232
7．3 高光譜圖像目標(biāo)匹配檢測算法\t234
7．3．1 基于空間支持的稀疏表示目標(biāo)檢測\t234
7．3．2 基于StOMP算法的HSI目標(biāo)稀疏檢測\t239
7．3．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測\t242
7．4 高光譜圖像目標(biāo)匹配檢測算法評價\t245
7．4．1 基于空間支持的稀疏表示目標(biāo)檢測算法評價\t245
7．4．2 基于StOMP算法的HSI目標(biāo)稀疏檢測算法評價\t254
7．4．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測\t257
參考文獻\t259
第8章 高光譜圖像異常目標(biāo)檢測技術(shù)\t261
8．1 異常目標(biāo)檢測技術(shù)概述\t261
8．2 高光譜圖像異常目標(biāo)檢測基本理論\t265
8．3 高光譜圖像異常目標(biāo)檢測算法\t268
8．3．1 基于空域濾波的核RX高光譜異常檢測算法\t268
8．3．2 自適應(yīng)核高光譜異常檢測算法\t272
8．3．3 基于光譜相似度量核的高光譜異常檢測算法\t277
8．4 高光譜圖像異常目標(biāo)檢測算法評價\t281
8．4．1 基于空域濾波的核RX高光譜異常檢測算法評價\t281
8．4．2 自適應(yīng)核高光譜異常檢測算法評價\t282
8．4．3 基于光譜相似度量核的高光譜異常檢測算法評價\t284
參考文獻\t289
第9章 高光譜實時目標(biāo)檢測技術(shù)\t292
9．1 高光譜遙感目標(biāo)檢測概念及特點\t292
9．1．1 目標(biāo)存在形式\t292
9．1．2 高光譜圖像目標(biāo)檢測特點\t292
9．1．3 高光譜圖像目標(biāo)檢測分類\t293
9．1．4 高光譜圖像目標(biāo)檢測關(guān)鍵問題\t293
9．2 基于像素遞歸的高光譜實時目標(biāo)檢測\t295
9．2．1 Woodbury矩陣引理\t296
9．2．2 基于R-RXD的遞歸實時算子\t297
9．2．3 基于K-RXD的遞歸實時算子\t298
9．2．4 算法復(fù)雜性分析\t299
9．2．5 仿真實驗結(jié)果與分析\t300
9．3 采用滑動實時窗的高光譜局部實時檢測\t305
9．3．1 高光譜局部異常檢測常用算法\t306
9．3．2 采用滑動實時窗口的局部異常檢測\t308
9．3．3 仿真實驗結(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\t316
9．4．3 仿真實驗結(jié)果與分析\t319
參考文獻\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)量評價標(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價\t337
10．4．1 基于目標(biāo)分布的圖像壓縮性能評價\t337
10．4．2 多元向量量化的圖像壓縮性能評價\t343
10．4．3 基于提升格式的圖像壓縮性能評價\t350
10．4．4 基于向量量化的圖像壓縮性能評價\t351
參考文獻\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)果的自動彩色分配方法\t361
11．3 高光譜圖像可視化方法性能評價\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\t368
第12章 高光譜遙感應(yīng)用簡介\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、病蟲害監(jiān)測以及入侵物種監(jiān)測\t369
12．1．2 農(nóng)作物產(chǎn)量估計\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 高光譜礦物識別與礦物填圖\t371
12．2．2 高光譜地質(zhì)成因信息探測研究\t371
12．2．3 高光譜成礦預(yù)測研究\t371
12．2．4 高光譜植被地化信息探測研究\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 草地種類識別\t374
12．3．3 草地化學(xué)成分估測\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)測中的應(yīng)用研究\t378
12．5．3 高光譜海洋研究國際發(fā)展相關(guān)動態(tài)\t378
12．6 高光譜遙感在環(huán)境監(jiān)測方面的應(yīng)用\t379
12．6．1 大氣污染監(jiān)測\t379
12．6．2 土壤侵蝕監(jiān)測\t379
12．6．3 水環(huán)境監(jiān)測\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\t385