高光譜遙感影像處理方法及應用（簡體書）

隨著成像光譜技術及遙感處理技術的不斷發展，高光譜遙感資料被廣泛應用於各個領域。與多光譜圖像相比，高光譜成像光譜儀能夠在較寬的波譜範圍內，利用狹窄的光譜間隔成像，得到上百幅通道、波段連續的圖像，每個圖元均可提取一條完整的高解析度光譜曲線，使得許多原本在多光譜圖像中無法發現的地物特徵得以被探測。本書簡要介紹了高光譜遙感圖像的成像原理和圖像特點，主要分析了各種高光譜影像處理技術在使用中遇到的問題，並提出了相應的處理方法；論述內容主要包括高光譜遙感的特徵選擇，高光譜遙感的端元選擇，混合光譜理論與光譜解混，高光譜圖像的監督分類和半監督分類，高光譜圖像的匹配目標檢測、異常目標檢測以及即時目標檢測，高光譜資料壓縮技術和視覺化技術，最後概括地介紹了高光譜遙感圖像在各個領域的應用。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瞭解高光譜影像處理的各個領域以及最新研究進展。

第1章 高光譜遙感的理論基礎 1
1.1 高光譜遙感概述 1
1.2 高光譜遙感成像機理 5
1.3 高光譜遙感圖像的特點 8
1.4 高光譜遙感圖像資料表達 9
1.5 高光譜遙感與多光譜遙感的聯繫與區別 10
參考文獻 11
第2章 高光譜圖像特徵提取技術 12
2.1 特徵提取技術概述 12
2.2 高光譜圖像基本特徵提取演算法 16
2.2.1 主成分分析 16
2.2.2 線性判別分析 17
2.2.3 基於核的非線性特徵提取演算法 18
2.2.4 基於流形學習的非監督特徵提取演算法 18
2.2.5 F-分值特徵提取方法 22
2.2.6 遞迴特徵消除方法 22
2.2.7 最小雜訊分數 23
2.2.8 獨立成分分析 24
2.3 高光譜圖像波段提取演算法 25
2.3.1 半監督局部稀疏嵌入特徵提取演算法 25
2.3.2 基於全域和局部流形結構的特徵提取演算法 27
2.3.3 結合遺傳演算法和蟻群演算法的特徵提取演算法 29
2.3.4 高光譜圖像蒙特卡羅特徵提取演算法 31
2.4 高光譜圖像波段提取演算法性能評價 34
2.4.1 半監督局部稀疏嵌入特徵提取演算法的性能評價 35
2.4.2 基於全域和局部流形結構的特徵提取演算法的性能評價 38
2.4.3 結合遺傳演算法和蟻群演算法的特徵提取演算法的性能評價 41
2.4.4 高光譜圖像蒙特卡羅特徵提取演算法的性能評價 46
參考文獻 48
第3章 高光譜圖像端元提取技術 49
3.1 端元提取技術概述 49
3.2 高光譜圖像基本端元提取方法 49
3.2.1 N-FINDR端元提取演算法 49
3.2.2 純圖元索引法 50
3.2.3 凸錐分析 51
3.2.4 反覆運算誤差分析 52
3.2.5 ORASIS演算法 52
3.2.6 自動形態學端元提取演算法 52
3.2.7 頂點成分分析法 54
3.3 高光譜圖像端元提取演算法 55
3.3.1 改進的N-FINDR高光譜端元提取演算法 55
3.3.2 改進的IEA端元提取演算法 58
3.4 高光譜圖像端元提取方法的性能評價 60
3.4.1 改進的N-FINDR高光譜端元提取演算法的性能評價 60
3.4.2 改進的IEA端元提取演算法的性能評價 61
參考文獻 65
第4章 高光譜圖像光譜解混技術 66
4.1 光譜解混技術概述 66
4.2 高光譜圖像基本光譜解混演算法 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 解決端元可變問題演算法 72
4.2.5 光譜解混精度評價 76
4.3 高光譜圖像光譜解混演算法 77
4.3.1 基於正交子空間投影的多端元高光譜解混演算法 77
4.3.2 基於分層的多端元高光譜解混演算法 79
4.3.3 基於全約束OMP的多端元高光譜解混演算法 81
4.3.4 基於稀疏表示的高光譜解混演算法 83
4.3.5 改進的OMP高光譜稀疏解混演算法 87
4.3.6 自我調整稀疏度的OMP高光譜稀疏解混演算法 90
4.4 高光譜圖像光譜解混演算法評價 91
4.4.1 基於OSP的多端元高光譜解混演算法評價 91
