包邮高光谱遥感图像智能分类与检测

目录“新一代人工智能理论、技术及应用丛书”序前言第1章 高光谱遥感图像成像原理及特点11.1 高光谱遥感理论基础概述11.1.1 太阳辐射基本理论11.1.2 太阳辐射与物质的相互作用11.2 高光谱遥感图像成像机理与方式51.2.1 高光谱遥感图像成像机理51.2.2 成像光谱仪的空间成像方式51.2.3 几种典型成像光谱仪简介71.3 高光谱图像数据特点与表达方式81.3.1 高光谱图像数据特点81.3.2 高光谱图像数据表达方式101.4 高光谱图像处理及其应用概述121.4.1 高光谱图像处理的具体种类121.4.2 高光谱图像处理的特点121.4.3 高光谱图像处理的应用13参考文献19第2章 高光谱图像智能分类相关理论概述222.1 高光谱图像分类技术概述222.1.1 高光谱图像分类的概念222.1.2 高光谱图像分类特点及面临的挑战232.2 高光谱图像分类基本流程242.2.1 图像预处理242.2.2 标记训练样本242.2.3 特征提取与特征选择242.2.4 分类判决252.2.5 分类结果和精度评价252.3 高光谱图像分类方法概述252.3.1 有监督分类、半监督分类与无监督分类252.3.2 高光谱图像分类方法的种类262.4 高光谱图像分类精度评价272.4.1 混淆矩阵282.4.2 OA与AA.282.4.3 Kappa系数28参考文献29第3章 基于机器学习的高光谱图像分类333.1 基于机器学习的高光谱图像**分类方法概述333.1.1 基于组合核的高光谱图像分类方法333.1.2 基于稀疏表示的高光谱图像分类方法343.1.3 基于随机森林的高光谱图像分类方法353.1.4 基于图像分割的高光谱图像分类方法363.1.5 基于边缘保持滤波的高光谱图像分类方法373.2 基于脊波和SWNN的高光谱图像融合分类方法383.2.1 方法原理383.2.2 方法流程483.2.3 实验结果及分析513.3 基于多特征融合机制的高光谱图像分类方法563.3.1 方法原理573.3.2 方法流程593.3.3 实验结果及分析633.4 基于边缘保留滤波技术的高光谱图像分类方法693.4.1 方法原理693.4.2 方法流程703.4.3 实验结果及分析763.5 基于加权谱空间的半监督高光谱图像分类方法833.5.1 方法原理833.5.2 方法流程843.5.3 实验结果及分析873.6 基于谱梯度、SVM和空间随机森林的高光谱图像分类方法943.6.1 方法原理943.6.2 方法流程953.6.3 实验结果及分析983.7 基于多尺度双边滤波器的高光谱图像分类方法1063.7.1 方法原理1063.7.2 方法流程1063.7.3 实验结果及分析108参考文献115第4章 基于深度学习的高光谱图像分类1184.1 基于深度学习的高光谱图像**分类方法概述1184.1.1 基于堆栈自动编码器网络的高光谱图像分类方法1184.1.2 基于人工神经网络的高光谱图像分类方法1214.1.3 基于深度置信网络的高光谱图像分类方法1224.1.4 基于卷积神经网络的高光谱图像分类方法1244.2 基于多策略融合机制和ISSARF的高光谱图像空谱分类方法1264.2.1 方法原理1264.2.2 方法流程1334.2.3 实验结果及分析1354.3 基于空谱稀疏张量的深度神经网络的高光谱图像分类方法1484.3.1 方法原理1494.3.2 方法流程1544.3.3 实验结果及分析1544.4 基于密集卷积网络和条件随机场的高光谱图像分类方法1634.4.1 方法原理1634.4.2 方法流程1684.4.3 实验结果及分析1684.5 基于密集卷积网络和域自适应的高光谱图像分类方法1754.5.1 方法原理1764.5.2 方法流程1784.5.3 实验结果及分析1784.6 基于核引导可变卷积和双窗联合双边滤波的高光谱图像分类方法1854.6.1 方法原理1854.6.2 方法流程1894.6.3 实验结果及分析189参考文献196第5章 高光谱图像检测相关理论概述2005.1 高光谱图像检测的概念、具体分类及特点2005.1.1 高光谱图像检测的概念2005.1.2 高光谱图像检测的具体分类2005.1.3 高光谱图像检测的特点2015.2 高光谱图像特定目标检测理论概述2015.2.1 高光谱图像特定目标检测的概念2015.2.2 高光谱图像特定目标检测中存在的问题2025.2.3 评价指标2025.3 高光谱图像异常目标检测理论概述2035.3.1 高光谱图像异常目标检测的概念2035.3.2 高光谱图像异常目标检测中存在的问题2055.3.3 评价指标205参考文献208第6章 高光谱图像特定目标检测方法2106.1 高光谱图像特定目标检测方法的种类2106.2 几种**的高光谱图像特定目标检测方法2126.2.1 正交子空间投影方法2126.2.2 约束能量昀小化方法2146.2.3 匹配子空间滤波方法2156.2.4 光谱匹配滤波方法2166.2.5 自适应子空间检测方法2176.2.6 支持向量数据描述方法2186.3 基于空间支持的稀疏表示目标检测方法2196.3.1 方法原理2196.3.2 方法流程2206.3.3 实验结果及分析2226.4 基于自适应子字典的稀疏表示目标检测方法2286.4.1 方法原理2286.4.2 方法流程2296.4.3 实验结果及分析2306.5 基于空谱支持流形式的多任务学习目标检测方法2386.5.1 方法原理2386.5.2 方法流程2396.5.3 实验结果及分析2426.6 基于概率图的多任务学习目标检测方法2566.6.1 方法原理2566.6.2 方法流程2586.6.3 实验结果及分析2616.7 基于非局部自相似性和秩-1张量分解的高光谱图像目标检测方法2686.7.1 方法原理2686.7.2 方法流程2716.7.3 实验结果及分析274参考文献284第7章 高光谱图像异常目标检测方法2897.1 高光谱图像异常目标检测方法的种类2897.1.1 基于统计模型的异常目标检测方法2897.1.2 基于稀疏表示理论的异常目标检测方法2907.1.3 基于深度学习的异常目标检测方法2917.1.4 基于空谱联合的异常目标检测方法2927.2 几种典型的高光谱图像异常目标检测方法2927.2.1 RX方法2937.2.2 基于稀疏表示理论的高光谱图像异常目标检测方法2947.2.3 基于协同表示的高光谱图像异常目标检测方法2957.2.4 基于低秩稀疏矩阵分解的高光谱图像异常目标检测方法2977.3 基于局部线性嵌入稀疏差异指数的高光谱图像异常目标检测方法2987.3.1 方法原理2997.3.2 方法流程3047.3.3 实验结果及分析3047.4 基于局部密度的自适应背景纯化的高光谱图像异常目标检测方法3207.4.1 方法原理3207.4.2 方法流程3247.4.3 实验结果及分析3247.5 基于张量分解的高光谱图像异常目标检测方法3317.5.1 方法原理3317.5.2 方法流程3347.5.3 实验结果及分析3347.6 基于低秩稀疏分解和空谱联合栈式自动编码器的高光谱图像异常目标检测方法3427.6.1 方法原理3427.6.2 方法流程3447.6.3 实验结果及分析3457.7 基于空谱联合低秩稀疏分解的高光谱图像异常目标检测方法3557.7.1 方法原理3557.7.2 方法流程3577.7.3 实验结果及分析358参考文献367