基本信息
作 者：張兵，高連如 著 叢 書 名：出 版 社：科學出版社ISBN：9787030308634 出版時間：
內容簡介
隨著航空航天高光譜遙感技術的發展，高光譜遙感數據也越來越普及並為人們廣泛使用。高光譜圖像處理的一個重要特點就是從光譜維去理解地物在空間維的特性、展布與變化。其中，基於高光譜數據的地物精細分類和目標探測始終是高光譜遙感技術套用的核心內容之一。《高光譜圖像分類與目標探測》簡要介紹了高光譜遙感原理和圖像特點，分析高光譜圖像處理所涉及的圖像噪聲評估、數據降維以及混合像元分解等關鍵問題，在此基礎上系統總結國內外在高光譜圖像分類與目標探測領域的經典算法，其中包括作者多年的科研成果，使讀者能夠比較全面地了解高光譜圖像分類與目標探測的基本原理、方法和最新進展。
目錄序
前言
第1章 高光譜遙感原理及圖像特點
1.1 高光譜遙感理論基礎
1.1.1 太陽輻射
1.1.2 電磁波與地物的相互作用
1.1.3 電磁輻射與大氣的相互作用
1.2 高光譜遙感成像技術
1.2.1 光譜分光
1.2.2 空間成像
1.2.3 探測器
1.3 高光譜圖像處理與分析的特點
1.3.1 高光譜圖像分析的核心是光譜分析
1.3.2 高光譜圖像分析是一種定量化分析
1.3.3 特徵選擇與提取對海量高光譜數據處理尤為重要
1.3.4 混合像元是高光譜圖像處理面臨的一個重要問題
參考文獻
第2章 高光譜圖像噪聲評估與數據降維
2.1 高光譜圖像噪聲評估的常用方法
2.1.1 均勻區域法
2.1.2地學統計法
2.1.3 局部均值與局部標準差法
2.1.4 空間/光譜維去相關法
2.2 高光譜圖像噪聲評估方法最佳化
2.2.1 基於均勻塊局部標準差的方法
2.2.2 基於殘差調整的局部均值與局部標準差法
2.2.3 基於均勻區域劃分的噪聲評估方法
2.3 高光譜圖像數據降維的常用方法
2.3.1 主成分分析
2.3.2 最小/最大自相關因子分析
2.3.3 最大噪聲分數
2.3.4 噪聲調整的主成分分析
2.3.5 典型分析
2.3.6 獨立成分分析
2.3.7 投影尋蹤
2.3.8 典型判別分析
2.3.9 典型相關分析
2.3.10 非負矩陣分解
2.3.11 非線性主成分分析
2.3.12 基於“流形學習”的非線性降維方法
2.4 最大噪聲分數降維方法最佳化
2.4.1 MNF變換中廣義特徵值求解
2.4.2 mnf對於圖像數值變化的敏感性
2.4.3 地物空間分布對mnf變換的影響
2.4.4 噪聲評估結果對mnf的影響
2.4.5 最佳化的mnf變換及其圖像分類套用
2.5 高光譜圖像降維方法分析與評價
2.5.1 高光譜圖像降維方法關聯分析
2.5.2 高光譜圖像降維方法選擇策略
參考文獻
第3章 高光譜圖像混合像元分解
3.1 混合像元問題與光譜混合模型
3.1.1 混合像元產生的機理
3.1.2 非線性光譜混合模型
3.1.3 線性光譜混合模型
3.2 高光譜圖像線性光譜解混流程
3.2.1 線性光譜解混技術流程
3.2.2 端元數目確認
3.2.3 數據降維方法選擇
3.2.4 端元光譜變異性與端元束
3.3 高光譜圖像端元提取方法
3.3.1 純像元指數
3.3.2 內部最大體積法
3.3.3 頂點成分分析
3.3.4 單形體投影方法
3.3.5 順序最大角凸錐
3.3.6 疊代誤差分析
3.3.7 外包單形體收縮
3.3.8 最小體積單形體分析
3.3.9 凸錐分析
3.3.10 光學實時自適應光譜識別系統
3.3.11 自動形態學
3.3.12 最大距離法
3.3.13 最大體積法
3.3.14 最大零空間投影距離法
3.3.15 定量化獨立成分分析法
3.4 高光譜圖像端元豐度反演方法
3.4.1 最小二乘法
3.4.2 濾波向量法
3.4.3 疊代光譜混合分析
3.4.4 基於端元投影向量的豐度反演方法
