隨著成像光譜技術(shù)及遙感處理技術(shù)的不斷發(fā)展，高光譜遙感數(shù)據(jù)被廣泛應(yīng)用于各個(gè)領(lǐng)域。與多光譜圖像相比，高光譜成像光譜儀能夠在較寬的波譜范圍內(nèi)，利用狹窄的光譜間隔成像，得到上百幅通道、波段連續(xù)的圖像，每個(gè)像素均可提取一條完整的高分辨率光譜曲線，使得許多原本在多光譜圖像中無法發(fā)現(xiàn)的地物特征得以被探測。本書簡要介紹了高光譜遙感圖像的成像原理和圖像特點(diǎn)，主要分析了各種高光譜圖像處理技術(shù)在使用中遇到的問題，并提出了相應(yīng)的處理方法；論述內(nèi)容主要包括高光譜遙感的特征選擇，高光譜遙感的端元選擇，混合光譜理論與光譜解混，高光譜圖像的監(jiān)督分類和半監(jiān)督分類，高光譜圖像的匹配目標(biāo)檢測、異常目標(biāo)檢測以及實(shí)時(shí)目標(biāo)檢測，高光譜數(shù)據(jù)壓縮技術(shù)和可視化技術(shù)，*后概括地介紹了高光譜遙感圖像在各個(gè)領(lǐng)域的應(yīng)用。本書包括了著者多年來取得的科研成果，可以使讀者比較全面地了解高光譜圖像處理的各個(gè)領(lǐng)域以及*新研究進(jìn)展。
趙春暉，男，1965年出生，工學(xué)博士，教授、博士生導(dǎo)師，哈爾濱工程大學(xué)信號與信息處理學(xué)科帶頭人。黑龍江省優(yōu)秀中青年專家，全國優(yōu)秀教師，國家教學(xué)名師。IEEE會員，中國通信學(xué)會會士，中國電子學(xué)會高級會員，中國圖象圖形學(xué)學(xué)會和黑龍江生物醫(yī)學(xué)工程學(xué)會理事，中國兵工學(xué)會信息安全與對抗委員會專業(yè)委員會成員，中國指揮與控制學(xué)會無人系統(tǒng)專業(yè)委員會委員。研究領(lǐng)域主要包括智能信息與圖像處理、機(jī)器學(xué)習(xí)與模式識別、非線性信號處理和通信信號處理。主持了多項(xiàng)***和省部級科研項(xiàng)目和教改項(xiàng)目，發(fā)表學(xué)術(shù)論文500多篇，其中被“SCI、EI”檢索300余篇，出版著作和教材18部，其中《微波技術(shù)》入選了“十一五”和“十二五”***規(guī)劃教材，獲省部級科技獎(jiǎng)一等獎(jiǎng)2項(xiàng)、二等獎(jiǎng)6項(xiàng)，獲省級教學(xué)成果獎(jiǎng)一等獎(jiǎng)3項(xiàng)、二等獎(jiǎng)3項(xiàng)，獲發(fā)明專利和軟件著作權(quán)22項(xiàng)。 “微波技術(shù)基礎(chǔ)”國家精品課程負(fù)責(zé)人和***教學(xué)團(tuán)隊(duì)帶頭人。先后獲得全國優(yōu)秀博士學(xué)位論文、教育部高校青年教師獎(jiǎng)、黑龍江省杰出青年科學(xué)基金、黑龍江省青年科技獎(jiǎng)、國務(wù)院政府特殊津貼、黑龍江省優(yōu)秀博士后、黑龍江省優(yōu)秀研究生導(dǎo)師等榮譽(yù)。入選首屆“國家高層次人才特殊支持計(jì)劃”領(lǐng)軍人才。
第1章 高光譜遙感的理論基礎(chǔ) 1
1．1 高光譜遙感概述 1
1．2 高光譜遙感成像機(jī)理 5
1．3 高光譜遙感圖像的特點(diǎn) 8
1．4 高光譜遙感圖像數(shù)據(jù)表達(dá) 9
1．5 高光譜遙感與多光譜遙感的聯(lián)系與區(qū)別 10
參考文獻(xiàn) 11
第2章 高光譜圖像特征提取技術(shù) 12
2．1 特征提取技術(shù)概述 12
2．2 高光譜圖像基本特征提取算法 16
2．2．1 主成分分析 16
2．2．2 線性判別分析 17
2．2．3 基于核的非線性特征提取算法 18
2．2．4 基于流形學(xué)習(xí)的非監(jiān)督特征提取算法 18
2．2．5 F-分值特征提取方法 22
2．2．6 遞歸特征消除方法 22
2．2．7 最小噪聲分?jǐn)?shù) 23
2．2．8 獨(dú)立成分分析 24
2．3 高光譜圖像波段提取算法 25
2．3．1 半監(jiān)督局部稀疏嵌入特征提取算法 25
2．3．2 基于全局和局部流形結(jié)構(gòu)的特征提取算法 27
2．3．3 結(jié)合遺傳算法和蟻群算法的特征提取算法 29
2．3．4 高光譜圖像蒙特卡羅特征提取算法 31