4.4.2 基於分層的多端元高光譜解混演算法評價 95
4.4.3 基於全約束OMP的多端元高光譜解混演算法評價 100
4.4.4 基於稀疏表示的高光譜解混演算法評價 103
4.4.5 改進的OMP高光譜稀疏解混演算法評價 105
4.4.6 自我調整稀疏度的OMP高光譜稀疏解混演算法評價 110
參考文獻 112
第5章 高光譜圖像監督分類技術 114
5.1 高光譜圖像分類技術概述 114
5.2 高光譜圖像基本分類演算法 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 支援向量機分類器 118
5.2.5 相關向量機分類器 126
5.3 高光譜圖像分類的評價準則 128
5.4 高光譜圖像分類演算法 129
5.4.1 基於高斯低通濾波的最大似然分類 129
5.4.2 基於小波核函數的高光譜圖像分類 131
5.4.3 基於第二代小波融合的高光譜圖像分類 134
5.4.4 基於特徵加權的高光譜圖像分類 141
5.4.5 基於定制核稀疏表示的高光譜圖像分類 143
5.4.6 基於模糊加權核C-均值聚類的高光譜圖像分類 147
5.4.7 模糊特徵加權支援向量機 151
5.5 高光譜圖像分類演算法的性能評價 153
5.5.1 基於高斯低通濾波的最大似然分類性能評價 154
5.5.2 基於小波核函數的高光譜圖像分類性能評價 158
5.5.3 基於第二代小波融合的高光譜分類性能評價 160
5.5.4 基於特徵加權的高光譜分類性能評價 164
5.5.5 基於定制核稀疏表示的分類評價 168
5.5.6 模糊加權核C-均值聚類演算法的分類評價 173
5.5.7 模糊特徵加權支援向量機的分類評價 175
參考文獻 178
第6章 高光譜圖像半監督分類技術 181
6.1 高光譜圖像半監督分類技術概述 181
6.2 高光譜圖像基本半監督分類演算法 182
6.2.1 圖論的基礎概念 182
6.2.2 基於圖的半監督分類演算法 184
6.3 高光譜圖像半監督分類演算法 187
6.3.1 結合LLGC和LS-SVM的半監督分類演算法 187
6.3.2 引入負相似的LapSVM半監督分類 191
6.3.3 基於空-譜資訊的高光譜半監督分類演算法 196
6.3.4 基於空-譜標籤傳遞的高光譜半監督分類演算法 200
6.4 高光譜圖像半監督分類演算法的性能評價 202
6.4.1 結合LLGC和LS-SVM半監督分類演算法的性能評價 202
6.4.2 引入負相似的LapSVM半監督分類的性能評價 206
6.4.3 基於空-譜資訊的高光譜半監督分類的性能評價 211
6.4.4 基於空-譜標籤傳遞的高光譜半監督分類的性能評價 217
參考文獻 227
第7章 高光譜圖像目標匹配檢測技術 229
7.1 目標匹配檢測技術概述 229
7.2 高光譜圖像基本目標匹配檢測演算法 231
7.2.1 高光譜圖像目標匹配檢測的關鍵問題 231
7.2.2 高光譜圖像目標檢測的一般過程與評價標準 232
7.2.3 經典的高光譜圖像目標匹配檢測方法 232
7.3 高光譜圖像目標匹配檢測演算法 234
7.3.1 基於空間支援的稀疏表示目標檢測 234
7.3.2 基於StOMP演算法的HSI目標稀疏檢測 239
7.3.3 基於無監督字典的HSI目標稀疏檢測 242
7.4 高光譜圖像目標匹配檢測演算法評價 245
7.4.1 基於空間支援的稀疏表示目標檢測演算法評價 245
7.4.2 基於StOMP演算法的HSI目標稀疏檢測演算法評價 254
7.4.3 基於無監督字典的HSI目標稀疏檢測 257
參考文獻 259
第8章 高光譜圖像異常目標檢測技術 261
8.1 異常目標檢測技術概述 261
8.2 高光譜圖像異常目標檢測基本理論 265
8.3 高光譜圖像異常目標檢測演算法 268
8.3.1 基於空域濾波的核RX高光譜異常檢測演算法 268
8.3.2 自我調整核高光譜異常檢測演算法 272
8.3.3 基於光譜相似度量核的高光譜異常檢測演算法 277
8.4 高光譜圖像異常目標檢測演算法評價 281
8.4.1 基於空域濾波的核RX高光譜異常檢測演算法評價 281
