随着成像光谱技术及遥感处理技术的不断发展，高光谱遥感数据被广泛应用于各个领域。与多光谱图像相比，高光谱成像光谱仪能够在较宽的波谱范围内，利用狭窄的光谱间隔成像，得到上百幅通道、波段连续的图像，每个像素均可提取一条完整的高分辨率光谱曲线，使得许多原本在多光谱图像中无法发现的地物特征得以被探测。本书简要介绍了高光谱遥感图像的成像原理和图像特点，主要分析了各种高光谱图像处理技术在使用中遇到的问题，并提出了相应的处理方法；论述内容主要包括高光谱遥感的特征选择，高光谱遥感的端元选择，混合光谱理论与光谱解混，高光谱图像的监督分类和半监督分类，高光谱图像的匹配目标检测、异常目标检测以及实时目标检测，高光谱数据压缩技术和可视化技术，*后概括地介绍了高光谱遥感图像在各个领域的应用。本书包括了著者多年来取得的科研成果，可以使读者比较全面地了解高光谱图像处理的各个领域以及*新研究进展。
第1章 高光谱遥感的理论基础 1
1．1 高光谱遥感概述 1
1．2 高光谱遥感成像机理 5
1．3 高光谱遥感图像的特点 8
1．4 高光谱遥感图像数据表达 9
1．5 高光谱遥感与多光谱遥感的联系与区别 10
参考文献 11
第2章 高光谱图像特征提取技术 12
2．1 特征提取技术概述 12
2．2 高光谱图像基本特征提取算法 16
2．2．1 主成分分析 16
2．2．2 线性判别分析 17
2．2．3 基于核的非线性特征提取算法 18
2．2．4 基于流形学习的非监督特征提取算法 18
2．2．5 F-分值特征提取方法 22
2．2．6 递归特征消除方法 22
2．2．7 最小噪声分数 23
2．2．8 独立成分分析 24
2．3 高光谱图像波段提取算法 25
2．3．1 半监督局部稀疏嵌入特征提取算法 25
2．3．2 基于全局和局部流形结构的特征提取算法 27
2．3．3 结合遗传算法和蚁群算法的特征提取算法 29
2．3．4 高光谱图像蒙特卡罗特征提取算法 31
2．4 高光谱图像波段提取算法性能评价 34
2．4．1 半监督局部稀疏嵌入特征提取算法的性能评价 35
2．4．2 基于全局和局部流形结构的特征提取算法的性能评价 38
2．4．3 结合遗传算法和蚁群算法的特征提取算法的性能评价 41
2．4．4 高光谱图像蒙特卡罗特征提取算法的性能评价 46
参考文献 48
第3章 高光谱图像端元提取技术 49
3．1 端元提取技术概述 49
3．2 高光谱图像基本端元提取方法 49
3．2．1 N-FINDR端元提取算法 49
3．2．2 纯像素索引法 50
3．2．3 凸锥分析 51
3．2．4 迭代误差分析 52
3．2．5 ORASIS算法 52
3．2．6 自动形态学端元提取算法 52
3．2．7 顶点成分分析法 54
3．3 高光谱图像端元提取算法 55
3．3．1 改进的N-FINDR高光谱端元提取算法 55
3．3．2 改进的IEA端元提取算法 58
3．4 高光谱图像端元提取方法的性能评价 60
3．4．1 改进的N-FINDR高光谱端元提取算法的性能评价 60
3．4．2 改进的IEA端元提取算法的性能评价 61
参考文献 65
第4章 高光谱图像光谱解混技术 66
4．1 光谱解混技术概述 66
4．2 高光谱图像基本光谱解混算法 68
4．2．1 线性光谱混合模型 68
4．2．2 丰度反演算法 69
4．2．3 解混误差理论分析 70
4．2．4 解决端元可变问题算法 72
4．2．5 光谱解混精度评价 76
4．3 高光谱图像光谱解混算法 77
4．3．1 基于正交子空间投影的多端元高光谱解混算法 77
4．3．2 基于分层的多端元高光谱解混算法 79
4．3．3 基于全约束OMP的多端元高光谱解混算法 81
4．3．4 基于稀疏表示的高光谱解混算法 83
4．3．5 改进的OMP高光谱稀疏解混算法 87
4．3．6 自适应稀疏度的OMP高光谱稀疏解混算法 90
4．4 高光谱图像光谱解混算法评价 91
4．4．1 基于OSP的多端元高光谱解混算法评价 91
4．4．2 基于分层的多端元高光谱解混算法评价 95
4．4．3 基于全约束OMP的多端元高光谱解混算法评价 100