2．4 高光譜圖像波段提取算法性能評價(jià) 34
2．4．1 半監(jiān)督局部稀疏嵌入特征提取算法的性能評價(jià) 35
2．4．2 基于全局和局部流形結(jié)構(gòu)的特征提取算法的性能評價(jià) 38
2．4．3 結(jié)合遺傳算法和蟻群算法的特征提取算法的性能評價(jià) 41
2．4．4 高光譜圖像蒙特卡羅特征提取算法的性能評價(jià) 46
參考文獻(xiàn) 48
第3章 高光譜圖像端元提取技術(shù) 49
3．1 端元提取技術(shù)概述 49
3．2 高光譜圖像基本端元提取方法 49
3．2．1 N-FINDR端元提取算法 49
3．2．2 純像素索引法 50
3．2．3 凸錐分析 51
3．2．4 迭代誤差分析 52
3．2．5 ORASIS算法 52
3．2．6 自動形態(tài)學(xué)端元提取算法 52
3．2．7 頂點(diǎn)成分分析法 54
3．3 高光譜圖像端元提取算法 55
3．3．1 改進(jìn)的N-FINDR高光譜端元提取算法 55
3．3．2 改進(jìn)的IEA端元提取算法 58
3．4 高光譜圖像端元提取方法的性能評價(jià) 60
3．4．1 改進(jìn)的N-FINDR高光譜端元提取算法的性能評價(jià) 60
3．4．2 改進(jìn)的IEA端元提取算法的性能評價(jià) 61
參考文獻(xiàn) 65
第4章 高光譜圖像光譜解混技術(shù) 66
4．1 光譜解混技術(shù)概述 66
4．2 高光譜圖像基本光譜解混算法 68
4．2．1 線性光譜混合模型 68
4．2．2 豐度反演算法 69
4．2．3 解混誤差理論分析 70
4．2．4 解決端元可變問題算法 72
4．2．5 光譜解混精度評價(jià) 76
4．3 高光譜圖像光譜解混算法 77
4．3．1 基于正交子空間投影的多端元高光譜解混算法 77
4．3．2 基于分層的多端元高光譜解混算法 79
4．3．3 基于全約束OMP的多端元高光譜解混算法 81
4．3．4 基于稀疏表示的高光譜解混算法 83
4．3．5 改進(jìn)的OMP高光譜稀疏解混算法 87
4．3．6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法 90
4．4 高光譜圖像光譜解混算法評價(jià) 91
4．4．1 基于OSP的多端元高光譜解混算法評價(jià) 91
4．4．2 基于分層的多端元高光譜解混算法評價(jià) 95
4．4．3 基于全約束OMP的多端元高光譜解混算法評價(jià) 100
4．4．4 基于稀疏表示的高光譜解混算法評價(jià) 103
4．4．5 改進(jìn)的OMP高光譜稀疏解混算法評價(jià) 105
4．4．6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法評價(jià) 110
參考文獻(xiàn) 112
第5章 高光譜圖像監(jiān)督分類技術(shù) 114
5．1 高光譜圖像分類技術(shù)概述 114
5．2 高光譜圖像基本分類算法 116
5．2．1 光譜角匹配 116
5．2．2 最大似然分類 117
5．2．3 Fisher判別分析 117
5．2．4 支持向量機(jī)分類器 118
5．2．5 相關(guān)向量機(jī)分類器 126
5．3 高光譜圖像分類的評價(jià)準(zhǔn)則 128
5．4 高光譜圖像分類算法 129
5．4．1 基于高斯低通濾波的最大似然分類 129
5．4．2 基于小波核函數(shù)的高光譜圖像分類 131
5．4．3 基于第二代小波融合的高光譜圖像分類 134
5．4．4 基于特征加權(quán)的高光譜圖像分類 141
5．4．5 基于定制核稀疏表示的高光譜圖像分類 143
5．4．6 基于模糊加權(quán)核C-均值聚類的高光譜圖像分類 147
5．4．7 模糊特征加權(quán)支持向量機(jī) 151
5．5 高光譜圖像分類算法的性能評價(jià) 153
5．5．1 基于高斯低通濾波的最大似然分類性能評價(jià) 154
5．5．2 基于小波核函數(shù)的高光譜圖像分類性能評價(jià) 158
5．5．3 基于第二代小波融合的高光譜分類性能評價(jià) 160
5．5．4 基于特征加權(quán)的高光譜分類性能評價(jià) 164
5．5．5 基于定制核稀疏表示的分類評價(jià) 168
5．5．6 模糊加權(quán)核C-均值聚類算法的分類評價(jià) 173
