目 錄
第1章　高光譜遙感的基本理論及高光譜影像處理技術(shù)簡介 1
1.1　高光譜遙感的基本理論 1
1.1.1　電磁波理論基礎(chǔ) 1
1.1.2　太陽輻射與物質(zhì)的相互作用 2
1.1.3　高光譜成像技術(shù)及高光譜成像儀 2
1.1.4　高光譜影像的數(shù)據(jù)特點 4
1.2　高光譜影像的分類 4
1.2.1　監(jiān)督分類與非監(jiān)督分類 5
1.2.2　參數(shù)分類與非參數(shù)分類 6
1.2.3　確定性分類與非確定性分類 8
1.2.4　其他分類 8
1.3　高光譜影像的光譜解混 9
1.3.1　非線性光譜混合模型 10
1.3.2　線性光譜混合模型 10
1.3.3　線性光譜混合模型的多端元模式 13
1.4　高光譜影像的亞像元定位 15
1.4.1　先初始化后優(yōu)化的亞像元定位方法 16
1.4.2　軟硬屬性轉(zhuǎn)換的亞像元定位方法 16
1.4.3　其他類型的亞像元定位方法 18
1.5　高光譜影像的異常檢測與變化檢測 19
1.5.1　高光譜影像的異常檢測 19
1.5.2　高光譜影像的變化檢測 22
1.6　高光譜影像的彩色可視化 25
1.6.1　高光譜影像的特點及傳統(tǒng)顯示空間 25
1.6.2　圖像空間的常用彩色可視化技術(shù) 26
1.6.3　提取三波段的彩色可視化技術(shù) 27
1.6.4　基于原始高光譜影像的彩色可視化技術(shù) 27
1.6.5　基于像元分析結(jié)果的彩色可視化技術(shù) 29
參考文獻 30
第2章 高光譜影像的分類方法 32
2.1 SVM分類方法 32
2.1.1 理論基礎(chǔ) 32
2.1.2 分類原理 34
2.1.3 SVM分類性能評價 38
2.2 非平行SVM分類方法 41
2.2.1 添加額外經(jīng)驗風(fēng)險最小化的非平行SVM分類方法 41
2.2.2 添加約束偏置項的額外經(jīng)驗風(fēng)險最小化非平行SVM分類方法 44
2.2.3 最小二乘的約束偏置額外經(jīng)驗風(fēng)險最小化非平行SVM分類方法 46
2.2.4 非平行SVM分類方法的分類性能評價 48
2.3 深度學(xué)習(xí)分類方法 50
2.3.1 正則化光譜空間全局學(xué)習(xí)框架 52
2.3.2 統(tǒng)計損失 56
2.3.3 早期停止策略 57
2.3.4 深度學(xué)習(xí)分類方法性能評價 58
2.4 本章小結(jié) 61
參考文獻 62
第3章 高光譜影像的光譜解混方法 64
3.1 基于LSMM的解混方法 64
3.2 全約束LSMM的幾何求解方法 66
3.2.1 方法的建立 66
3.2.2 快速方法：距離尺度替換體積尺度 68
3.3 基于LSVM的解混原理 70
3.3.1 LSVM與LSMM的等效性證明 70
3.3.2 LSVM的獨特優(yōu)勢 71
3.3.3 帶解混殘差約束條件的LSSVM解混方法 71
3.4 基于最小二乘孿生支持向量機的高光譜影像解混方法 77
3.4.1 最小二乘孿生支持向量機基礎(chǔ)理論 77
3.4.2 最小二乘孿生支持向量機解混方法 80
3.5 最小二乘孿生支持向量機解混的不確定性分析 81
3.5.1 相關(guān)基礎(chǔ)理論 81
3.5.2 ULSTSVM中的端元光譜可變性 82
3.5.3 兩種不確定性模型：豐度重疊和模型重疊 83
3.5.4 ULSTSVM不確定性的計算分析相關(guān)算法 87
3.5.5 ULSTSVM中的不確定性處理 88
3.5.6 最小二乘孿生支持向量機解混的性能評估及不確定性分析實驗 89
3.6 解混的模糊精度評價方法 102
3.6.1 模糊精度評價方法 102
3.6.2 模糊精度評價方法在具體實驗中的應(yīng)用 103
3.7 本章小結(jié) 107
參考文獻 108
第4章 高光譜影像的亞像元定位方法 110
4.1 亞像元定位方法的基本原理及評價方法 110
4.1.1 亞像元銳化方法 110
4.1.2 類別分配方法 112
4.1.3 亞像元定位精度的評價方法 114
