高光谱图像分类与目标探测PDF|Epub|txt|kindle电子书版本网盘下载

高光谱图像分类与目标探测PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 高光谱遥感原理及图像特点1

1.1高光谱遥感理论基础1

1.1.1太阳辐射2

1.1.2电磁波与地物的相互作用2

1.1.3电磁辐射与大气的相互作用6

1.2高光谱遥感成像技术9

1.2.1光谱分光9

1.2.2空间成像12

1.2.3探测器14

1.3高光谱图像处理与分析的特点15

1.3.1高光谱图像分析的核心是光谱分析16

1.3.2高光谱图像分析是一种定量化分析18

1.3.3特征选择与提取对海量高光谱数据处理尤为重要19

1.3.4混合像元是高光谱图像处理面临的一个重要问题20

参考文献21

第2章 高光谱图像噪声评估与数据降维25

2.1高光谱图像噪声评估的常用方法25

2.1.1均匀区域法26

2.1.2地学统计法29

2.1.3局部均值与局部标准差法32

2.1.4空间/光谱维去相关法34

2.2高光谱图像噪声评估方法优化38

2.2.1基于均匀块局部标准差的方法38

2.2.2基于残差调整的局部均值与局部标准差法42

2.2.3基于均匀区域划分的噪声评估方法46

2.3高光谱图像数据降维的常用方法51

2.3.1主成分分析52

2.3.2最小/最大自相关因子分析58

2.3.3最大噪声分数60

2.3.4噪声调整的主成分分析63

2.3.5典型分析66

2.3.6独立成分分析67

2.3.7投影寻踪69

2.3.8典型判别分析70

2.3.9典型相关分析70

2.3.10非负矩阵分解71

2.3.11非线性主成分分析72

2.3.12基于“流形学习”的非线性降维方法74

2.4最大噪声分数降维方法优化75

2.4.1 MNF变换中广义特征值求解76

2.4.2 MNF对于图像数值变化的敏感性77

2.4.3地物空间分布对MNF变换的影响81

2.4.4噪声评估结果对MNF的影响82

2.4.5优化的MNF变换及其图像分类应用85

2.5高光谱图像降维方法分析与评价91

2.5.1高光谱图像降维方法关联分析92

2.5.2高光谱图像降维方法选择策略96

参考文献99

第3章 高光谱图像混合像元分解102

3.1混合像元问题与光谱混合模型102

3.1.1混合像元产生的机理102

3.1.2非线性光谱混合模型104

3.1.3线性光谱混合模型108

3.2高光谱图像线性光谱解混流程112

3.2.1线性光谱解混技术流程112

3.2.2端元数目确认113

3.2.3数据降维方法选择115

3.2.4端元光谱变异性与端元束116

3.3高光谱图像端元提取方法118

3.3.1纯像元指数118

3.3.2内部最大体积法121

3.3.3顶点成分分析123

3.3.4单形体投影方法124

3.3.5顺序最大角凸锥125

3.3.6迭代误差分析126

3.3.7外包单形体收缩127

3.3.8最小体积单形体分析129

3.3.9凸锥分析130

3.3.10光学实时自适应光谱识别系统131

3.3.11自动形态学132

3.3.12最大距离法134

3.3.13最大体积法135

3.3.14最大零空间投影距离法137

3.3.15定量化独立成分分析法139

3.4高光谱图像端元丰度反演方法145

3.4.1最小二乘法145

3.4.2滤波向量法148

3.4.3迭代光谱混合分析148

3.4.4基于端元投影向量的丰度反演方法149

3.4.5基于单形体体积的丰度反演方法150

3.5空间信息在混合像元分解中的应用151

3.5.1空间信息辅助下的端元快速提取151

3.5.2空间信息辅助下的混合光谱分解152

3.6高光谱图像混合光谱分解方法分析与评价153

3.6.1高光谱图像端元提取方法定量评价153

3.6.2线性光谱解混对不同空间分辨率图像的适应性评价160