5．5．7 模糊特征加權(quán)支持向量機(jī)的分類評價(jià) 175
參考文獻(xiàn) 178
第6章 高光譜圖像半監(jiān)督分類技術(shù) 181
6．1 高光譜圖像半監(jiān)督分類技術(shù)概述 181
6．2 高光譜圖像基本半監(jiān)督分類算法 182
6．2．1 圖論的基礎(chǔ)概念 182
6．2．2 基于圖的半監(jiān)督分類算法 184
6．3 高光譜圖像半監(jiān)督分類算法 187
6．3．1 結(jié)合LLGC和LS-SVM的半監(jiān)督分類算法 187
6．3．2 引入負(fù)相似的LapSVM半監(jiān)督分類 191
6．3．3 基于空-譜信息的高光譜半監(jiān)督分類算法 196
6．3．4 基于空-譜標(biāo)簽傳遞的高光譜半監(jiān)督分類算法 200
6．4 高光譜圖像半監(jiān)督分類算法的性能評價(jià) 202
6．4．1 結(jié)合LLGC和LS-SVM半監(jiān)督分類算法的性能評價(jià) 202
6．4．2 引入負(fù)相似的LapSVM半監(jiān)督分類的性能評價(jià) 206
6．4．3 基于空-譜信息的高光譜半監(jiān)督分類的性能評價(jià) 211
6．4．4 基于空-譜標(biāo)簽傳遞的高光譜半監(jiān)督分類的性能評價(jià) 217
參考文獻(xiàn) 227
第7章 高光譜圖像目標(biāo)匹配檢測技術(shù) 229
7．1 目標(biāo)匹配檢測技術(shù)概述 229
7．2 高光譜圖像基本目標(biāo)匹配檢測算法 231
7．2．1 高光譜圖像目標(biāo)匹配檢測的關(guān)鍵問題 231
7．2．2 高光譜圖像目標(biāo)檢測的一般過程與評價(jià)標(biāo)準(zhǔn) 232
7．2．3 經(jīng)典的高光譜圖像目標(biāo)匹配檢測方法 232
7．3 高光譜圖像目標(biāo)匹配檢測算法 234
7．3．1 基于空間支持的稀疏表示目標(biāo)檢測 234
7．3．2 基于StOMP算法的HSI目標(biāo)稀疏檢測 239
7．3．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測 242
7．4 高光譜圖像目標(biāo)匹配檢測算法評價(jià) 245
7．4．1 基于空間支持的稀疏表示目標(biāo)檢測算法評價(jià) 245
7．4．2 基于StOMP算法的HSI目標(biāo)稀疏檢測算法評價(jià) 254
7．4．3 基于無監(jiān)督字典的HSI目標(biāo)稀疏檢測 257
參考文獻(xiàn) 259
第8章 高光譜圖像異常目標(biāo)檢測技術(shù) 261
8．1 異常目標(biāo)檢測技術(shù)概述 261
8．2 高光譜圖像異常目標(biāo)檢測基本理論 265
8．3 高光譜圖像異常目標(biāo)檢測算法 268
8．3．1 基于空域?yàn)V波的核RX高光譜異常檢測算法 268
8．3．2 自適應(yīng)核高光譜異常檢測算法 272
8．3．3 基于光譜相似度量核的高光譜異常檢測算法 277
8．4 高光譜圖像異常目標(biāo)檢測算法評價(jià) 281
8．4．1 基于空域?yàn)V波的核RX高光譜異常檢測算法評價(jià) 281
8．4．2 自適應(yīng)核高光譜異常檢測算法評價(jià) 282
8．4．3 基于光譜相似度量核的高光譜異常檢測算法評價(jià) 284
參考文獻(xiàn) 289
第9章 高光譜實(shí)時(shí)目標(biāo)檢測技術(shù) 292
9．1 高光譜遙感目標(biāo)檢測概念及特點(diǎn) 292
9．1．1 目標(biāo)存在形式 292
9．1．2 高光譜圖像目標(biāo)檢測特點(diǎn) 292
9．1．3 高光譜圖像目標(biāo)檢測分類 293
9．1．4 高光譜圖像目標(biāo)檢測關(guān)鍵問題 293
9．2 基于像素遞歸的高光譜實(shí)時(shí)目標(biāo)檢測 295
9．2．1 Woodbury矩陣引理 296
9．2．2 基于R-RXD的遞歸實(shí)時(shí)算子 297
9．2．3 基于K-RXD的遞歸實(shí)時(shí)算子 298
9．2．4 算法復(fù)雜性分析 299
