高光譜圖像混合像元分解

《地球觀測(cè)與導(dǎo)航技術(shù)叢書(shū)》出版說(shuō)明
前言
第1章緒論1
1.1遙感與高光譜遙感1
1.2高光譜遙感圖像數(shù)據(jù)2
1.3混合像元現(xiàn)象3
1.4混合像元分解問(wèn)題5
第2章混合像元模型6
2.1線性光譜混合模型7
2.2非線性光譜混合模型10
2.2.1Hapke混合光譜模型11
2.2.2Kubelk-Munk混合光譜理論12
2.2.3雙線性模型13
2.3混合像元分解流程14
2.4數(shù)據(jù)降維方法15
2.4.1主成分分析15
2.4.2最大噪聲分?jǐn)?shù)17
2.4.3仿射集擬合18
2.5精度評(píng)價(jià)指標(biāo)20
2.5.1光譜角距離20
2.5.2光譜信息散度20
2.5.3均方根誤差21
第3章端元數(shù)量確認(rèn)算法22
3.1主成分分析22
3.2最大噪聲分?jǐn)?shù)22
3.3虛擬維數(shù)23
3.4最小誤差信號(hào)子空間識(shí)別27
3.5特征值似然最大化30
3.6基于幾何學(xué)的端元數(shù)目估計(jì)算法31
第4章端元提取算法36
4.1端元提取算法分類(lèi)36
4.2純像元假設(shè)下的端元提取算法37
4.2.1純像元指數(shù)37
4.2.2內(nèi)部最大體積40
4.2.3逐次投影算法41
4.2.4頂點(diǎn)成分分析42
4.2.5單形體投影方法43
4.2.6迭代誤差分析44
4.2.7單形體增長(zhǎng)45
4.2.8順序最大角凸錐45
4.2.9交替體積最大化46
4.2.10連續(xù)體積最大化51
4.2.11p范數(shù)純像元識(shí)別52
4.3最小體積模型下的端元提取算法53
4.3.1外包單形體收縮53
4.3.2最小體積單形體分析55
4.3.3基于分裂增廣拉格朗日的單純形識(shí)別56
4.3.4最小體積外包單形體58
4.3.5魯棒最小體積封閉單形體算法61
4.3.6最小體積約束的非負(fù)矩陣分解63
4.3.7迭代限制端元法64
4.3.8凸錐分析方法65
4.4融合空間信息的端元提取方法66
4.4.1自動(dòng)形態(tài)學(xué)端元提取66
4.4.2空間光譜信息端元提取68
4.4.3空間預(yù)處理71
4.4.4區(qū)域空間預(yù)處理74
4.4.5空間光譜預(yù)處理75
4.5統(tǒng)計(jì)模型下的端元提取算法76
4.5.1獨(dú)立成分分析76
4.5.2依賴成分分析83
4.5.3貝葉斯分析87
4.6智能端元提取算法90
4.6.1蟻群優(yōu)化端元提取90
4.6.2離散粒子群優(yōu)化端元提取95
4.7其他端元提取算法99
4.7.1凸集分離端元提取99
4.7.2支持向量機(jī)端元提取405
第5章豐度反演算法107
5.1最小二乘法107
5.1.1無(wú)約束最小二乘法107
5.1.2“和為1”約束最小二乘法108
5.1.3非負(fù)約束最小二乘法108
5.1.4全約束最小二乘法109
5.2稀疏回歸光譜解混109
5.2.1基于稀疏策略的迭代約束端元提取算法109
5.2.2分離和增廣拉格朗日光譜解混110
5.2.3全變分-分離和增廣拉格朗日光譜解混112
5.2.4L1/2稀疏約束非負(fù)矩陣分解算法118
5.3正態(tài)組分模型反演算法122
5.3.1馬爾可夫鏈蒙特卡羅算法123
5.3.2粒子群優(yōu)化的期望最大化算法125
5.3.3正態(tài)端元光譜解混算法128
5.3.4可逆轉(zhuǎn)跳變馬爾可夫鏈蒙特卡羅129
第6章混合像元分解實(shí)驗(yàn)135
6.1模擬數(shù)據(jù)實(shí)驗(yàn)135
6.1.1數(shù)據(jù)介紹135
6.1.2實(shí)驗(yàn)流程137
6.1.3實(shí)驗(yàn)結(jié)果與分析138
6.2實(shí)際數(shù)據(jù)實(shí)驗(yàn)141
6.2.1數(shù)據(jù)介紹142
6.2.2實(shí)驗(yàn)流程143
6.2.3實(shí)驗(yàn)結(jié)果與分析144
參考文獻(xiàn)155
索引161