第1章 绪论 1
1.1遥感与高光谱遥感 1
1.2高光谱遥感图像数据 2
1.3混合像元现象 3
1.4混合像元分解问题 5
第2章 混合像元模型 6
2.1线性光谱混合模型 7
2.2非线性光谱混合模型 10
2.2.1 Hapke混合光谱模型 11
2.2.2 Kubelk-Munk混合光谱理论 12
2.2.3双线性模型 13
2.3混合像元分解流程 14
2.4数据降维方法 15
2.4.1主成分分析 15
2.4.2最大噪声分数 17
2.4.3仿射集拟合 18
2.5精度评价指标 20
2.5.1光谱角距离 20
2.5.2光谱信息散度 20
2.5.3均方根误差 21
第3章 端元数量确认算法 22
3.1主成分分析 22
3.2最大噪声分数 22
3.3虚拟维数 23
3.4最小误差信号子空间识别 27
3.5特征值似然最大化 30
3.6基于几何学的端元数目估计算法 31
第4章 端元提取算法 36
4.1端元提取算法分类 36
4.2纯像元假设下的端元提取算法 37
4.2.1纯像元指数 37
4.2.2内部最大体积 40
4.2.3逐次投影算法 41
4.2.4顶点成分分析 42
4.2.5单形体投影方法 43
4.2.6迭代误差分析 44
4.2.7单形体增长 45
4.2.8顺序最大角凸锥 45
4.2.9交替体积最大化 46
4.2.10连续体积最大化 51
4.2.11 p范数纯像元识别 52
4.3最小体积模型下的端元提取算法 53
4.3.1外包单形体收缩 53
4.3.2最小体积单形体分析 55
4.3.3基于分裂增广拉格朗日的单纯形识别 56
4.3.4最小体积外包单形体 58
4.3.5鲁棒最小体积封闭单形体算法 61
4.3.6最小体积约束的非负矩阵分解 63
4.3.7迭代限制端元法 64
4.3.8凸锥分析方法 65
4.4融合空间信息的端元提取方法 66
4.4.1自动形态学端元提取 66
4.4.2空间光谱信息端元提取 68
4.4.3空间预处理 71
4.4.4区域空间预处理 74
4.4.5空间光谱预处理 75
4.5统计模型下的端元提取算法 76
4.5.1独立成分分析 76
4.5.2依赖成分分析 83
4.5.3贝叶斯分析 87
4.6智能端元提取算法 90
4.6.1蚁群优化端元提取 90
4.6.2离散粒子群优化端元提取 95
4.7其他端元提取算法 99
4.7.1凸集分离端元提取 99
4.7.2支持向量机端元提取 105
第5章 丰度反演算法 107
5.1最小二乘法 107
5.1.1无约束最小二乘法 107
5.1.2“和为1”约束最小二乘法 108
5.1.3非负约束最小二乘法 108
5.1.4全约束最小二乘法 109
5.2稀疏回归光谱解混 109
5.2.1基于稀疏策略的迭代约束端元提取算法 109
5.2.2分离和增广拉格朗日光谱解混 110
5.2.3全变分-分离和增广拉格朗日光谱解混 112
5.2.4 L1/2稀疏约束非负矩阵分解算法 118
5.3正态组分模型反演算法 122
5.3.1马尔可夫链蒙特卡罗算法 123
5.3.2粒子群优化的期望最大化算法 125
5.3.3正态端元光谱解混算法 128
5.3.4可逆转跳变马尔可夫链蒙特卡罗 129
第6章 混合像元分解实验 135
6.1模拟数据实验 135
6.1.1数据介绍 135
6.1.2实验流程 137
6.1.3实验结果与分析 138
6.2实际数据实验 141
6.2.1数据介绍 142
6.2.2实验流程 143
6.2.3实验结果与分析 144
参考文献 155
索引 161