目錄
“新一代人工智能理論、技術(shù)及應(yīng)用叢書”序
前言
第1章 高光譜遙感圖像成像原理及特點1
1.1 高光譜遙感理論基礎(chǔ)概述1
1.1.1 太陽輻射基本理論1
1.1.2 太陽輻射與物質(zhì)的相互作用1
1.2 高光譜遙感圖像成像機理與方式5
1.2.1 高光譜遙感圖像成像機理5
1.2.2 成像光譜儀的空間成像方式5
1.2.3 幾種典型成像光譜儀簡介7
1.3 高光譜圖像數(shù)據(jù)特點與表達方式8
1.3.1 高光譜圖像數(shù)據(jù)特點8
1.3.2 高光譜圖像數(shù)據(jù)表達方式10
1.4 高光譜圖像處理及其應(yīng)用概述12
1.4.1 高光譜圖像處理的具體種類12
1.4.2 高光譜圖像處理的特點12
1.4.3 高光譜圖像處理的應(yīng)用13
參考文獻19
第2章 高光譜圖像智能分類相關(guān)理論概述22
2.1 高光譜圖像分類技術(shù)概述22
2.1.1 高光譜圖像分類的概念22
2.1.2 高光譜圖像分類特點及面臨的挑戰(zhàn)23
2.2 高光譜圖像分類基本流程24
2.2.1 圖像預(yù)處理24
2.2.2 標(biāo)記訓(xùn)練樣本24
2.2.3 特征提取與特征選擇24
2.2.4 分類判決25
2.2.5 分類結(jié)果和精度評價25
2.3 高光譜圖像分類方法概述25
2.3.1 有監(jiān)督分類、半監(jiān)督分類與無監(jiān)督分類25
2.3.2 高光譜圖像分類方法的種類26
2.4 高光譜圖像分類精度評價27
2.4.1 混淆矩陣28
2.4.2 OA與AA.28
2.4.3 Kappa系數(shù)28
參考文獻29
第3章 基于機器學(xué)習(xí)的高光譜圖像分類33
3.1 基于機器學(xué)習(xí)的高光譜圖像經(jīng)典分類方法概述33
3.1.1 基于組合核的高光譜圖像分類方法33
3.1.2 基于稀疏表示的高光譜圖像分類方法34
3.1.3 基于隨機森林的高光譜圖像分類方法35
3.1.4 基于圖像分割的高光譜圖像分類方法36
3.1.5 基于邊緣保持濾波的高光譜圖像分類方法37
3.2 基于脊波和SWNN的高光譜圖像融合分類方法38
3.2.1 方法原理38
3.2.2 方法流程48
3.2.3 實驗結(jié)果及分析51
3.3 基于多特征融合機制的高光譜圖像分類方法56
3.3.1 方法原理57
3.3.2 方法流程59
3.3.3 實驗結(jié)果及分析63
3.4 基于邊緣保留濾波技術(shù)的高光譜圖像分類方法69
3.4.1 方法原理69
3.4.2 方法流程70
3.4.3 實驗結(jié)果及分析76
3.5 基于加權(quán)譜空間的半監(jiān)督高光譜圖像分類方法83
3.5.1 方法原理83
3.5.2 方法流程84
3.5.3 實驗結(jié)果及分析87
3.6 基于譜梯度、SVM和空間隨機森林的高光譜圖像分類方法94
3.6.1 方法原理94
3.6.2 方法流程95
3.6.3 實驗結(jié)果及分析98
3.7 基于多尺度雙邊濾波器的高光譜圖像分類方法106
3.7.1 方法原理106
3.7.2 方法流程106
3.7.3 實驗結(jié)果及分析108
參考文獻115
第4章 基于深度學(xué)習(xí)的高光譜圖像分類118
4.1 基于深度學(xué)習(xí)的高光譜圖像經(jīng)典分類方法概述118
4.1.1 基于堆棧自動編碼器網(wǎng)絡(luò)的高光譜圖像分類方法118
4.1.2 基于人工神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法121
4.1.3 基于深度置信網(wǎng)絡(luò)的高光譜圖像分類方法122
4.1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法124
4.2 基于多策略融合機制和ISSARF的高光譜圖像空譜分類方法126
4.2.1 方法原理126
4.2.2 方法流程133
4.2.3 實驗結(jié)果及分析135
4.3 基于空譜稀疏張量的深度神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法148
4.3.1 方法原理149
4.3.2 方法流程154
4.3.3 實驗結(jié)果及分析154
4.4 基于密集卷積網(wǎng)絡(luò)和條件隨機場的高光譜圖像分類方法163
4.4.1 方法原理163
4.4.2 方法流程168
4.4.3 實驗結(jié)果及分析168
4.5 基于密集卷積網(wǎng)絡(luò)和域自適應(yīng)的高光譜圖像分類方法175
