高光谱影像分析及可视化技术电子书

内容简介

前言

第1章 高光谱遥感的基本理论及高光谱影像处理技术简介

1.1 高光谱遥感的基本理论

1.1.1 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 高光谱成像技术及高光谱成像仪

1.1.4 高光谱影像的数据特点

1.2 高光谱影像的分类

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

1.3 高光谱影像的光谱解混

1.3.1 非线性光谱混合模型

1.3.2 线性光谱混合模型

1.3.3 线性光谱混合模型的多端元模式

1.4 高光谱影像的亚像元定位

1.4.1 先初始化后优化的亚像元定位方法

1.4.2 软硬属性转换的亚像元定位方法

1.4.3 其他类型的亚像元定位方法

1.5 高光谱影像的异常检测与变化检测

1.5.1 高光谱影像的异常检测

1.5.2 高光谱影像的变化检测

1.6 高光谱影像的彩色可视化

1.6.1 高光谱影像的特点及传统显示空间

1.6.2 图像空间的常用彩色可视化技术

1.6.3 提取三波段的彩色可视化技术

1.6.4 基于原始高光谱影像的彩色可视化技术

1.6.5 基于像元分析结果的彩色可视化技术

参考文献

第2章 高光谱影像的分类方法

2.1 SVM分类方法

2.1.1 理论基础

2.1.2 分类原理

2.1.3 SVM分类性能评价

2.2 非平行SVM分类方法

2.2.1 添加额外经验风险最小化的非平行SVM分类方法

2.2.2 添加约束偏置项的额外经验风险最小化非平行SVM分类方法

2.2.3 最小二乘的约束偏置额外经验风险最小化非平行SVM分类方法

2.2.4 非平行SVM分类方法的分类性能评价

2.3 深度学习分类方法

2.3.1 正则化光谱空间全局学习框架

2.3.2 统计损失

2.3.3 早期停止策略

2.3.4 深度学习分类方法性能评价

2.4 本章小结

参考文献

第3章 高光谱影像的光谱解混方法

3.1 基于LSMM的解混方法

3.2 全约束LSMM的几何求解方法

3.2.1 方法的建立

3.2.2 快速方法：距离尺度替换体积尺度

3.3 基于LSVM的解混原理

3.3.1 LSVM与LSMM的等效性证明

3.3.2 LSVM的独特优势

3.3.3 带解混残差约束条件的LSSVM解混方法

3.4 基于最小二乘孪生支持向量机的高光谱影像解混方法

3.4.1 最小二乘孪生支持向量机基础理论

3.4.2 最小二乘孪生支持向量机解混方法

3.5 最小二乘孪生支持向量机解混的不确定性分析

3.5.1 相关基础理论

3.5.2 ULSTSVM中的端元光谱可变性

3.5.3 两种不确定性模型：丰度重叠和模型重叠

3.5.4 ULSTSVM不确定性的计算分析相关算法

3.5.5 ULSTSVM中的不确定性处理

3.5.6 最小二乘孪生支持向量机解混的性能评估及不确定性分析实验

3.6 解混的模糊精度评价方法

3.6.1 模糊精度评价方法

3.6.2 模糊精度评价方法在具体实验中的应用

3.7 本章小结

参考文献

第4章 高光谱影像的亚像元定位方法

4.1 亚像元定位方法的基本原理及评价方法

4.1.1 亚像元锐化方法

4.1.2 类别分配方法

4.1.3 亚像元定位精度的评价方法

4.2 基于更多监督信息Hopfield神经网络的亚像元定位方法

4.2.1 传统的基于Hopfield神经网络的亚像元定位方法

4.2.2 I-HNN

4.2.3 性能评价

4.3 基于具有空-谱信息的多位移图像亚像元定位方法

4.3.1 MSI-SS

4.3.2 性能评价

4.4 基于并行处理路径的高光谱影像亚像元定位方法

4.4.1 融合路径

4.4.2 深度学习路径

4.4.3 DPP

4.4.4 性能评价

4.5 本章小结

参考文献

第5章 高光谱影像的异常检测与变化检测方法

5.1 基于加权核范数、全变分正则化和稀疏背景字典的异常检测方法

5.1.1 LRSMD的理论基础

5.1.2 加权核范数和全变分正则化

5.1.3 稀疏背景字典构造方法

5.1.4 WNNSDAD

5.2 基于局部空-谱信息整合的半监督双流网络的异常检测方法

5.2.1 背景训练样本的提取

5.2.2 LS3T-Net

5.3 基于残差自注意力模块自动编码器网络的异常检测方法

5.3.1 自动编码器网络

5.3.2 残差网络（ResNet）

5.3.3 残差自注意力（RSA）模块

5.3.4 基于残差自注意力模块的自动编码器（RSAAE）网络

5.4 基于多尺度中心差分卷积网络的异常检测方法

5.4.1 中心差分卷积

5.4.2 MSCDC网络结构

5.5 异常检测方法性能评价

5.5.1 异常检测方法的评价指标

5.5.2 WNNSDAD的性能评价

5.5.3 LS3T-Net的性能评价

5.5.4 RSAAE的性能评价

5.5.5 MSCDC的性能评价

5.6 基于空-谱注意力机制孪生网络的变化检测方法

5.6.1 网络结构

5.6.2 孪生网络

5.6.3 空-谱注意力机制

5.6.4 加权对比损失函数

5.7 基于残差自校准网络的变化检测方法

5.7.1 网络结构

5.7.2 改进的残差网络

5.7.3 自校准卷积

5.7.4 残差自校准模块

5.8 高光谱影像变化检测方法的性能评价

5.8.1 SSA-SiamNet的性能评价

5.8.2 RSCNet的性能评价

5.9 本章小结

参考文献

第6章 高光谱影像的彩色可视化方法

6.1 高光谱影像彩色可视化评价标准

6.1.1 无监督数据的彩色可视化客观评价标准

6.1.2 有监督数据的彩色可视化客观评价标准

6.1.3 其他评价标准

6.2 面向像元分析结果的彩色可视化方法

6.2.1 面向硬分类结果的彩色可视化方法

6.2.2 面向软分类结果的彩色可视化方法

6.3 面向原始高光谱影像的彩色可视化方法

6.3.1 面向类别的有监督流形彩色可视化方法

6.3.2 快速动态彩色可视化方法

6.3.3 交互式多图像彩色可视化方法

6.4 高光谱影像的多级彩色可视化方法

6.5 本章小结

参考文献

附录A 著者主要相关文章