参考文献173

第4章 高光谱图像监督分类176

4.1高光谱图像分类的概念及特点176

4.1.1高光谱图像分类的概念176

4.1.2高光谱图像分类的特点176

4.1.3高光谱图像数据描述模型178

4.2高光谱图像监督分类流程及步骤178

4.3基于光谱特征空间的高光谱图像分类179

4.3.1光谱特征匹配分类方法179

4.3.2遥感图像统计模型分类方法185

4.3.3高光谱图像神经网络分类方法185

4.3.4高光谱图像支持向量机分类方法192

4.4几何空间与光谱特征空间结合的高光谱图像分类196

4.4.1基于图像上下文的高光谱图像分类197

4.4.2基于同质地物提取的高光谱图像分类197

4.4.3纹理信息辅助下的高光谱图像分类200

4.4.4面向对象的高光谱图像分类208

4.5高光谱图像分类精度评价209

4.5.1误差矩阵210

4.5.2漏分误差和多分误差211

4.5.3 Kappa分析211

参考文献212

第5章 高光谱图像非监督分类214

5.1非监督分类方法框架214

5.2典型非监督分类算法215

5.2.1 K均值算法215

5.2.2 ISODATA算法216

5.3模糊K均值聚类218

5.4蚁群算法优化的K均值聚类219

参考文献221

第6章 高光谱图像目标探测理论与模型223

6.1高光谱图像目标探测的概念及特点223

6.1.1高光谱图像中目标存在的几种形式223

6.1.2高光谱图像目标探测与图像分类的差异224

6.1.3高光谱图像目标探测与传统空间维目标探测比较225

6.1.4高光谱图像目标探测中的几个关键问题226

6.2高光谱图像目标探测中的影响因素227

6.2.1目标的光谱伪装特性与揭露227

6.2.2遥感器成像特性与成像方式230

6.2.3高光谱图像噪声235

6.2.4高光谱数据降维238

6.3高光谱目标探测算法设计的一般过程238

6.4高光谱目标探测的子空间模型239

6.5高光谱目标探测的概率统计模型240

6.5.1 NP决策规则241

6.5.2 Fisher准则243

参考文献244

第7章 高光谱图像目标探测算法245

7.1高光谱图像目标探测算法选择245

7.1.1依据算法参数245

7.1.2依据算法模型247

7.2未知目标、未知背景的目标探测算法247

7.2.1 RX异常探测算法247

7.2.2低概率目标探测算法249

7.2.3均衡目标探测算法249

7.2.4基于数据白化距离的异常探测算法250

7.3已知目标、未知背景的目标探测算法251

7.3.1约束最小能量算子251

7.3.2自适应余弦一致性评估器算法252

7.3.3自适应匹配滤波算法254

7.3.4椭圆轮廓分布模型探测器254

7.3.5基于ECD的双曲线决策门限型目标探测算法256

7.3.6基于ECD的抛物线决策门限型目标探测算法256

7.3.7非监督目标生成处理257

7.3.8非监督向量量化目标子空间投影法258

7.3.9基于加权自相关矩阵的CEM算法261

7.3.10基于加权自相关矩阵的OSP算法262

7.4已知目标、已知背景的目标探测算法263

7.4.1正交子空间投影263

7.4.2目标约束下的干扰最小化滤波算法265

7.4.3广义似然比算法265

7.4.4特征子空间投影算法267

7.4.5目标子空间投影算法267

7.4.6斜子空间投影算法268

7.4.7基于斜交子空间投影的GLRT探测算法269

7.5未知目标、已知背景的目标探测算法270

7.6多源信息辅助下的高光谱图像目标探测271

7.6.1 HSI-HRI融合271

7.6.2 HSI-SAR融合272

7.7高光谱图像目标探测算法性能评价272

7.7.1接收器曲线计算272

7.7.2线性混合光谱模拟实验273

7.7.3真实场景高光谱图像实验289

参考文献295

索引296