第1章 高光谱遥感原理及图像特点 1
1.1高光谱遥感理论基础 1
1.1.1太阳辐射 2
1.1.2电磁波与地物的相互作用 2
1.1.3电磁辐射与大气的相互作用 6
1.2高光谱遥感成像技术 9
1.2.1光谱分光 9
1.2.2空间成像 12
1.2.3探测器 14
1.3高光谱图像处理与分析的特点 15
1.3.1高光谱图像分析的核心是光谱分析 16
1.3.2高光谱图像分析是一种定量化分析 18
1.3.3特征选择与提取对海量高光谱数据处理尤为重要 19
1.3.4混合像元是高光谱图像处理面临的一个重要问题 20
参考文献 21
第2章 高光谱图像噪声评估与数据降维 25
2.1高光谱图像噪声评估的常用方法 25
2.1.1均匀区域法 26
2.1.2地学统计法 29
2.1.3局部均值与局部标准差法 32
2.1.4空间/光谱维去相关法 34
2.2高光谱图像噪声评估方法优化 38
2.2.1基于均匀块局部标准差的方法 38
2.2.2基于残差调整的局部均值与局部标准差法 42
2.2.3基于均匀区域划分的噪声评估方法 46
2.3高光谱图像数据降维的常用方法 51
2.3.1主成分分析 52
2.3.2最小/最大自相关因子分析 58
2.3.3最大噪声分数 60
2.3.4噪声调整的主成分分析 63
2.3.5典型分析 66
2.3.6独立成分分析 67
2.3.7投影寻踪 69
2.3.8典型判别分析 70
2.3.9典型相关分析 70
2.3.10非负矩阵分解 71
2.3.11非线性主成分分析 72
2.3.12基于“流形学习”的非线性降维方法 74
2.4最大噪声分数降维方法优化 75
2.4.1 MNF变换中广义特征值求解 76
2.4.2 MNF对于图像数值变化的敏感性 77
2.4.3地物空间分布对MNF变换的影响 81
2.4.4噪声评估结果对MNF的影响 82
2.4.5优化的MNF变换及其图像分类应用 85
2.5高光谱图像降维方法分析与评价 91
2.5.1高光谱图像降维方法关联分析 92
2.5.2高光谱图像降维方法选择策略 96
参考文献 99
第3章 高光谱图像混合像元分解 102
3.1混合像元问题与光谱混合模型 102
3.1.1混合像元产生的机理 102
3.1.2非线性光谱混合模型 104
3.1.3线性光谱混合模型 108
3.2高光谱图像线性光谱解混流程 112
3.2.1线性光谱解混技术流程 112
3.2.2端元数目确认 113
3.2.3数据降维方法选择 115
3.2.4端元光谱变异性与端元束 116
3.3高光谱图像端元提取方法 118
3.3.1纯像元指数 118
3.3.2内部最大体积法 121
3.3.3顶点成分分析 123
3.3.4单形体投影方法 124
3.3.5顺序最大角凸锥 125
3.3.6迭代误差分析 126
3.3.7外包单形体收缩 127
3.3.8最小体积单形体分析 129
3.3.9凸锥分析 130
3.3.10光学实时自适应光谱识别系统 131
3.3.11自动形态学 132
3.3.12最大距离法 134
3.3.13最大体积法 135
3.3.14最大零空间投影距离法 137
3.3.15定量化独立成分分析法 139
3.4高光谱图像端元丰度反演方法 145
3.4.1最小二乘法 145
3.4.2滤波向量法 148
3.4.3迭代光谱混合分析 148
3.4.4基于端元投影向量的丰度反演方法 149
3.4.5基于单形体体积的丰度反演方法 150
3.5空间信息在混合像元分解中的应用 151
3.5.1空间信息辅助下的端元快速提取 151
3.5.2空间信息辅助下的混合光谱分解 152
3.6高光谱图像混合光谱分解方法分析与评价 153
3.6.1高光谱图像端元提取方法定量评价 153
3.6.2线性光谱解混对不同空间分辨率图像的适应性评价 160
参考文献 173
第4章 高光谱图像监督分类 176
4.1高光谱图像分类的概念及特点 176
