搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
高光谱遥感图像智能分类与检测
0.00     定价 ¥ 198.00
图书来源: 浙江图书馆(由JD配书)
此书还可采购15本,持证读者免费借回家
  • 配送范围:
    浙江省内
  • ISBN:
    9787030783646
  • 作      者:
    赵春晖,等
  • 出 版 社 :
    科学出版社
  • 出版日期:
    2024-05-01
收藏
内容介绍
《高光谱遥感图像智能分类与检测》阐述高光谱遥感图像(可以简称为高光谱图像,也可以称为高光谱图像数据或高光谱数据)智能分类与检测的相关方法,主要内容包括高光谱遥感图像成像原理及特点,高光谱图像智能分类相关理论概述,基于机器学习、深度学习的高光谱图像分类,高光谱图像检测相关理论概述,以及高光谱图像特定目标、异常目标检测方法等内容。
展开
精彩书摘
第1章 高光谱遥感图像成像原理及特点
  1.1 高光谱遥感理论基础概述
  自然界内的所有物体在温度高于绝对零度时都会发射电磁波,并吸收或反射其他物体发射的电磁波。遥感技术就是接收、记录电磁波与地物间的相互作用随波长大小发生变化的技术。按照波长范围的不同,电磁波波谱可分为不同的波谱区间,遥感技术采用的电磁波波谱范围为紫外线到微波波段,遥感技术所用电磁波波谱图如图1-1所示。高光谱遥感是高光谱分辨率遥感的简称,可以同时获取描述地物分布的二维空间分布与描述地物光谱特征属性的一维光谱信息,可以获取包括可见光、近红外、短波红外、中红外等电磁波谱范围内的近似连续的反映地物属性的光谱特征*线,其光谱分辨率为纳米级,使得许多原本在可见光或者多光谱图像中无法获取的光谱信息能够被探测到[1]。
  1.1.1 太阳辐射基本理论
  太阳辐射的能量是遥感技术的主要能量来源,太阳辐射是指太阳以电磁波的形式向外传递能量的物理现象。地球上主要的电磁辐射是太阳辐射,太阳辐射的光学频谱,即太阳辐射谱覆盖了从X射线到无线电波的频谱范围,主要集中在0.2~10.0μm波段,其中又可以分为波长较短的紫外线、波长较长的红外线和介于二者之间的可见光三个主要波段。太阳辐射的能量主要分布在可见光与红外线(0.3~5.6μm),其中可见光的辐射能量约占太阳辐射总能量的50%,红外线的辐射能量约占太阳辐射总能量的40%。
  1.1.2 太阳辐射与物质的相互作用
  太阳辐射在传输过程中会不可避免地受到与之相关介质的相互作用,其中,主要包括太阳辐射与大气间的相互作用、太阳辐射与地物间的相互作用。下面将对二者进行简要介绍。
  太阳辐射与大气间的相互作用
  从微观组成上看,大气成分主要包含气体分子和其他微粒。气体分子以氮气(N2)和氧气(O2)为主,二者占比达到了99%,剩余部分为臭氧(O3)、二氧化碳(CO2)和其他气体(N2O、CH4、NH3等)。其他微粒主要包括烟、尘埃、小水滴和气溶胶。
  图1-1 遥感技术所用电磁波波谱图
  从宏观结构上看,大气结构,即大气层,从低到高主要包括对流层、平流层、中间层、电离层和外层。对流层位于大气层的昀底层。平流层的上层为中间层,底部为同温层(航空遥感活动层),同温层以上,温度由于臭氧层对紫外线的强吸收而逐渐升高。电离层大气中的氧气、氮气受紫外线照射而电离,对遥感波段是透明的,是陆地遥感卫星的活动空间。外层内的空气极其稀薄,对遥感卫星的活动基本没有影响。此外,基于高光谱遥感器采集的太阳辐射信号波段选择的原因,在大气宏观结构内,对高光谱遥感器影响昀大的是对流层与平流层。
  当太阳辐射穿过大气层而到达地面时,大气中的空气分子、水蒸气和尘埃等对太阳辐射的吸收、折射和散射,不仅使辐射强度减弱,还会改变辐射的方向和辐射的光谱分布。太阳辐射被大气层反射回太空的部分约占太阳总辐射的30%,被大气吸收的部分约占太阳总辐射的17%,被大气散射成为漫反射的部分约占太阳总辐射的22%,剩余部分约占太阳总辐射的31%,直射到达地球表面。海平面的太阳辐射图如图1-2所示。大气上界太阳辐射光谱*线理论上近似于5800K黑体辐射的光谱*线。但是,地球大气会在多个波段对太阳辐射进行吸收,使得海平面上太阳辐照度光谱*线变得与大气上界太阳辐照度光谱*线相差较大。
  图1-2 海平面的太阳辐射图
  太阳辐射与地物间的相互作用
  任何地物都有自身的电磁辐射规律,如反射、发射、吸收电磁波的特性,少数还有透射电磁波的特性。不同地物的反射、吸收和透射能力是不同的。地物对电磁波反射、吸收和透射能力通常利用反射率、吸收率和透射率进行定量衡量。目前,在高光谱遥感技术研究中,高光谱传感器记录的主要是地物本身发射的电磁波信息和地物对到达地表太阳辐射的反射电磁波信息。因此,地物的光谱反射率是在高光谱遥感研究中用来对地物特性进行研究的主要对象。影响地物光谱反射率的因素包括:太阳高度角和方位角、传感器的方位角和观测角、地理位置、地形、季节、大气透明度、地物本身的变异、时间推移、入射电磁波的波长,以及地物的类别、组成、结构、电磁特性和地物表面特征(质地、粗糙程度)等。
