高光谱遥感图像处理方法及应用PDF电子书下载

第1章 高光谱遥感的理论基础 1

1.1 高光谱遥感概述 1

1.2 高光谱遥感成像机理 5

1.3 高光谱遥感图像的特点 8

1.4 高光谱遥感图像数据表达 9

1.5 高光谱遥感与多光谱遥感的联系与区别 10

参考文献 11

第2章 高光谱图像特征提取技术 12

2.1 特征提取技术概述 12

2.2 高光谱图像基本特征提取算法 16

2.2.1 主成分分析 16

2.2.2 线性判别分析 17

2.2.3 基于核的非线性特征提取算法 18

2.2.4 基于流形学习的非监督特征提取算法 18

2.2.5 F-分值特征提取方法 22

2.2.6 递归特征消除方法 22

2.2.7 最小噪声分数 23

2.2.8 独立成分分析 24

2.3 高光谱图像波段提取算法 25

2.3.1 半监督局部稀疏嵌入特征提取算法 25

2.3.2 基于全局和局部流形结构的特征提取算法 27

2.3.3 结合遗传算法和蚁群算法的特征提取算法 29

2.3.4 高光谱图像蒙特卡罗特征提取算法 31

2.4 高光谱图像波段提取算法性能评价 34

2.4.1 半监督局部稀疏嵌入特征提取算法的性能评价 35

2.4.2 基于全局和局部流形结构的特征提取算法的性能评价 38

2.4.3 结合遗传算法和蚁群算法的特征提取算法的性能评价 41

2.4.4 高光谱图像蒙特卡罗特征提取算法的性能评价 46

参考文献 48

第3章 高光谱图像端元提取技术 49

3.1 端元提取技术概述 49

3.2 高光谱图像基本端元提取方法 49

3.2.1 N-FINDR端元提取算法 49

3.2.2 纯像素索引法 50

3.2.3 凸锥分析 51

3.2.4 迭代误差分析 52

3.2.5 ORASIS算法 52

3.2.6 自动形态学端元提取算法 52

3.2.7 顶点成分分析法 54

3.3 高光谱图像端元提取算法 55

3.3.1 改进的N-FINDR高光谱端元提取算法 55

3.3.2 改进的I EA端元提取算法 58

3.4 高光谱图像端元提取方法的性能评价 60

3.4.1 改进的N-FINDR高光谱端元提取算法的性能评价 60

3.4.2 改进的IEA端元提取算法的性能评价 61

参考文献 65

第4章 高光谱图像光谱解混技术 66

4.1 光谱解混技术概述 66

4.2 高光谱图像基本光谱解混算法 68

4.2.1 线性光谱混合模型 68

4.2.2 丰度反演算法 69

4.2.3 解混误差理论分析 70

4.2.4 解决端元可变问题算法 72

4.2.5 光谱解混精度评价 76

4.3 高光谱图像光谱解混算法 77

4.3.1 基于正交子空间投影的多端元高光谱解混算法 77

4.3.2 基于分层的多端元高光谱解混算法 79

4.3.3 基于全约束OMP的多端元高光谱解混算法 81

4.3.4 基于稀疏表示的高光谱解混算法 83

4.3.5 改进的OMP高光谱稀疏解混算法 87

4.3.6 自适应稀疏度的OMP高光谱稀疏解混算法 90

4.4 高光谱图像光谱解混算法评价 91

4.4.1 基于OSP的多端元高光谱解混算法评价 91

4.4.2 基于分层的多端元高光谱解混算法评价 95

4.4.3 基于全约束OMP的多端元高光谱解混算法评价 100

4.4.4 基于稀疏表示的高光谱解混算法评价 103

4.4.5 改进的OMP高光谱稀疏解混算法评价 105

4.4.6 自适应稀疏度的OMP高光谱稀疏解混算法评价 110

参考文献 112

第5章 高光谱图像监督分类技术 114

5.1 高光谱图像分类技术概述 114

5.2 高光谱图像基本分类算法 116

5.2.1 光谱角匹配 116

5.2.2 最大似然分类 117

5.2.3 Fisher判别分析 117

5.2.4 支持向量机分类器 118

