第一部分 高光谱数据处理基础 3
1 绪论 3
1.1 高光谱遥感原理 3
1.2 高光谱遥感的发展历史 3
1.3 高光谱遥感数据的分类 4
1.4 高光谱卫星遥感光谱测量 5
1.5 高光谱地面光谱测量 6
1.6 高光谱遥感数据处理方法 6
2 高光谱数据的获取与分析 8
2.1 地物光谱数据库的建立 8
2.2 高光谱地面实测数据的预处理 10
2.3 地物光谱特征参数 12
2.4 地物光谱建模分析 14
2.5 卫星遥感高光谱数据的获取 14
2.6 卫星遥感数据的存储格式 15
2.7 卫星遥感图像的预处理 17
3 常见铀矿物（实验数据）的光谱特征 19
3.1 常见原生铀矿物的光谱特征 19
3.2 常见次生铀矿物的光谱特征 21
4 遥感数据的可视化 24
4.1 视觉感知要素 24
4.2 图像增强简介 25
4.3 基本灰度变换 27
4.4 直方图处理 31
4.5 图像局部增强 34
4.6 二阶微分空间域滤波 36
4.7 图像融合技术 38
5 高光谱数据的处理模型 45
5.1 高光谱地面实测数据矿物识别模型 45
5.2 高光谱地面实测数据物谱关联模型 51
5.3 高光谱地面实测数据特征子集提取 54
5.4 高光谱卫星遥感图像波段选择模型 59
5.5 高光谱卫星遥感图像分类模型 65
第二部分 高光谱数据处理的智能算法 75
6 基于实例的学习方法 75
6.1 引言 75
6.2 K近邻分类器 75
6.3 K近邻回归预测器 76
6.4 K近邻算法在高光谱遥感数据处理中的应用 76
7 决策树 83
7.1 引言 83
7.2 决策树的表示方法 83
7.3 决策树的属性度量问题 83
7.4 决策树方法在高光谱地面实测数据矿物识别中的应用 86
7.5 决策树方法在高光谱卫星遥感图像分类中的应用 89
8 贝叶斯分类 93
8.1 引言 93
8.2 贝叶斯法则与分类器 93
8.3 贝叶斯在高光谱遥感数据处理中的应用 95
8.4 贝叶斯与决策树的混合模型及其遥感应用 99
9 人工神经网络 102
9.1 引言 102
9.2 反向传播网络基本原理 102
9.3 神经网络的基本特性 104
9.4 BP网在高光谱遥感数据处理中的应用 105
10 演化算法 114
10.1 引言 114
10.2 演化算法的基本原理 115
10.3 基本演化算法 119
10.4 差分演化算法 127
10.5 遗传规划 136
10.6 基于基因表达式的演化算法 147
11 支持向量机 158
11.1 引言 158
11.2 支持向量机分类 158
11.3 支持向量机回归 162
11.4 SVM在高光谱遥感数据处理中的应用 164
11.5 改进的支持向量机及其遥感应用 168
12 其他智能回归算法 172
12.1 引言 172
12.2 模型树算法 172
12.3 线性回归算法 172
12.4 遥感应用 174
13 高光谱数据处理与分析系统 177
13.1 高光谱数据的处理系统的组成 177
13.2 国外高光谱遥感数据处理软件 178
13.3 国内高光谱遥感数据处理软件 184
13.4 基于智能算法的高光谱数据处理软件功能介绍 186
附录 188
附录1：GEP回归实现 188
附录2：GP回归实现 216
附录3：SMO回归实现 234
附录4：DESMO分类实现 252
附录5：特性指标测试结果明细 281
附录6：地物分类表 286
附录7：光谱数据库表结构 289
参考文献 297