3.4.5 基於單形體體積的豐度反演方法
3.5 空間信息在混合像元分解中的套用
3.5.1 空間信息輔助下的端元快速提取
3.5.2 空間信息輔助下的混合光譜分解
3.6 高光譜圖像混合光譜分解方法分析與評價
3.6.1 高光譜圖像端元提取方法定量評價
3.6.2 線性光譜解混對不同空間解析度圖像的適應性評價
參考文獻
第4章 高光譜圖像監督分類
4.1 高光譜圖像分類的概念及特點
4.1.1 高光譜圖像分類的概念
4.1.2 高光譜圖像分類的特點
4.1.3 高光譜圖像數據描述模型
4.2 高光譜圖像監督分類流程及步驟
4.3 基於光譜特徵空間的高光譜圖像分類
4.3.1 光譜特徵匹配分類方法
4.3.2 遙感圖像統計模型分類方法
4.3.3 高光譜圖像神經網路分類方法
4.3.4 高光譜圖像支持向量機分類方法
4.4 幾何空間與光譜特徵空間結合的高光譜圖像分類,
4.4.1 基於圖像上下文的高光譜圖像分類
4.4.2 基於同質地物提取的高光譜圖像分類
4.4.3 紋理信息輔助下的高光譜圖像分類
4.4.4 面向對象的高光譜圖像分類
4.5 高光譜圖像分類精度評價
4.5.1 誤差矩陣
4.5.2 漏分誤差和多分誤差
4.5.3 kappa分析
參考文獻
第5章 高光譜圖像非監督分類
5.1 非監督分類方法框架
5.2 典型非監督分類算法
5.2.1 k均值算法
5.2.2 ISODATA算法
5.3 模糊k均值聚類
5.4 蟻群算法最佳化的k均值聚類
參考文獻
第6章 高光譜圖像目標探測理論與模型
6.1 高光譜圖像目標探測的概念及特點
6.1.1 高光譜圖像中目標存在的幾種形式
6.1.2 高光譜圖像目標探測與圖像分類的差異
6.1.3 高光譜圖像目標探測與傳統空間維目標探測比較
6.1.4 高光譜圖像目標探測中的幾個關鍵問題
6.2 高光譜圖像目標探測中的影響因素
6.2.1 目標的光譜偽裝特性與揭露
6.2.2 遙感器成像特性與成像方式
6.2.3 高光譜圖像噪聲
6.2.4 高光譜數據降維
6.3 高光譜目標探測算法設計的一般過程
6.4 高光譜目標探測的子空間模型
6.5 高光譜目標探測的機率統計模型
6.5.1 np決策規則
6.5.2 fisher準則
參考文獻
第7章 高光譜圖像目標探測算法
7.1 高光譜圖像目標探測算法選擇
7.1.1依據算法參數
7.1.2依據算法模型
7.2 未知目標、未知背景的目標探測算法
7.2.1 rx異常探測算法
7.2.2 低機率目標探測算法
7.2.3 均衡目標探測算法
7.2.4 基於數據白化距離的異常探測算法
7.3 已知目標、未知背景的目標探測算法
7.3.1 約束最小能量運算元
7.3.2 自適應餘弦一致性評估器算法
7.3.3 自適應匹配濾波算法
7.3.4 橢圓輪廓分布模型探測器
7.3.5 基於ecd的雙曲線決策門限型目標探測算法
7.3.6 基於ecd的拋物線決策門限型目標探測算法
7.3.7 非監督目標生成處理
7.3.8 非監督向量量化目標子空間投影法
7.3.9 基於加權自相關矩陣的cem算法
7.3.10基於加權自相關矩陣的osp算法
7.4 已知目標、已知背景的目標探測算法
7.4.1 正交子空間投影
7.4.2 目標約束下的干擾最小化濾波算法
7.4.3 廣義似然比算法
7.4.4 特徵子空間投影算法
7.4.5 目標子空間投影算法
7.4.6 斜子空間投影算法
7.4.7 基於斜交子空間投影的glrt探測算法
7.5 未知目標、已知背景的目標探測算法
7.6 多源信息輔助下的高光譜圖像目標探測
7.6.1 hsi-hri融合
7.6.2 hsi-sar融合
7.7 高光譜圖像目標探測算法性能評價
7.7.1 接收器曲線計算
7.7.2 線性混合光譜模擬實驗
7.7.3 真實場景高光譜圖像實驗
參考文獻
索引
彩圖