4.1.1高光谱图像分类的概念 176
4.1.2高光谱图像分类的特点 176
4.1.3高光谱图像数据描述模型 178
4.2高光谱图像监督分类流程及步骤 178
4.3基于光谱特征空间的高光谱图像分类 179
4.3.1光谱特征匹配分类方法 179
4.3.2遥感图像统计模型分类方法 185
4.3.3高光谱图像神经网络分类方法 185
4.3.4高光谱图像支持向量机分类方法 192
4.4几何空间与光谱特征空间结合的高光谱图像分类 196
4.4.1基于图像上下文的高光谱图像分类 197
4.4.2基于同质地物提取的高光谱图像分类 197
4.4.3纹理信息辅助下的高光谱图像分类 200
4.4.4面向对象的高光谱图像分类 208
4.5高光谱图像分类精度评价 209
4.5.1误差矩阵 210
4.5.2漏分误差和多分误差 211
4.5.3 Kappa分析 211
参考文献 212
第5章 高光谱图像非监督分类 214
5.1非监督分类方法框架 214
5.2典型非监督分类算法 215
5.2.1 K均值算法 215
5.2.2 ISODATA算法 216
5.3模糊K均值聚类 218
5.4蚁群算法优化的K均值聚类 219
参考文献 221
第6章 高光谱图像目标探测理论与模型 223
6.1高光谱图像目标探测的概念及特点 223
6.1.1高光谱图像中目标存在的几种形式 223
6.1.2高光谱图像目标探测与图像分类的差异 224
6.1.3高光谱图像目标探测与传统空间维目标探测比较 225
6.1.4高光谱图像目标探测中的几个关键问题 226
6.2高光谱图像目标探测中的影响因素 227
6.2.1目标的光谱伪装特性与揭露 227
6.2.2遥感器成像特性与成像方式 230
6.2.3高光谱图像噪声 235
6.2.4高光谱数据降维 238
6.3高光谱目标探测算法设计的一般过程 238
6.4高光谱目标探测的子空间模型 239
6.5高光谱目标探测的概率统计模型 240
6.5.1 NP决策规则 241
6.5.2 Fisher准则 243
参考文献 244
第7章 高光谱图像目标探测算法 245
7.1高光谱图像目标探测算法选择 245
7.1.1依据算法参数 245
7.1.2依据算法模型 247
7.2未知目标、未知背景的目标探测算法 247
7.2.1 RX异常探测算法 247
7.2.2低概率目标探测算法 249
7.2.3均衡目标探测算法 249
7.2.4基于数据白化距离的异常探测算法 250
7.3已知目标、未知背景的目标探测算法 251
7.3.1约束最小能量算子 251
7.3.2自适应余弦一致性评估器算法 252
7.3.3自适应匹配滤波算法 254
7.3.4椭圆轮廓分布模型探测器 254
7.3.5基于ECD的双曲线决策门限型目标探测算法 256
7.3.6基于ECD的抛物线决策门限型目标探测算法 256
7.3.7非监督目标生成处理 257
7.3.8非监督向量量化目标子空间投影法 258
7.3.9基于加权自相关矩阵的CEM算法 261
7.3.10基于加权自相关矩阵的OSP算法 262
7.4已知目标、已知背景的目标探测算法 263
7.4.1正交子空间投影 263
7.4.2目标约束下的干扰最小化滤波算法 265
7.4.3广义似然比算法 265
7.4.4特征子空间投影算法 267
7.4.5目标子空间投影算法 267
7.4.6斜子空间投影算法 268
7.4.7基于斜交子空间投影的GLRT探测算法 269
7.5未知目标、已知背景的目标探测算法 270
7.6多源信息辅助下的高光谱图像目标探测 271
7.6.1 HSI-HRI融合 271
7.6.2 HSI-SAR融合 272
7.7高光谱图像目标探测算法性能评价 272
7.7.1接收器曲线计算 272
7.7.2线性混合光谱模拟实验 273
7.7.3真实场景高光谱图像实验 289
参考文献 295
索引 296