5.2.5 相关向量机分类器 126

5.3 高光谱图像分类的评价准则 128

5.4 高光谱图像分类算法 129

5.4.1 基于高斯低通滤波的最大似然分类 129

5.4.2 基于小波核函数的高光谱图像分类 131

5.4.3 基于第二代小波融合的高光谱图像分类 134

5.4.4 基于特征加权的高光谱图像分类 141

5.4.5 基于定制核稀疏表示的高光谱图像分类 143

5.4.6 基于模糊加权核C-均值聚类的高光谱图像分类 147

5.4.7 模糊特征加权支持向量机 151

5.5 高光谱图像分类算法的性能评价 153

5.5.1 基于高斯低通滤波的最大似然分类性能评价 154

5.5.2 基于小波核函数的高光谱图像分类性能评价 158

5.5.3 基于第二代小波融合的高光谱分类性能评价 160

5.5.4 基于特征加权的高光谱分类性能评价 164

5.5.5 基于定制核稀疏表示的分类评价 168

5.5.6 模糊加权核C-均值聚类算法的分类评价 173

5.5.7 模糊特征加权支持向量机的分类评价 175

参考文献 178

第6章 高光谱图像半监督分类技术 181

6.1 高光谱图像半监督分类技术概述 181

6.2 高光谱图像基本半监督分类算法 182

6.2.1 图论的基础概念 182

6.2.2 基于图的半监督分类算法 184

6.3 高光谱图像半监督分类算法 187

6.3.1 结合LLGC和LS-SVM的半监督分类算法 187

6.3.2 引入负相似的LapSVM半监督分类 191

6.3.3 基于空-谱信息的高光谱半监督分类算法 196

6.3.4 基于空-谱标签传递的高光谱半监督分类算法 200

6.4 高光谱图像半监督分类算法的性能评价 202

6.4.1 结合LLGC和LS-SVM半监督分类算法的性能评价 202

6.4.2 引入负相似的LapSVM半监督分类的性能评价 206

6.4.3 基于空-谱信息的高光谱半监督分类的性能评价 211

6.4.4 基于空-谱标签传递的高光谱半监督分类的性能评价 217

参考文献 227

第7章 高光谱图像目标匹配检测技术 229

7.1 目标匹配检测技术概述 229

7.2 高光谱图像基本目标匹配检测算法 231

7.2.1 高光谱图像目标匹配检测的关键问题 231

7.2.2 高光谱图像目标检测的一般过程与评价标准 232

7.2.3 经典的高光谱图像目标匹配检测方法 232

7.3 高光谱图像目标匹配检测算法 234

7.3.1 基于空间支持的稀疏表示目标检测 234

7.3.2 基于StOMp算法的HSI目标稀疏检测 239

7.3.3 基于无监督字典的HSI目标稀疏检测 242

7.4 高光谱图像目标匹配检测算法评价 245

7.4.1 基于空间支持的稀疏表示目标检测算法评价 245

7.4.2 基于StOMp算法的HSI目标稀疏检测算法评价 254

7.4.3 基于无监督字典的HSI目标稀疏检测 257

参考文献 259

第8章 高光谱图像异常目标检测技术 261

8.1 异常目标检测技术概述 261

8.2 高光谱图像异常目标检测基本理论 265

8.3 高光谱图像异常目标检测算法 268

8.3.1 基于空域滤波的核RX高光谱异常检测算法 268

8.3.2 自适应核高光谱异常检测算法 272

8.3.3 基于光谱相似度量核的高光谱异常检测算法 277

8.4 高光谱图像异常目标检测算法评价 281

8.4.1 基于空域滤波的核RX高光谱异常检测算法评价 281

8.4.2 自适应核高光谱异常检测算法评价 282

8.4.3 基于光谱相似度量核的高光谱异常检测算法评价 284

参考文献 289

第9章 高光谱实时目标检测技术 292

9.1 高光谱遥感目标检测概念及特点 292

9.1.1 目标存在形式 292