8.4.2 自我調整核高光譜異常檢測演算法評價 282
8.4.3 基於光譜相似度量核的高光譜異常檢測演算法評價 284
參考文獻 289
第9章 高光譜即時目標檢測技術 292
9.1 高光譜遙感目標檢測概念及特點 292
9.1.1 目標存在形式 292
9.1.2 高光譜圖像目標檢測特點 292
9.1.3 高光譜圖像目標檢測分類 293
9.1.4 高光譜圖像目標檢測關鍵問題 293
9.2 基於圖元遞迴的高光譜即時目標檢測 295
9.2.1 Woodbury矩陣引理 296
9.2.2 基於R-RXD的遞迴即時運算元 297
9.2.3 基於K-RXD的遞迴即時運算元 298
9.2.4 演算法複雜性分析 299
9.2.5 模擬實驗結果與分析 300
9.3 採用滑動即時窗的高光譜局部即時檢測 305
9.3.1 高光譜局部異常檢測常用演算法 306
9.3.2 採用滑動即時視窗的局部異常檢測 308
9.3.3 模擬實驗結果與分析 311
9.4 基於波段遞迴更新的高光譜目標檢測演算法 315
9.4.1 分塊矩陣求逆引理 315
9.4.2 基於波段遞迴的高光譜目標檢測 316
9.4.3 模擬實驗結果與分析 319
參考文獻 321
第10章 高光譜圖像壓縮處理技術 324
10.1 高光譜壓縮處理技術概述 324
10.2 圖像壓縮品質評價標準 326
10.3 高光譜圖像壓縮處理演算法 327
10.3.1 基於目標分佈改進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 基於提升格式的圖像壓縮 332
10.3.4 基於向量量化的圖像壓縮 335
10.4 高光譜圖像壓縮性能評價 337
10.4.1 基於目標分佈的圖像壓縮性能評價 337
10.4.2 多元向量量化的圖像壓縮性能評價 343
10.4.3 基於提升格式的圖像壓縮性能評價 350
10.4.4 基於向量量化的圖像壓縮性能評價 351
參考文獻 352
第11章 高光譜圖像視覺化技術 354
11.1 視覺化技術概述 354
11.2 面向類別分析結果的視覺化方法 358
11.2.1 基於硬分類結果的資料視覺化 359
11.2.2 基於軟分類結果的自動彩色分配方法 361
11.3 高光譜圖像視覺化方法性能評價 364
11.3.1 硬分類類別彩色標籤的選擇及分配 364
11.3.2 基於光譜解混結果的視覺化結果 366
參考文獻 368
第12章 高光譜遙感應用簡介 369
12.1 高光譜遙感在農業方面的應用 369
12.1.1 農作物疾病監測、病蟲害監測以及入侵物種監測 369
12.1.2 農作物產量估計 370
12.1.3 農作物分類 370
12.2 高光譜遙感在地質領域方面的應用 370
12.2.1 高光譜礦物識別與礦物填圖 371
12.2.2 高光譜地質成因資訊探測研究 371
12.2.3 高光譜成礦預測研究 371
12.2.4 高光譜植被地化資訊探測研究 372
12.2.5 高光譜礦山環境分析研究 372
12.3 高光譜遙感在草原監測方面的應用 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 草地化學成分估測 374
12.4 高光譜遙感在森林研究方面的應用 375
12.4.1 森林調查 375
12.4.2 森林生化組成與森林健康狀態 376
12.5 高光譜遙感在海洋研究方面的應用 377
12.5.1 海洋遙感中的基礎研究 377
12.5.2 海洋與海岸帶資源環境監測中的應用研究 378
12.5.3 高光譜海洋研究國際發展相關動態 378
12.6 高光譜遙感在環境監測方面的應用 379
12.6.1 大氣污染監測 379
12.6.2 土壤侵蝕監測 379
12.6.3 水環境監測 379
12.7 高光譜遙感在減災方面的應用 380
12.7.1 乾旱 380
12.7.2 洪澇 381
12.7.3 低溫雨雪冰凍災害 381
12.7.4 火災 382
12.7.5 地質災害 383
12.7.6 生物災害 384
12.7.7 其他災害 384
參考文獻 385