目錄
《地球觀測(cè)與導(dǎo)航技術(shù)叢書》出版說(shuō)明
前言
第1章 高光譜影像處理技術(shù)概述 1
1.1 成像光譜儀概述 1
1.1.1 成像光譜儀 1
1.1.2 國(guó)內(nèi)外主要成像光譜儀 5
1.2 高光譜遙感影像信息提取的現(xiàn)狀與難點(diǎn) 7
1.3 高光譜遙感信號(hào)處理理論 9
1.3.1 端元獲取與光譜分解 9
1.3.2 目標(biāo)探測(cè) 10
1.3.3 高光譜遙感影像處理中的信號(hào)處理方法 11
1.4 高光譜遙感影像智能處理方法 18
1.4.1 人工免疫系統(tǒng)理論 18
1.4.2 特征提取與降維理論 23
1.4.3 智能化分類器理論 28
參考文獻(xiàn) 34
第2章 高光譜遙感影像自動(dòng)端元提取 37
2.1 高光譜遙感影像混合像元模型 37
2.1.1 光譜線性混合模型 38
2.1.2 非線性混合模型 40
2.1.3 線性光譜分解方法的拓展 40
2.1.4 基于多項(xiàng)式擬合的非線性混合光譜模型 43
2.2 非監(jiān)督正交子空間投影方法 45
2.2.1 正交子空間投影 45
2.2.2 UOSP迭代提取端元光譜 46
2.2.3 結(jié)合空間關(guān)系的UOSP提取端元 48
2.2.4 實(shí)驗(yàn)分析 48
2.3 融合空間信息的端元提取方法 55
2.3.1 研究背景和意義 55
2.3.2 融合空間特征的端元光譜混合自動(dòng)提取方法HEEA 55
2.3.3 實(shí)驗(yàn)分析 57
參考文獻(xiàn) 64
第3章 高光譜遙感影像光譜分解 67
3.1 基于總體最小二乘的混合光譜線性擴(kuò)展模型 67
3.1.1 混合光譜線性擴(kuò)展模型 67
3.1.2 TLS擴(kuò)展模型的算法 69
3.1.3 線性擴(kuò)展模型的混合像元分解實(shí)驗(yàn) 71
3.1.4 擴(kuò)展模型分解結(jié)果與端元類內(nèi)變化的關(guān)系 76
3.1.5 基于光譜維小波特征的混合像元擴(kuò)展模型 77
3.2 基于核最小二乘回歸的非線性擴(kuò)展模型 78
3.2.1 核空間理論及其應(yīng)用 78
3.2.2 核最小二乘(KLS)回歸分解模型與算法 80
3.2.3 神經(jīng)網(wǎng)絡(luò)與支持向量回歸 84
3.2.4 實(shí)驗(yàn)分析 87
3.3 基于稀疏約束的混合光譜分解 96
3.3.1 混合光譜分解的稀疏問(wèn)題 97
3.3.2 混合光譜分解稀疏約束的基本形式 97
3.3.3 混合光譜分解的稀疏約束方法 98
3.3.4 混合光譜分解的稀疏約束求解的分析 102
參考文獻(xiàn) 113
第4章 高光譜遙感影像目標(biāo)探測(cè) 115
4.1 目標(biāo)探測(cè)器的設(shè)計(jì)原則 115
4.1.1 目標(biāo)探測(cè)方法的分類 119
4.1.2 基于統(tǒng)計(jì)決策的探測(cè)器 121
4.1.3 探測(cè)器性能標(biāo)準(zhǔn) 122
4.1.4 恒定虛警率方法 123
4.1.5 最優(yōu)探測(cè)器設(shè)計(jì) 126
4.2 結(jié)構(gòu)化目標(biāo)探測(cè)方法 127
4.2.1 約束能量最小化方法 129
4.2.2 正交子空間投影方法 130
4.2.3 目標(biāo)約束下的干擾最小化濾波算法 131
4.2.4 基于特征變換的目標(biāo)探測(cè)方法 132
4.3 非結(jié)構(gòu)化目標(biāo)探測(cè)方法 143
4.3.1 Kelly廣義化似然比的探測(cè)算子 144
4.3.2 自適應(yīng)余弦估計(jì)探測(cè)器 145
4.3.3 自適應(yīng)匹配濾波器 146
4.4 端元可變的混合探測(cè)器 147
4.4.1 端元類型確定 147
4.4.2 混合探測(cè)器 149
4.4.3 端元可變的混合探測(cè)器的構(gòu)造 149
4.4.4 實(shí)驗(yàn)分析 151
4.5 基于子空間的高光譜變化檢測(cè)方法 156
4.5.1 變化檢測(cè)算法 156
4.5.2 實(shí)驗(yàn)分析 157
參考文獻(xiàn) 161
第5章 高光譜遙感影像特征提取與分類 165
5.1 基于克隆選擇的高光譜遙感影像特征選擇方法 165
5.1.1 克隆選擇理論與算法 165
5.1.2 克隆選擇特征選擇算法 167
5.1.3 帶權(quán)的克隆選擇特征選擇算法 171
5.1.4 常州市夏橋PHI影像特征選擇實(shí)驗(yàn)與分析 172
5.1.5 結(jié)論 179
5.2 資源限制性人工免疫系統(tǒng)的高光譜遙感影像分類方法 180
5.2.1 資源限制性人工免疫系統(tǒng) 180
5.2.2 基于資源限制性人工免疫系統(tǒng)的遙感影像分類方法 181
5.2.3 常州市夏橋PHI影像分類實(shí)驗(yàn)與分析 186
5.2.4 結(jié)論 188
5.3 人工DNA計(jì)算的高光譜遙感影像編碼與匹配分類方法 188
5.3.1 人工DNA計(jì)算基本概念 189
5.3.2 高光譜遙感影像的DNA計(jì)算模型與方法 190
5.3.3 常州市夏橋PHI影像光譜匹配分類實(shí)驗(yàn)與分析 195
5.3.4 結(jié)論 197
5.4 基于流形學(xué)習(xí)的特征提取與分類 198
5.4.1 傳統(tǒng)流形學(xué)習(xí)算法回顧 199
5.4.2 塊排列框架 200
5.4.3 判別局部排列 201
5.4.4 判別局部正切排列 202
5.4.5 實(shí)驗(yàn)分析 204
參考文獻(xiàn) 209
第6章 高光譜遙感影像的張量分析方法 212
6.1 張量代數(shù) 212
6.2 張量最優(yōu)子空間理論 215
6.2.1 高光譜遙感影像降噪的概述 215
6.2.2 基于張量最優(yōu)子空間的多維濾波算法 216
6.2.3 實(shí)驗(yàn)分析 218
6.2.4 結(jié)論 225
6.3 高光譜遙感影像多特征一體化張量表達(dá)方法 225
6.3.1 高光譜影像的多特征張量描述方法概述 226
6.3.2 實(shí)驗(yàn)分析 230
6.3.3 結(jié)論 233
6.4 張量流形理論 233
6.4.1 張量判別局部排列 234
6.4.2 實(shí)驗(yàn)分析 238
6.4.3 結(jié)論 243
6.5 張量學(xué)習(xí) 243
6.5.1 張量學(xué)習(xí)的一般框架 244
6.5.2 支持張量機(jī) 245
6.5.3 實(shí)驗(yàn)分析 247
6.5.4 結(jié)論 250
參考文獻(xiàn) 250
彩圖