4．4．4 基于稀疏表示的高光谱解混算法评价 103
4．4．5 改进的OMP高光谱稀疏解混算法评价 105
4．4．6 自适应稀疏度的OMP高光谱稀疏解混算法评价 110
参考文献 112
第5章 高光谱图像监督分类技术 114
5．1 高光谱图像分类技术概述 114
5．2 高光谱图像基本分类算法 116
5．2．1 光谱角匹配 116
5．2．2 最大似然分类 117
5．2．3 Fisher判别分析 117
5．2．4 支持向量机分类器 118
5．2．5 相关向量机分类器 126
5．3 高光谱图像分类的评价准则 128
5．4 高光谱图像分类算法 129
5．4．1 基于高斯低通滤波的最大似然分类 129
5．4．2 基于小波核函数的高光谱图像分类 131
5．4．3 基于第二代小波融合的高光谱图像分类 134
5．4．4 基于特征加权的高光谱图像分类 141
5．4．5 基于定制核稀疏表示的高光谱图像分类 143
5．4．6 基于模糊加权核C-均值聚类的高光谱图像分类 147
5．4．7 模糊特征加权支持向量机 151
5．5 高光谱图像分类算法的性能评价 153
5．5．1 基于高斯低通滤波的最大似然分类性能评价 154
5．5．2 基于小波核函数的高光谱图像分类性能评价 158
5．5．3 基于第二代小波融合的高光谱分类性能评价 160
5．5．4 基于特征加权的高光谱分类性能评价 164
5．5．5 基于定制核稀疏表示的分类评价 168
5．5．6 模糊加权核C-均值聚类算法的分类评价 173
5．5．7 模糊特征加权支持向量机的分类评价 175
参考文献 178
第6章 高光谱图像半监督分类技术 181
6．1 高光谱图像半监督分类技术概述 181
6．2 高光谱图像基本半监督分类算法 182
6．2．1 图论的基础概念 182
6．2．2 基于图的半监督分类算法 184
6．3 高光谱图像半监督分类算法 187
6．3．1 结合LLGC和LS-SVM的半监督分类算法 187
6．3．2 引入负相似的LapSVM半监督分类 191
6．3．3 基于空-谱信息的高光谱半监督分类算法 196
6．3．4 基于空-谱标签传递的高光谱半监督分类算法 200
6．4 高光谱图像半监督分类算法的性能评价 202
6．4．1 结合LLGC和LS-SVM半监督分类算法的性能评价 202
6．4．2 引入负相似的LapSVM半监督分类的性能评价 206
6．4．3 基于空-谱信息的高光谱半监督分类的性能评价 211
6．4．4 基于空-谱标签传递的高光谱半监督分类的性能评价 217
参考文献 227
第7章 高光谱图像目标匹配检测技术 229
7．1 目标匹配检测技术概述 229
7．2 高光谱图像基本目标匹配检测算法 231
7．2．1 高光谱图像目标匹配检测的关键问题 231
7．2．2 高光谱图像目标检测的一般过程与评价标准 232
7．2．3 经典的高光谱图像目标匹配检测方法 232
7．3 高光谱图像目标匹配检测算法 234
7．3．1 基于空间支持的稀疏表示目标检测 234
7．3．2 基于StOMP算法的HSI目标稀疏检测 239
7．3．3 基于无监督字典的HSI目标稀疏检测 242
7．4 高光谱图像目标匹配检测算法评价 245
7．4．1 基于空间支持的稀疏表示目标检测算法评价 245
7．4．2 基于StOMP算法的HSI目标稀疏检测算法评价 254
7．4．3 基于无监督字典的HSI目标稀疏检测 257
参考文献 259
第8章 高光谱图像异常目标检测技术 261
8．1 异常目标检测技术概述 261
8．2 高光谱图像异常目标检测基本理论 265
8．3 高光谱图像异常目标检测算法 268
8．3．1 基于空域滤波的核RX高光谱异常检测算法 268
8．3．2 自适应核高光谱异常检测算法 272
8．3．3 基于光谱相似度量核的高光谱异常检测算法 277
8．4 高光谱图像异常目标检测算法评价 281
8．4．1 基于空域滤波的核RX高光谱异常检测算法评价 281
8．4．2 自适应核高光谱异常检测算法评价 282