4.5.1 方法原理176
4.5.2 方法流程178
4.5.3 實驗結(jié)果及分析178
4.6 基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波的高光譜圖像分類方法185
4.6.1 方法原理185
4.6.2 方法流程189
4.6.3 實驗結(jié)果及分析189
參考文獻196
第5章 高光譜圖像檢測相關(guān)理論概述200
5.1 高光譜圖像檢測的概念、具體分類及特點200
5.1.1 高光譜圖像檢測的概念200
5.1.2 高光譜圖像檢測的具體分類200
5.1.3 高光譜圖像檢測的特點201
5.2 高光譜圖像特定目標(biāo)檢測理論概述201
5.2.1 高光譜圖像特定目標(biāo)檢測的概念201
5.2.2 高光譜圖像特定目標(biāo)檢測中存在的問題202
5.2.3 評價指標(biāo)202
5.3 高光譜圖像異常目標(biāo)檢測理論概述203
5.3.1 高光譜圖像異常目標(biāo)檢測的概念203
5.3.2 高光譜圖像異常目標(biāo)檢測中存在的問題205
5.3.3 評價指標(biāo)205
參考文獻208
第6章 高光譜圖像特定目標(biāo)檢測方法210
6.1 高光譜圖像特定目標(biāo)檢測方法的種類210
6.2 幾種經(jīng)典的高光譜圖像特定目標(biāo)檢測方法212
6.2.1 正交子空間投影方法212
6.2.2 約束能量昀小化方法214
6.2.3 匹配子空間濾波方法215
6.2.4 光譜匹配濾波方法216
6.2.5 自適應(yīng)子空間檢測方法217
6.2.6 支持向量數(shù)據(jù)描述方法218
6.3 基于空間支持的稀疏表示目標(biāo)檢測方法219
6.3.1 方法原理219
6.3.2 方法流程220
6.3.3 實驗結(jié)果及分析222
6.4 基于自適應(yīng)子字典的稀疏表示目標(biāo)檢測方法228
6.4.1 方法原理228
6.4.2 方法流程229
6.4.3 實驗結(jié)果及分析230
6.5 基于空譜支持流形式的多任務(wù)學(xué)習(xí)目標(biāo)檢測方法238
6.5.1 方法原理238
6.5.2 方法流程239
6.5.3 實驗結(jié)果及分析242
6.6 基于概率圖的多任務(wù)學(xué)習(xí)目標(biāo)檢測方法256
6.6.1 方法原理256
6.6.2 方法流程258
6.6.3 實驗結(jié)果及分析261
6.7 基于非局部自相似性和秩-1張量分解的高光譜圖像目標(biāo)檢測方法268
6.7.1 方法原理268
6.7.2 方法流程271
6.7.3 實驗結(jié)果及分析274
參考文獻284
第7章 高光譜圖像異常目標(biāo)檢測方法289
7.1 高光譜圖像異常目標(biāo)檢測方法的種類289
7.1.1 基于統(tǒng)計模型的異常目標(biāo)檢測方法289
7.1.2 基于稀疏表示理論的異常目標(biāo)檢測方法290
7.1.3 基于深度學(xué)習(xí)的異常目標(biāo)檢測方法291
7.1.4 基于空譜聯(lián)合的異常目標(biāo)檢測方法292
7.2 幾種典型的高光譜圖像異常目標(biāo)檢測方法292
7.2.1 RX方法293
7.2.2 基于稀疏表示理論的高光譜圖像異常目標(biāo)檢測方法294
7.2.3 基于協(xié)同表示的高光譜圖像異常目標(biāo)檢測方法295
7.2.4 基于低秩稀疏矩陣分解的高光譜圖像異常目標(biāo)檢測方法297
7.3 基于局部線性嵌入稀疏差異指數(shù)的高光譜圖像異常目標(biāo)檢測方法298
7.3.1 方法原理299
7.3.2 方法流程304
7.3.3 實驗結(jié)果及分析304
7.4 基于局部密度的自適應(yīng)背景純化的高光譜圖像異常目標(biāo)檢測方法320
7.4.1 方法原理320
7.4.2 方法流程324
7.4.3 實驗結(jié)果及分析324
7.5 基于張量分解的高光譜圖像異常目標(biāo)檢測方法331
7.5.1 方法原理331
7.5.2 方法流程334
7.5.3 實驗結(jié)果及分析334
7.6 基于低秩稀疏分解和空譜聯(lián)合棧式自動編碼器的高光譜圖像異常目標(biāo)檢測方法342
7.6.1 方法原理342
7.6.2 方法流程344
7.6.3 實驗結(jié)果及分析345
7.7 基于空譜聯(lián)合低秩稀疏分解的高光譜圖像異常目標(biāo)檢測方法355
7.7.1 方法原理355
7.7.2 方法流程357
7.7.3 實驗結(jié)果及分析358
參考文獻367