4.2 基于更多監(jiān)督信息Hopfield神經(jīng)網(wǎng)絡(luò)的亞像元定位方法 116
4.2.1 傳統(tǒng)的基于Hopfield神經(jīng)網(wǎng)絡(luò)的亞像元定位方法 117
4.2.2 I-HNN 118
4.2.3 性能評價 119
4.3 基于具有空-譜信息的多位移圖像亞像元定位方法 121
4.3.1 MSI-SS 122
4.3.2 性能評價 124
4.4 基于并行處理路徑的高光譜影像亞像元定位方法 130
4.4.1 融合路徑 130
4.4.2 深度學(xué)習(xí)路徑 131
4.4.3 DPP 132
4.4.4 性能評價 134
4.5 本章小結(jié) 142
參考文獻 142
第5章 高光譜影像的異常檢測與變化檢測方法 145
5.1 基于加權(quán)核范數(shù)、全變分正則化和稀疏背景字典的異常檢測方法 145
5.1.1 LRSMD的理論基礎(chǔ) 146
5.1.2 加權(quán)核范數(shù)和全變分正則化 146
5.1.3 稀疏背景字典構(gòu)造方法 147
5.1.4 WNNSDAD 147
5.2 基于局部空-譜信息整合的半監(jiān)督雙流網(wǎng)絡(luò)的異常檢測方法 149
5.2.1 背景訓(xùn)練樣本的提取 149
5.2.2 LS3T-Net 150
5.3 基于殘差自注意力模塊自動編碼器網(wǎng)絡(luò)的異常檢測方法 153
5.3.1 自動編碼器網(wǎng)絡(luò) 154
5.3.2 殘差網(wǎng)絡(luò)（ResNet） 154
5.3.3 殘差自注意力（RSA）模塊 154
5.3.4 基于殘差自注意力模塊的自動編碼器（RSAAE）網(wǎng)絡(luò) 155
5.4 基于多尺度中心差分卷積網(wǎng)絡(luò)的異常檢測方法 157
5.4.1 中心差分卷積 157
5.4.2 MSCDC網(wǎng)絡(luò)結(jié)構(gòu) 158
5.5 異常檢測方法性能評價 160
5.5.1 異常檢測方法的評價指標 160
5.5.2 WNNSDAD的性能評價 160
5.5.3 LS3T-Net的性能評價 162
5.5.4 RSAAE的性能評價 164
5.5.5 MSCDC的性能評價 166
5.6 基于空-譜注意力機制孿生網(wǎng)絡(luò)的變化檢測方法 168
5.6.1 網(wǎng)絡(luò)結(jié)構(gòu) 168
5.6.2 孿生網(wǎng)絡(luò) 169
5.6.3 空-譜注意力機制 170
5.6.4 加權(quán)對比損失函數(shù) 171
5.7 基于殘差自校準網(wǎng)絡(luò)的變化檢測方法 172
5.7.1 網(wǎng)絡(luò)結(jié)構(gòu) 173
5.7.2 改進的殘差網(wǎng)絡(luò) 173
5.7.3 自校準卷積 174
5.7.4 殘差自校準模塊 175
5.8 高光譜影像變化檢測方法的性能評價 176
5.8.1 SSA-SiamNet的性能評價 176
5.8.2 RSCNet的性能評價 177
5.9 本章小結(jié) 178
參考文獻 179
第6章 高光譜影像的彩色可視化方法 181
6.1 高光譜影像彩色可視化評價標準 181
6.1.1 無監(jiān)督數(shù)據(jù)的彩色可視化客觀評價標準 181
6.1.2 有監(jiān)督數(shù)據(jù)的彩色可視化客觀評價標準 182
6.1.3 其他評價標準 183
6.2 面向像元分析結(jié)果的彩色可視化方法 183
6.2.1 面向硬分類結(jié)果的彩色可視化方法 184
6.2.2 面向軟分類結(jié)果的彩色可視化方法 186
6.3 面向原始高光譜影像的彩色可視化方法 191
6.3.1 面向類別的有監(jiān)督流形彩色可視化方法 191
6.3.2 快速動態(tài)彩色可視化方法 194
6.3.3 交互式多圖像彩色可視化方法 195
6.4 高光譜影像的多級彩色可視化方法 197
6.5 本章小結(jié) 198
參考文獻 199
附錄A 著者主要相關(guān)文章 201