高光譜圖像處理技術(shù)

第1章 高光譜遙感基本理論及主要處理技術(shù)
1.1 高光譜遙感基本理論
1.1.1 遙感電磁波理論基礎(chǔ)
1.1.2 太陽輻射與物質(zhì)的相互作用
1.1.3 成像光譜儀及其成像方式
1.1.4 高光譜圖像的數(shù)據(jù)特點(diǎn)
1.2 高光譜圖像分類技術(shù)
1.2.1 監(jiān)督分類與非監(jiān)督分類
1.2.2 參數(shù)分類與非參數(shù)分類
1.2.3 確定性分類與非確定性分類
1.2.4 其他分類方法
1.3 高光譜圖像端元選擇技術(shù)
1.4 高光譜圖像光譜解混技術(shù)
1.4.1 非線性模型
1.4.2 線性模型
1.4.3 線性模型的多端元模式
1.5 高光譜圖像亞像元定位技術(shù)
1.5.1 基于空間相關(guān)性的亞像元定位
1.5.2 基于空間地統(tǒng)計(jì)學(xué)的亞像元定位
1.5.3 基于神經(jīng)網(wǎng)絡(luò)的亞像元定位
1.5.4 基于像元交換的亞像元定位
1.6 高光譜圖像超分辨率技術(shù)
1.7 高光譜圖像異常檢測(cè)技術(shù)
1.8 高光譜圖像降維與壓縮技術(shù)
1.8.1 關(guān)于降維：波段選擇與特征提取
1.8.2 關(guān)于壓縮：有損壓縮與無損壓縮
參考文獻(xiàn)
第2章 高光譜圖像分類技術(shù)
2.1 典型分類方法
2.2 典型評(píng)價(jià)準(zhǔn)則
2.3 SVM分類方法
2.3.1 理論基礎(chǔ)
2.3.2 分類原理
2.3.3 最簡(jiǎn)多類分類器的構(gòu)造
2.3.4 最小二乘SVM及其SMO優(yōu)化算法
2.3.5 三重加權(quán)分類方法
2.4 SVM分類性能的評(píng)價(jià)
2.4.1 基本SVM分類性能評(píng)價(jià)
2.4.2 最簡(jiǎn)多類分類器性能評(píng)價(jià)
2.4.3 三重加權(quán)分類性能評(píng)價(jià)
2.5 本章小結(jié)
參考文獻(xiàn)
第3章 高光譜圖像光譜端元選擇技術(shù)
3.1 N-FINDR光譜端元選擇算法
3.1.1 相關(guān)理論介紹
3.1.2 N-FINDR算法
3.2 基于距離尺度的快速N-FINDR算法
3.2.1 距離尺度替換體積尺度
3.2.2 基于PPI思想的數(shù)據(jù)排序
3.2.3 復(fù)雜性分析和效率評(píng)價(jià)
3.3 基于線性LSSVM的距離測(cè)算
3.4 光譜端元選擇的魯棒性方法
3.4.1 預(yù)處理階段：魯棒協(xié)方差矩陣的獲取
3.4.2 光譜端元選擇階段：野值點(diǎn)的去除
3.5 性能評(píng)價(jià)
3.5.1 基于距離尺度的快速N-FINDR算法
3.5.2 魯棒性評(píng)價(jià)
3.6 快速N-FINDR算法的兩個(gè)應(yīng)用
3.6.1 構(gòu)建LSMM心的求解算法
3.6.2 構(gòu)建快速無監(jiān)督波段選擇算法
3.7 本章小結(jié)
參考文獻(xiàn)
第4章 高光譜圖像光譜解混技術(shù)
4.1 基于LSMM的LSMA方法
4.2 全約束LSMA的兩種新型求解方法
4.2.1 迭代求解中的參量替換方法
4.2.2 幾何求解方法
4.3 基于LSVM的光譜解混原理
4.3.1 LSVM與LSMM的解混等效性證明
4.3.2 LSVM解混的獨(dú)特優(yōu)勢(shì)
4.4 結(jié)合空間信息的光譜解混方法
4.5 帶有解混殘差約束條件的SVM光譜解混模型
4.5.1 基于原始LSSVM的光譜解混
4.5.2 基于解混殘差約束LSSVM的解混模型的建立及其閉式解的推導(dǎo)
4.5.3 新模型中單端元替換為多端元的方法
4.6 性能評(píng)價(jià)
4.6.1 基本SVM光譜解混性能評(píng)價(jià)
4.6.2 魯棒性加權(quán)SVM解混評(píng)價(jià)
4.6.3 結(jié)合空譜信息的解混方法評(píng)價(jià)
4.6.4 帶有解混誤差約束的新型SVM解混模型的性能評(píng)價(jià)
4.7 光譜解混的模糊精度評(píng)價(jià)方法
4.7.1 模糊精度評(píng)價(jià)方法