9.1.2 高光谱图像目标检测特点 292

9.1.3 高光谱图像目标检测分类 293

9.1.4 高光谱图像目标检测关键问题 293

9.2 基于像素递归的高光谱实时目标检测 295

9.2.1 Woodbury矩阵引理 296

9.2.2 基于R-RYD的递归实时算子 297

9.2.3 基于K-RXD的递归实时算子 298

9.2.4 算法复杂性分析 299

9.2.5 仿真实验结果与分析 300

9.3 采用滑动实时窗的高光谱局部实时检测 305

9.3.1 高光谱局部异常检测常用算法 306

9.3.2 采用滑动实时窗口的局部异常检测 308

9.3.3 仿真实验结果与分析 311

9.4 基于波段递归更新的高光谱目标检测算法 315

9.4.1 分块矩阵求逆引理 315

9.4.2 基于波段递归的高光谱目标检测 316

9.4.3 仿真实验结果与分析 319

参考文献 321

第10章 高光谱图像压缩处理技术 324

10.1 高光谱压缩处理技术概述 324

10.2 图像压缩质量评价标准 326

10.3 高光谱图像压缩处理算法 327

10.3.1 基于目标分布改进DCT的图像压缩 327

10.3.2 多元向量量化的图像压缩 329

10.3.3 基于提升格式的图像压缩 332

10.3.4 基于向量量化的图像压缩 335

10.4 高光谱图像压缩性能评价 337

10.4.1 基于目标分布的图像压缩性能评价 337

10.4.2 多元向量量化的图像压缩性能评价 343

10.4.3 基于提升格式的图像压缩性能评价 350

10.4.4 基于向量量化的图像压缩性能评价 351

参考文献 352

第11章 高光谱图像可视化技术 354

11.1 可视化技术概述 354

11.2 面向类别分析结果的可视化方法 358

11.2.1 基于硬分类结果的数据可视化 359

11.2.2 基于软分类结果的自动彩色分配方法 361

11.3 高光谱图像可视化方法性能评价 364

11.3.1 硬分类类别彩色标签的选择及分配 364

11.3.2 基于光谱解混结果的可视化结果 366

参考文献 368

第12章 高光谱遥感应用简介 369

12.1 高光谱遥感在农业方面的应用 369

12.1.1 农作物疾病监测、病虫害监测以及入侵物种监测 369

12.1.2 农作物产量估计 370

12.1.3 农作物分类 370

12.2 高光谱遥感在地质领域方面的应用 370

12.2.1 高光谱矿物识别与矿物填图 371

12.2.2 高光谱地质成因信息探测研究 371

12.2.3 高光谱成矿预测研究 371

12.2.4 高光谱植被地化信息探测研究 372

12.2.5 高光谱矿山环境分析研究 372

12.3 高光谱遥感在草原监测方面的应用 372

12.3.1 草地生物量估算 373

12.3.2 草地种类识别 374

12.3.3 草地化学成分估测 374

12.4 高光谱遥感在森林研究方面的应用 375

12.4.1 森林调查 375

12.4.2 森林生化组成与森林健康状态 376

12.5 高光谱遥感在海洋研究方面的应用 377

12.5.1 海洋遥感中的基础研究 377

12.5.2 海洋与海岸带资源环境监测中的应用研究 378

12.5.3 高光谱海洋研究国际发展相关动态 378

12.6 高光谱遥感在环境监测方面的应用 379

12.6.1 大气污染监测 379

12.6.2 土壤侵蚀监测 379

12.6.3 水环境监测 379

12.7 高光谱遥感在减灾方面的应用 380

12.7.1 干旱 380

12.7.2 洪涝 381

12.7.3 低温雨雪冰冻灾害 381

12.7.4 火灾 382

12.7.5 地质灾害 383

12.7.6 生物灾害 384

12.7.7 其他灾害 384

参考文献 385