第1章 高光谱遥感概述 1
1.1高光谱遥感的基本概念 2
1.1.1高光谱遥感的定义 2
1.1.2高光谱遥感的发展现状 5
1.2高光谱遥感影像处理 8
1.2.1高光谱遥感影像的构成与特点 8
1.2.2高光谱遥感数据处理的特点 10
1.2.3高光谱遥感影像处理的主要内容 10
1.3高光谱遥感影像分类 12
1.3.1高光谱遥感影像分类的基本概念和原理 12
1.3.2高光谱遥感影像分类的主要策略 15
1.3.3高光谱遥感影像分类中的若干关键技术 19
1.3.4高光谱遥感影像分类的技术流程 21
1.4本书试验数据 23
1.4.1 OMIS Ⅱ高光谱数据 24
1.4.2 ROSIS高光谱数据 24
1.4.3 AVIRIS数据 24
1.4.4 Hyperion高光谱数据 25
第2章 高光谱遥感影像常用分类方法 26
2.1常规监督分类方法 27
2.1.1最小距离分类法 27
2.1.2最大似然分类法 28
2.1.3平行多面体分类 28
2.2基于光谱相似性度量的分类方法 29
2.2.1光谱角制图 29
2.2.2光谱信息散度 30
2.2.3光谱相关度量 30
2.2.4其他光谱匹配方法 31
2.3人工神经网络分类器 31
2.3.1人工神经网络概述 31
2.3.2 BPNN的应用 35
2.3.3基于RBF神经网络的高光谱遥感影像分类 36
2.3.4基于ARTMAP神经网络的高光谱遥感影像分类 38
2.3.5其他人工神经网络的应用 40
2.3.6基于人工神经网络的高光谱遥感影像分类实例 41
2.4决策树分类器 43
2.4.1决策树分类的基本原理 43
2.4.2决策树的构建 44
2.4.3实例分析 45
2.5面向对象分类 47
2.5.1面向对象高光谱遥感分类基本步骤 47
2.5.2面向对象高光谱遥感分类的关键问题 48
2.5.3面向对象高光谱遥感分类实例 49
2.6基于信息融合的高光谱遥感影像分类 51
2.6.1以分类为应用目标的高光谱遥感信息融合 51
2.6.2基于像素级融合的高光谱遥感影像分类 51
2.6.3基于特征级融合的高光谱遥感影像分类 53
2.6.4基于决策级融合的高光谱遥感影像分类 54
2.6.5基于数据层信息融合的高光谱遥感影像分类实例 54
2.6.6基于决策级融合的高光谱遥感影像分类实例 56
2.7非监督分类 58
2.7.1基本概念 58
2.7.2 K-均值聚类法 59
2.7.3 ISODATA分类法 59
2.7.4用于高光谱遥感影像的SAALT聚类算法 60
第3章 高光谱遥感影像降维与特征提取 61
3.1基于波段选择的降维 61
3.2基于特征提取的降维 63
3.2.1代数运算法 63
3.2.2光谱导数法 64
3.2.3主成分分析 65
3.2.4线性判别分析 65
3.2.5独立成分分析 66
3.2.6最大噪声分离 66
3.2.7投影寻踪 66
3.2.8正交子空间投影 68
3.2.9核线性判别分析 69
3.2.10核主成分分析 70
3.2.11多维尺度变换 71
3.3流形学习——一种新的非线性降维方法 72
3.3.1等距映射 72
3.3.2局部线性嵌入 74
3.3.3拉普拉斯映射 75
3.3.4局部切空间排列 76
3.3.5实例分析 77
3.4纹理特征提取 80
3.4.1统计方法 80
3.4.2结构方法 83
3.4.3基于模型的方法 83
3.4.4频域变换法 87
第4章 基于支持向量机的高光谱遥感影像分类 89
4.1支持向量机的基本原理 89
4.2影响支持向量机分类器性能的因素 92
4.2.1多类分类器 92
4.2.2核函数和核参数选择 92
4.3 SVM分类的试验与分析 93
4.3.1 OMISⅡ高光谱数据的试验 93
4.3.2 ROSIS高光谱数据的试验 96
第5章 支持向量机核函数设计与优化 98
5.1再生核Hilbert空间的小波核函数 98
5.1.1支持向量机基本核函数 98
5.1.2规则化和再生核Hilbert空间的小波核函数支持向量机 99
5.2试验结果与分析 100
5.2.1 OMISⅡ高光谱数据的试验 100
5.2.2 ROSIS数据试验 102
5.3本章小结 104
第6章 多类支持向量机的设计和实现 105
6.1常用多类支持向量机算法 105
6.1.1一类对余类SVM（1-A-R SVM） 105
6.1.2一类对一类SVM（1-A-1 SVM） 106
6.1.3有向无环图SVM 106
6.1.4二叉树SVM 107
6.1.5多类SVM的分类速度 109
6.2基于J-M距离的层次多类支持向量机实现 109
6.3试验结果 111
6.3.1 OMISⅡ高光谱影像试验 111
6.3.2 Hyperion数据试验 114
6.3.3 AVIRIS数据试验 115
第7章 支持向量机分类器中多种特征的综合应用 116
7.1多核支持向量机（Multiple Kernel SVM） 116
7.2光谱特征与小波纹理特征的综合应用 118
7.3小波纹理的提取与分类 120
7.4光谱特征和结构特征的综合应用 122
7.5试验结果与分析 124
7.5.1组合光谱特征和小波纹理特征的高光谱数据试验 124
7.5.2组合光谱特征和数学形态学结构的高光谱数据试验 128
第8章 混合像元分解 130
8.1端元选择 131
8.1.1端元类型与数目 131
8.1.2端元选择算法 132
8.2混合像元分解模型 139
8.2.1线性光谱混合模型 139
8.2.2非线性混合模型 140
8.2.3神经网络混合模型 141
8.2.4支持向量机 143
8.2.5基于光谱差异的分解模型 143
8.3混合像元分解实例 144
参考文献 148