9．2．5 仿真實(shí)驗(yàn)結(jié)果與分析 300
9．3 采用滑動實(shí)時(shí)窗的高光譜局部實(shí)時(shí)檢測 305
9．3．1 高光譜局部異常檢測常用算法 306
9．3．2 采用滑動實(shí)時(shí)窗口的局部異常檢測 308
9．3．3 仿真實(shí)驗(yàn)結(jié)果與分析 311
9．4 基于波段遞歸更新的高光譜目標(biāo)檢測算法 315
9．4．1 分塊矩陣求逆引理 315
9．4．2 基于波段遞歸的高光譜目標(biāo)檢測 316
9．4．3 仿真實(shí)驗(yàn)結(jié)果與分析 319
參考文獻(xiàn) 321
第10章 高光譜圖像壓縮處理技術(shù) 324
10．1 高光譜壓縮處理技術(shù)概述 324
10．2 圖像壓縮質(zhì)量評價(jià)標(biāo)準(zhǔn) 326
10．3 高光譜圖像壓縮處理算法 327
10．3．1 基于目標(biāo)分布改進(jìn)DCT的圖像壓縮 327
10．3．2 多元向量量化的圖像壓縮 329
10．3．3 基于提升格式的圖像壓縮 332
10．3．4 基于向量量化的圖像壓縮 335
10．4 高光譜圖像壓縮性能評價(jià) 337
10．4．1 基于目標(biāo)分布的圖像壓縮性能評價(jià) 337
10．4．2 多元向量量化的圖像壓縮性能評價(jià) 343
10．4．3 基于提升格式的圖像壓縮性能評價(jià) 350
10．4．4 基于向量量化的圖像壓縮性能評價(jià) 351
參考文獻(xiàn) 352
第11章 高光譜圖像可視化技術(shù) 354
11．1 可視化技術(shù)概述 354
11．2 面向類別分析結(jié)果的可視化方法 358
11．2．1 基于硬分類結(jié)果的數(shù)據(jù)可視化 359
11．2．2 基于軟分類結(jié)果的自動彩色分配方法 361
11．3 高光譜圖像可視化方法性能評價(jià) 364
11．3．1 硬分類類別彩色標(biāo)簽的選擇及分配 364
11．3．2 基于光譜解混結(jié)果的可視化結(jié)果 366
參考文獻(xiàn) 368
第12章 高光譜遙感應(yīng)用簡介 369
12．1 高光譜遙感在農(nóng)業(yè)方面的應(yīng)用 369
12．1．1 農(nóng)作物疾病監(jiān)測、病蟲害監(jiān)測以及入侵物種監(jiān)測 369
12．1．2 農(nóng)作物產(chǎn)量估計(jì) 370
12．1．3 農(nóng)作物分類 370
12．2 高光譜遙感在地質(zhì)領(lǐng)域方面的應(yīng)用 370
12．2．1 高光譜礦物識別與礦物填圖 371
12．2．2 高光譜地質(zhì)成因信息探測研究 371
12．2．3 高光譜成礦預(yù)測研究 371
12．2．4 高光譜植被地化信息探測研究 372
12．2．5 高光譜礦山環(huán)境分析研究 372
12．3 高光譜遙感在草原監(jiān)測方面的應(yīng)用 372
12．3．1 草地生物量估算 373
12．3．2 草地種類識別 374
12．3．3 草地化學(xué)成分估測 374
12．4 高光譜遙感在森林研究方面的應(yīng)用 375
12．4．1 森林調(diào)查 375
12．4．2 森林生化組成與森林健康狀態(tài) 376
12．5 高光譜遙感在海洋研究方面的應(yīng)用 377
12．5．1 海洋遙感中的基礎(chǔ)研究 377
12．5．2 海洋與海岸帶資源環(huán)境監(jiān)測中的應(yīng)用研究 378
12．5．3 高光譜海洋研究國際發(fā)展相關(guān)動態(tài) 378
12．6 高光譜遙感在環(huán)境監(jiān)測方面的應(yīng)用 379
12．6．1 大氣污染監(jiān)測 379
12．6．2 土壤侵蝕監(jiān)測 379
12．6．3 水環(huán)境監(jiān)測 379
12．7 高光譜遙感在減災(zāi)方面的應(yīng)用 380
12．7．1 干旱 380
12．7．2 洪澇 381
12．7．3 低溫雨雪冰凍災(zāi)害 381
12．7．4 火災(zāi) 382
12．7．5 地質(zhì)災(zāi)害 383
12．7．6 生物災(zāi)害 384
12．7．7 其他災(zāi)害 384
參考文獻(xiàn) 385
新書資訊