高光譜圖像分類與目標(biāo)探測

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(chǔ)
　　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(shù)
　　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 特征選擇與提取對海量高光譜數(shù)據(jù)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(xiàn)
第2章 高光譜圖像噪聲評估與數(shù)據(jù)降維
　2.1 高光譜圖像噪聲評估的常用方法 　　
　　2.1.1 均勻區(qū)域法
　　2.1.2地學(xué)統(tǒng)計法
　　2.1.3 局部均值與局部標(biāo)準(zhǔn)差法
　　2.1.4 空間／光譜維去相關(guān)法
　2.2 高光譜圖像噪聲評估方法優(yōu)化
　　2.2.1 基于均勻塊局部標(biāo)準(zhǔn)差的方法
　　2.2.2 基于殘差調(diào)整的局部均值與局部標(biāo)準(zhǔn)差法
　　2.2.3 基于均勻區(qū)域劃分的噪聲評估方法
　2.3 高光譜圖像數(shù)據(jù)降維的常用方法
　　2.3.1 主成分分析
　　2.3.2 最?。畲笞韵嚓P(guān)因子分析
　　2.3.3 最大噪聲分?jǐn)?shù)
　　2.3.4 噪聲調(diào)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(guān)分析
　　2.3.10 非負(fù)矩陣分解
　　2.3.11 非線性主成分分析
　　2.3.12 基于“流形學(xué)習(xí)”的非線性降維方法
　2.4 最大噪聲分?jǐn)?shù)降維方法優(yōu)化
　　2.4.1 mnf變換中廣義特征值求解
　　2.4.2 mnf對于圖像數(shù)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(jié)果對mnf的影響
　　2.4.5 優(yōu)化的mnf變換及其圖像分類應(yīng)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(guān)聯(lián)分析
　　2.5.2 高光譜圖像降維方法選擇策略
　參考文獻(xiàn)
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(chǎn)生的機(jī)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(shù)流程
　　3.2.2 端元數(shù)目確認(rèn)
　　3.2.3 數(shù)據(jù)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(shù)
　　3.3.2 內(nèi)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 迭代誤差分析
　　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(xué)實時自適應(yīng)光譜識別系統(tǒng)
　　3.3.11 自動形態(tài)學(xué)
　　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 迭代光譜混合分析
　　3.4.4 基于端元投影向量的豐度反演方法
　　3.4.5 基于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應(yīng)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分辨率圖像的適應(yīng)性評價
　參考文獻(xiàn)
第4章 高光譜圖像監(jiān)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(shù)據(jù)描述模型
　4.2 高光譜圖像監(jiān)督分類流程及步驟
　4.3 基于光譜特征空間的高光譜圖像分類
　　4.3.1 光譜特征匹配分類方法
　　4.3.2 遙感圖像統(tǒng)計模型分類方法
　　4.3.3 高光譜圖像神經(jīng)網(wǎng)絡(luò)分類方法
　　4.3.4 高光譜圖像支持向量機(jī)分類方法
　4.4 幾何空間與光譜特征空間結(jié)合的高光譜圖像分類，
　　4.4.1 基于圖像上下文的高光譜圖像分類
　　4.4.2 基于同質(zhì)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?qū)ο蟮母吖庾V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(xiàn)
第5章 高光譜圖像非監(jiān)督分類
　5.1 非監(jiān)督分類方法框架
　5.2 典型非監(jiān)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 蟻群算法優(yōu)化的k均值聚類
　參考文獻(xiàn)
第6章 高光譜圖像目標(biāo)探測理論與模型
　6.1 高光譜圖像目標(biāo)探測的概念及特點
　　6.1.1 高光譜圖像中目標(biāo)存在的幾種形式
　　6.1.2 高光譜圖像目標(biāo)探測與圖像分類的差異
　　6.1.3 高光譜圖像目標(biāo)探測與傳統(tǒng)空間維目標(biāo)探測比較
　　6.1.4 高光譜圖像目標(biāo)探測中的幾個關(guān)鍵問題
　6.2 高光譜圖像目標(biāo)探測中的影響因素
　　6.2.1 目標(biāo)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(shù)據(jù)降維
　6.3 高光譜目標(biāo)探測算法設(shè)計的一般過程
　6.4 高光譜目標(biāo)探測的子空間模型
　6.5 高光譜目標(biāo)探測的概率統(tǒng)計模型
　　6.5.1 np決策規(guī)則
　　6.5.2 fisher準(zhǔn)則
　參考文獻(xiàn)
第7章 高光譜圖像目標(biāo)探測算法
　7.1 高光譜圖像目標(biāo)探測算法選擇
　　7.1.1依據(jù)算法參數(shù)
　　7.1.2依據(jù)算法模型
　7.2 未知目標(biāo)、未知背景的目標(biāo)探測算法
　　7.2.1 rx異常探測算法
　　7.2.2 低概率目標(biāo)探測算法
　　7.2.3 均衡目標(biāo)探測算法
　　7.2.4 基于數(shù)據(jù)白化距離的異常探測算法
　7.3 已知目標(biāo)、未知背景的目標(biāo)探測算法
　　7.3.1 約束最小能量算子
　　7.3.2 自適應(yīng)余弦一致性評估器算法
　　7.3.3 自適應(yīng)匹配濾波算法
　　7.3.4 橢圓輪廓分布模型探測器
　　7.3.5 基于ecd的雙曲線決策門限型目標(biāo)探測算法
　　7.3.6 基于ecd的拋物線決策門限型目標(biāo)探測算法
　　7.3.7 非監(jiān)督目標(biāo)生成處理
　　7.3.8 非監(jiān)督向量量化目標(biāo)子空間投影法
　　7.3.9 基于加權(quán)自相關(guān)矩陣的cem算法
　　7.3.10基于加權(quán)自相關(guān)矩陣的osp算法
　7.4 已知目標(biāo)、已知背景的目標(biāo)探測算法
　　7.4.1 正交子空間投影
　　7.4.2 目標(biāo)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 特征子空間投影算法
　　7.4.5 目標(biāo)子空間投影算法
　　7.4.6 斜子空間投影算法
　　7.4.7 基于斜交子空間投影的glrt探測算法
　7.5 未知目標(biāo)、已知背景的目標(biāo)探測算法
　7.6 多源信息輔助下的高光譜圖像目標(biāo)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(biāo)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(xiàn)
索引
彩圖