高光谱图像处理技术

第1章 高光谱遥感基本理论及主要处理技术
1.1 高光谱遥感基本理论
1.1.1 遥感电磁波理论基础
1.1.2 太阳辐射与物质的相互作用
1.1.3 成像光谱仪及其成像方式
1.1.4 高光谱图像的数据特点
1.2 高光谱图像分类技术
1.2.1 监督分类与非监督分类
1.2.2 参数分类与非参数分类
1.2.3 确定性分类与非确定性分类
1.2.4 其他分类方法
1.3 高光谱图像端元选择技术
1.4 高光谱图像光谱解混技术
1.4.1 非线性模型
1.4.2 线性模型
1.4.3 线性模型的多端元模式
1.5 高光谱图像亚像元定位技术
1.5.1 基于空间相关性的亚像元定位
1.5.2 基于空间地统计学的亚像元定位
1.5.3 基于神经网络的亚像元定位
1.5.4 基于像元交换的亚像元定位
1.6 高光谱图像超分辨率技术
1.7 高光谱图像异常检测技术
1.8 高光谱图像降维与压缩技术
1.8.1 关于降维：波段选择与特征提取
1.8.2 关于压缩：有损压缩与无损压缩
参考文献
 
第2章 高光谱图像分类技术
2.1 典型分类方法
2.2 典型评价准则
2.3 svm分类方法
2.3.1 理论基础
2.3.2 分类原理
2.3.3 *简多类分类器的构造
2.3.4 *小二乘svm及其smo优化算法
2.3.5 三重加权分类方法
2.4 svm分类性能的评价
2.4.1 基本svm分类性能评价
2.4.2 *简多类分类器性能评价
2.4.3 三重加权分类性能评价
2.5 本章小结
参考文献
 
第3章 高光谱图像光谱端元选择技术
3.1 n-findr光谱端元选择算法
3.1.1 相关理论介绍
3.1.2 n-findr算法
3.2 基于距离尺度的快速n-findr算法
3.2.1 距离尺度替换体积尺度
3.2.2 基于ppi思想的数据排序
3.2.3 复杂性分析和效率评价
3.3 基于线性lssvm的距离测算
3.4 光谱端元选择的鲁棒性方法
3.4.1 预处理阶段：鲁棒协方差矩阵的获取
3.4.2 光谱端元选择阶段：野值点的去除
3.5 性能评价
3.5.1 基于距离尺度的快速n-findr算法
3.5.2 鲁棒性评价
3.6 快速n-findr算法的两个应用
3.6.1 构建lsmm心的求解算法
3.6.2 构建快速无监督波段选择算法
3.7 本章小结
参考文献
 
第4章 高光谱图像光谱解混技术
4.1 基于lsmm的lsma方法
4.2 全约束lsma的两种新型求解方法
4.2.1 迭代求解中的参量替换方法
4.2.2 几何求解方法
4.3 基于lsvm的光谱解混原理
4.3.1 lsvm与lsmm的解混等效性证明
4.3.2 lsvm解混的独特优势
4.4 结合空间信息的光谱解混方法
4.5 带有解混残差约束条件的svm光谱解混模型
4.5.1 基于原始lssvm的光谱解混
4.5.2 基于解混残差约束lssvm的解混模型的建立及其闭式解的推导
4.5.3 新模型中单端元替换为多端元的方法
4.6 性能评价
4.6.1 基本svm光谱解混性能评价
4.6.2 鲁棒性加权svm解混评价
4.6.3 结合空谱信息的解混方法评价
4.6.4 带有解混误差约束的新型svm解混模型的性能评价
4.7 光谱解混的模糊精度评价方法
4.7.1 模糊精度评价方法
4.7.2 模糊精度评价方法在具体实验中的应用
4.8 本章小结
参考文献
 
第5章 高光谱图像亚像元定位技术
5.1 基于lssvm的线性特征地物亚像元定位技术
5.1.1 基于lssvm的亚像元定位技术
5.1.2 人工合成训练样本的方法
5.2 基于空间引力模型的亚像元定位方法
5.2.1 基于修正的亚像元／像元空间引力模型的亚像元定位
5.2.2 基于混合空间引力模型的亚像元定位
5.3 结合mrf和亚像元位移遥感影像的亚像元定位
5.3.1 基于mrf的亚像元定位
5.3.2 结合mrf和亚像元位移遥感影像的亚像元定位
5.4 性能评价
5.4.1 基于lssvm的线性特征地物亚像元定位
5.4.2 mspsam和msam
5.4.3 结合mrf和亚像元位移遥感影像的亚像元定位
5.5 本章小结
参考文献
 
第6章 高光谱图像超分辨率技术
6.1 基于pocs算法的超分辨率复原
6.1.1 pocs基本理论
6.1.2 基于pocs算法的超分辨率复原
6.2 基于map算法的超分辨率复原
6.2.1 map基本理论
6.2.2 基于map算法的超分辨率复原
6.3 单谱段图像的分辨率提高方法
6.3.1 几何对偶模型的建立与插值方法
6.3.2 混合插值方法
6.4 性能评价
6.4.1 pocs和map超分辨率方法
6.4.2 对偶性插值方法
6.5 本章小结
参考文献
 
第7章 高光谱图像异常检测技术
7.1 基于形态学理论的核检测算法
7.1.1 基于形态学的波段选择
7.1.2 基于形态学的核rx算法
7.2 自适应核异常检测算法
7.2.1 支持向量数据描述方法
7.2.2 自适应核异常检测算法
7.3 核异常检测中光谱相似度量核的构造
7.3.1 高斯径向基核的局限性
7.3.2 光谱相似度量核函数
7.4 性能评价
7.4.1 基于形态学的核检测算法效果验证
7.4.2 自适应核异常检测算法效果验证
7.4.3 基于光谱相似度量核的异常检测算法效果验证
7.5 其他异常检测算法简介
7.5.1 基于空域滤波的核rx高光谱异常检测算法
7.5.2 基于多层窗口分析的核检测算法
7.6 本章小结
参考文献
 
第8章 高光谱图像降维及压缩技术
8.1 降维技术
8.1.1 基于svm的波段选择
8.1.2 典型端元选择方法在波段选择中的应用
8.1.3 仿真实验
8.2 压缩技术
8.2.1 基于矢量量化的压缩算法
8.2.2 基于提升格式的压缩算法
8.3 本章小结
参考文献
 
第9章 高光谱遥感应用简介
9.1 农业
9.1.1 小麦
9.1.2 水稻
9.1.3 大豆
9.1.4 玉米
9.2 森林
9.2.1 森林调查
9.2.2 森林生化组成与森林健康状态
9.2.3 森林灾害
9.2.4 外来物种监测
9.3 草地
9.3.1 草地生物量估算
9.3.2 草地种类识别
9.3.3 草地化学成分估测
9.4 海洋
9.4.1 海洋遥感中的基础研究
9.4.2 海洋与海岸带资源环境监测中的应用研究
9.4.3 国际相关发展动态
9.5 地质
9.5.1 岩矿识别
9.5.2 资源勘查
9.6 环境
9.6.1 大气污染监测
9.6.2 土壤侵蚀监测
9.6.3 水环境监测
9.7 军事
参考文献
 
附录1 本书主要符号及缩写说明
附录2 著者主要相关文章