4.7.2 模糊精度評(píng)價(jià)方法在具體實(shí)驗(yàn)中的應(yīng)用
4.8 本章小結(jié)
參考文獻(xiàn)
第5章 高光譜圖像亞像元定位技術(shù)
5.1 基于LSSVM的線性特征地物亞像元定位技術(shù)
5.1.1 基于LSSVM的亞像元定位技術(shù)
5.1.2 人工合成訓(xùn)練樣本的方法
5.2 基于空間引力模型的亞像元定位方法
5.2.1 基于修正的亞像元／像元空間引力模型的亞像元定位
5.2.2 基于混合空間引力模型的亞像元定位
5.3 結(jié)合MRF和亞像元位移遙感影像的亞像元定位
5.3.1 基于MRF的亞像元定位
5.3.2 結(jié)合MRF和亞像元位移遙感影像的亞像元定位
5.4 性能評(píng)價(jià)
5.4.1 基于LSSVM的線性特征地物亞像元定位
5.4.2 MSPSAM和MSAM
5.4.3 結(jié)合MRF和亞像元位移遙感影像的亞像元定位
5.5 本章小結(jié)
參考文獻(xiàn)
第6章 高光譜圖像超分辨率技術(shù)
6.1 基于POCS算法的超分辨率復(fù)原
6.1.1 POCS基本理論
6.1.2 基于POCS算法的超分辨率復(fù)原
6.2 基于MAP算法的超分辨率復(fù)原
6.2.1 MAP基本理論
6.2.2 基于MAP算法的超分辨率復(fù)原
6.3 單譜段圖像的分辨率提高方法
6.3.1 幾何對(duì)偶模型的建立與插值方法
6.3.2 混合插值方法
6.4 性能評(píng)價(jià)
6.4.1 POCS和MAP超分辨率方法
6.4.2 對(duì)偶性插值方法
6.5 本章小結(jié)
參考文獻(xiàn)
第7章 高光譜圖像異常檢測(cè)技術(shù)
7.1 基于形態(tài)學(xué)理論的核檢測(cè)算法
7.1.1 基于形態(tài)學(xué)的波段選擇
7.1.2 基于形態(tài)學(xué)的核RX算法
7.2 自適應(yīng)核異常檢測(cè)算法
7.2.1 支持向量數(shù)據(jù)描述方法
7.2.2 自適應(yīng)核異常檢測(cè)算法
7.3 核異常檢測(cè)中光譜相似度量核的構(gòu)造
7.3.1 高斯徑向基核的局限性
7.3.2 光譜相似度量核函數(shù)
7.4 性能評(píng)價(jià)
7.4.1 基于形態(tài)學(xué)的核檢測(cè)算法效果驗(yàn)證
7.4.2 自適應(yīng)核異常檢測(cè)算法效果驗(yàn)證
7.4.3 基于光譜相似度量核的異常檢測(cè)算法效果驗(yàn)證
7.5 其他異常檢測(cè)算法簡(jiǎn)介
7.5.1 基于空域?yàn)V波的核RX高光譜異常檢測(cè)算法
7.5.2 基于多層窗口分析的核檢測(cè)算法
7.6 本章小結(jié)
參考文獻(xiàn)
第8章 高光譜圖像降維及壓縮技術(shù)
8.1 降維技術(shù)
8.1.1 基于SVM的波段選擇
8.1.2 典型端元選擇方法在波段選擇中的應(yīng)用
8.1.3 仿真實(shí)驗(yàn)
8.2 壓縮技術(shù)
8.2.1 基于矢量量化的壓縮算法
8.2.2 基于提升格式的壓縮算法
8.3 本章小結(jié)
參考文獻(xiàn)
第9章 高光譜遙感應(yīng)用簡(jiǎn)介
9.1 農(nóng)業(yè)
9.1.1 小麥
9.1.2 水稻
9.1.3 大豆
9.1.4 玉米
9.2 森林
9.2.1 森林調(diào)查
9.2.2 森林生化組成與森林健康狀態(tài)
9.2.3 森林災(zāi)害
9.2.4 外來物種監(jiān)測(cè)
9.3 草地
9.3.1 草地生物量估算
9.3.2 草地種類識(shí)別
9.3.3 草地化學(xué)成分估測(cè)
9.4 海洋
9.4.1 海洋遙感中的基礎(chǔ)研究
9.4.2 海洋與海岸帶資源環(huán)境監(jiān)測(cè)中的應(yīng)用研究
9.4.3 國(guó)際相關(guān)發(fā)展動(dòng)態(tài)
9.5 地質(zhì)
9.5.1 巖礦識(shí)別
9.5.2 資源勘查
9.6 環(huán)境
9.6.1 大氣污染監(jiān)測(cè)
9.6.2 土壤侵蝕監(jiān)測(cè)
9.6.3 水環(huán)境監(jiān)測(cè)
9.7 軍事
參考文獻(xiàn)
附錄1 本書主要符號(hào)及縮寫說明
附錄2 著者主要相關(guān)文章