基于流形學(xué)習(xí)的高光譜遙感影像降維理論與方法研究

總序
論叢前言
前言
第1章 緒論
1．1 研究背景和意義
1．2 高光譜影像降維
1．2．1 高光譜影像的數(shù)據(jù)表達(dá)
1．2．2 高光譜影像的高維特性
1．2．3 高光譜影像降維的理論必要性和可行性
1．3 國內(nèi)外研究現(xiàn)狀分析
1．3．1 高光譜影像的波段選擇
1．3．2 高光譜影像的線性特征提取
1．3．3 高光譜影像的非線性特征提取
1．3．4 流形學(xué)習(xí)在高光譜影像數(shù)據(jù)處理中的應(yīng)用
1．3．5 當(dāng)前研究存在的問題
1．4 研究目標(biāo)與研究內(nèi)容
1．4．1 研究目標(biāo)
1．4．2 研究內(nèi)容
1．5 研究方法與總體技術(shù)路線
1．6 本書結(jié)構(gòu)安排
第2章 流形學(xué)習(xí)理論
2．1 引言
2．2 流形與流形學(xué)習(xí)
2．2．1 流形中的一些數(shù)學(xué)定義
2．2．2 流形學(xué)習(xí)的定義
2．2．3 流形學(xué)習(xí)的分類
2．3 典型流形學(xué)習(xí)方法
2．3．1 等距映射方法
2．3．2 局部切空間排列方法
2．3．3 拉普拉斯特征映射方法
2．3．4 幾種流形學(xué)習(xí)方法的對比
2．4 流形學(xué)習(xí)方法中主要參數(shù)
2．4．1 本征維數(shù)的估計(jì)
2．4．2 鄰域選擇及優(yōu)化
2．5 本章小結(jié)
第3章 基于光譜意義解釋的高光譜影像低維流形特征提取
3．1 引言
3．2 高光譜影像流形坐標(biāo)的光譜意義解釋
3．3 偏最小二乘法修復(fù)Isomap遺失點(diǎn)的流形坐標(biāo)
3．3．1 偏最小二乘方法
3．3．2 偏最小二乘方法修復(fù)Isomap遺失點(diǎn)坐標(biāo)的流程
3．3．3 實(shí)驗(yàn)分析
3．4 高光譜影像低維流形特征提取
3．4．1 Isomap降維的參數(shù)選取
3．4．2 Isomap提取低維流形特征的流程
3．5 實(shí)驗(yàn)分析
3．5．1 實(shí)驗(yàn)數(shù)據(jù)
3．5．2 陰影區(qū)域提取
3．5．3 靠岸淺水區(qū)域提取
3．5．4 討論
3．6 本章小結(jié)
第4章 兩種流形坐標(biāo)差異提取高光譜影像的潛在特征
4．1 引言
4．2 流形坐標(biāo)差異提取潛在特征的可行性分析
4．3 流形坐標(biāo)差異圖提取高光譜影像潛在特征
4．3．1 高光譜影像lsomap和LTSA降維
4．3．2 兩種流形坐標(biāo)的光譜意義解釋的統(tǒng)一
4．3．3 兩種流形坐標(biāo)尺度和方向的統(tǒng)
4．3．4 流形差異圖的計(jì)算及特征提取
4．3．5 流形坐標(biāo)差異圖提取潛在特征的流程
4．4 實(shí)驗(yàn)分析
4．4．1 實(shí)驗(yàn)數(shù)據(jù)
4．4．2 靠岸的淺水區(qū)域提取
4．4．3 低分辨率道路提取
4．4．4 討論
4．5 本章小結(jié)
第5章 高光譜影像的UL-Isomap降維
5．1 引言
5．2 帶標(biāo)志點(diǎn)的等距映射方法
5．3 基于矢量量化的標(biāo)志點(diǎn)選取
5．3．1 隨機(jī)標(biāo)志點(diǎn)的不足
5．3．2 基于矢量量化的標(biāo)志點(diǎn)
5．4 速度提升策略
5．4．1 隨機(jī)映射
5．4．2 快速近似k-鄰域構(gòu)建
5．4．3 快速隨機(jī)低階近似奇異值分解
5．5 高光譜影像的UL-Isomap降維算法
5．6 實(shí)驗(yàn)分析
5．6．1 實(shí)驗(yàn)數(shù)據(jù)
5．6．2 VQ標(biāo)志點(diǎn)對分類結(jié)果的影響
5．6．3 隨機(jī)映射對高光譜數(shù)據(jù)的影響
5．6．4 UL-Isomap的計(jì)算速度性能
5．6．5 UL-Isomap的分類性能
5．6．6 快速近似志k-鄰域構(gòu)建對分類的影響
5．6．7 討論
5．7 本章小結(jié)
第6章 高光譜影像的ENH-LTSA降維
6．1 引言
6．2 考慮空間特性的是k-鄰域選取
6．2．1 常規(guī)k-鄰域選取的不足
6．2．2 自適應(yīng)加權(quán)綜合核距離
6．3 速度提升策略
6．4 高光譜影像的ENH-LTSA降維算法
6．5 實(shí)驗(yàn)分析
6．5．1 實(shí)驗(yàn)數(shù)據(jù)
6．5．2 AWSK距離對分類的影響
6．5．3 ENH-LTSA的計(jì)算速度性能
6．5．4 ENH-LTSA的分類性能
6．5．5 隨機(jī)映射對分類的影響
6．5．6 重疊參數(shù)a對分類的影響
6．5．7 討論
6．6 本章小結(jié)
第7章 聯(lián)合ILE降維和IKNN分類器的高光譜影像分類
7．1 引言
7．2 LE降維和KNN分類器組合策略的不足
7．3 高光譜影像的ILE降維和IKNN組合策略
7．3．1 高光譜影像的ILE降維方法
7．3．2 ILE流形坐標(biāo)的IKNN分類器
7．4 ILE降維和IKNN分類器的分類算法
7．5 實(shí)驗(yàn)分析
7．5．1 實(shí)驗(yàn)數(shù)據(jù)
7．5．2 Indian數(shù)據(jù)分類
7．5．3 PaviaU數(shù)據(jù)分類
7．5．4 討論
7．6 本章小結(jié)
第8章 結(jié)論和展望
8．1 研究結(jié)論
8．2 特色與創(chuàng)新
8．3 展望與下一步工作
參考文獻(xiàn)
后記