8．4．3 基于光谱相似度量核的高光谱异常检测算法评价 284
参考文献 289
第9章 高光谱实时目标检测技术 292
9．1 高光谱遥感目标检测概念及特点 292
9．1．1 目标存在形式 292
9．1．2 高光谱图像目标检测特点 292
9．1．3 高光谱图像目标检测分类 293
9．1．4 高光谱图像目标检测关键问题 293
9．2 基于像素递归的高光谱实时目标检测 295
9．2．1 Woodbury矩阵引理 296
9．2．2 基于R-RXD的递归实时算子 297
9．2．3 基于K-RXD的递归实时算子 298
9．2．4 算法复杂性分析 299
9．2．5 仿真实验结果与分析 300
9．3 采用滑动实时窗的高光谱局部实时检测 305
9．3．1 高光谱局部异常检测常用算法 306
9．3．2 采用滑动实时窗口的局部异常检测 308
9．3．3 仿真实验结果与分析 311
9．4 基于波段递归更新的高光谱目标检测算法 315
9．4．1 分块矩阵求逆引理 315
9．4．2 基于波段递归的高光谱目标检测 316
9．4．3 仿真实验结果与分析 319
参考文献 321
第10章 高光谱图像压缩处理技术 324
10．1 高光谱压缩处理技术概述 324
10．2 图像压缩质量评价标准 326
10．3 高光谱图像压缩处理算法 327
10．3．1 基于目标分布改进DCT的图像压缩 327
10．3．2 多元向量量化的图像压缩 329
10．3．3 基于提升格式的图像压缩 332
10．3．4 基于向量量化的图像压缩 335
10．4 高光谱图像压缩性能评价 337
10．4．1 基于目标分布的图像压缩性能评价 337
10．4．2 多元向量量化的图像压缩性能评价 343
10．4．3 基于提升格式的图像压缩性能评价 350
10．4．4 基于向量量化的图像压缩性能评价 351
参考文献 352
第11章 高光谱图像可视化技术 354
11．1 可视化技术概述 354
11．2 面向类别分析结果的可视化方法 358
11．2．1 基于硬分类结果的数据可视化 359
11．2．2 基于软分类结果的自动彩色分配方法 361
11．3 高光谱图像可视化方法性能评价 364
11．3．1 硬分类类别彩色标签的选择及分配 364
11．3．2 基于光谱解混结果的可视化结果 366
参考文献 368
第12章 高光谱遥感应用简介 369
12．1 高光谱遥感在农业方面的应用 369
12．1．1 农作物疾病监测、病虫害监测以及入侵物种监测 369
12．1．2 农作物产量估计 370
12．1．3 农作物分类 370
12．2 高光谱遥感在地质领域方面的应用 370
12．2．1 高光谱矿物识别与矿物填图 371
12．2．2 高光谱地质成因信息探测研究 371
12．2．3 高光谱成矿预测研究 371
12．2．4 高光谱植被地化信息探测研究 372
12．2．5 高光谱矿山环境分析研究 372
12．3 高光谱遥感在草原监测方面的应用 372
12．3．1 草地生物量估算 373
12．3．2 草地种类识别 374
12．3．3 草地化学成分估测 374
12．4 高光谱遥感在森林研究方面的应用 375
12．4．1 森林调查 375
12．4．2 森林生化组成与森林健康状态 376
12．5 高光谱遥感在海洋研究方面的应用 377
12．5．1 海洋遥感中的基础研究 377
12．5．2 海洋与海岸带资源环境监测中的应用研究 378
12．5．3 高光谱海洋研究国际发展相关动态 378
12．6 高光谱遥感在环境监测方面的应用 379
12．6．1 大气污染监测 379
12．6．2 土壤侵蚀监测 379
12．6．3 水环境监测 379
12．7 高光谱遥感在减灾方面的应用 380
12．7．1 干旱 380
12．7．2 洪涝 381
12．7．3 低温雨雪冰冻灾害 381
12．7．4 火灾 382
12．7．5 地质灾害 383
12．7．6 生物灾害 384
12．7．7 其他灾害 384
参考文献 385