  其中,影响地物光谱反射率的主要因素包括入射电磁波的波长和地物类别。地物光谱反射率会随着入射电磁波波长的变化而变化,这种变化规律称为地物的反射光谱。地物光谱反射率随波长变化的*线称为光谱反射率*线。地物光谱特征差异是高光谱遥感技术对地物进行识别的基本原理。下面将简要介绍自然界中常见的典型地物类型的反射光谱特征。
  几种不同典型地物的光谱反射率*线图如图1-3所示。从图中可以看出,不同典型地物的光谱反射率*线存在较为明显的差异。具体地说,雪在蓝光0.5μm附近有一个反射峰,随着波长的增加,反射率逐渐降低,但在可见光的蓝绿波段反射率均较高。小麦在绿光0.74μm附近有一个反射峰,两侧的红光和蓝光有着明显的吸收,在近红外波段有强反射。沙漠在橙光0.6μm附近有一个反射峰。湿地在所有波段上的反射都较弱。因此,使用0.4~0.5μm波段的光谱反射率*线可以把雪与其他地物区分开;使用0.5~0.6μm波段的光谱反射率*线可以把沙漠和小麦、湿地区分开;使用0.7~0.9μm波段的光谱反射率*线可以把小麦和湿地区分开。
  图1-3 几种不同典型地物的光谱反射率*线图
  1.2 高光谱遥感图像成像机理与方式
  1.2.1 高光谱遥感图像成像机理
  高光谱遥感图像是由高光谱传感器获取的。高光谱传感器通常是指在400~2500nm波长范围内能够产生光谱分辨率小于10nm的成像传感器。由于高光谱传感器的光谱分辨率通常较高,在一定波长范围内对地物进行连续光谱成像,所以高光谱传感器也称为成像光谱仪。
  太阳辐射传递成像过程示意图[2]如图1-4所示。在太阳辐射从辐射源(太阳)到高光谱传感器的传输过程中,必须经历太阳—大气—地物—大气—成像光谱仪的太阳辐射信号传递过程。携带地物属性信息的太阳辐射信号到达成像光谱仪后,通过前置光学设备,被分光装置分解成不同波长、近似连续的高光谱分辨率信号。然后,由对应的光电探测器接收并转换为电信号,实现光电转换过程,昀后通过数模转换器得到原始的高光谱数据,成像光谱仪主要成像过程示意图如图1-5所示[3]。
  图1-4 太阳辐射传递成像过程示意图[2]
  1.2.2 成像光谱仪的空间成像方式
  高光谱遥感的数据成像既包含一维光谱数据成像,也包含二维空间数据成像。成像光谱仪按照空间成像方式的不同,主要分为摆扫式、推扫式、框幅式以及窗扫式等[4],常用的为摆扫式成像光谱仪和推扫式成像光谱仪。下面分别简要介绍这两种空间成像方式成像光谱仪。
  **种是摆扫式成像光谱仪。摆扫式成像光谱仪示意图如图1-6所示。摆扫式成像光谱仪由扫描镜的左右摆扫和飞行平台向前运动完成二维空间成像,其采用线阵探测器来同时获取瞬时视场像元的所有光谱维信息[5]。摆扫式成像光谱仪是逐像元成像的,其优点是:总视场范围广,像元配准好,不同波段任何时候都凝视同一像元;在每个光谱波段只有一个探测元件需要定标,增强了数据的稳定性。其不足之处在于:采用光机扫描,每个像元的凝视时间很短,严重制约了图像分辨率及信噪比的提高,而且跨轨方向扫描成像,造成跨轨方向图像边缘被压缩,且离星下点越远,压缩畸变越严重,并形成固有畸变。
  图1-5 成像光谱仪主要成像过程示意图[3]
  图1-6 摆扫式成像光谱仪示意图
  第二种是推扫式成像光谱仪。推扫式成像光谱仪采用一个垂直于运动方向的面阵探测器,在飞行平台向前运动的同时获得待测地物空间一个成像行中每个空间像元的所有光谱维信息。推扫式成像光谱仪示意图如图1-7所示。推扫式成像
展开
目录
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1
1.1 高光谱遥感理论基础概述1
1.1.1 太阳辐射基本理论1
1.1.2 太阳辐射与物质的相互作用1
1.2 高光谱遥感图像成像机理与方式5
1.2.1 高光谱遥感图像成像机理5
1.2.2 成像光谱仪的空间成像方式5
1.2.3 几种典型成像光谱仪简介7
1.3 高光谱图像数据特点与表达方式8
1.3.1 高光谱图像数据特点8
1.3.2 高光谱图像数据表达方式10
1.4 高光谱图像处理及其应用概述12
1.4.1 高光谱图像处理的具体种类12
1.4.2 高光谱图像处理的特点12
1.4.3 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22
2.1 高光谱图像分类技术概述22
2.1.1 高光谱图像分类的概念22
2.1.2 高光谱图像分类特点及面临的挑战23
2.2 高光谱图像分类基本流程24
2.2.1 图像预处理24
2.2.2 标记训练样本24
2.2.3 特征提取与特征选择24
2.2.4 分类判决25
2.2.5 分类结果和精度评价25
2.3 高光谱图像分类方法概述25
2.3.1 有监督分类、半监督分类与无监督分类25
2.3.2 高光谱图像分类方法的种类26
2.4 高光谱图像分类精度评价27
2.4.1 混淆矩阵28
2.4.2 OA与AA.28
2.4.3 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33
3.1 基于机器学习的高光谱图像**分类方法概述33
3.1.1 基于组合核的高光谱图像分类方法33
3.1.2 基于稀疏表示的高光谱图像分类方法34
3.1.3 基于随机森林的高光谱图像分类方法35
3.1.4 基于图像分割的高光谱图像分类方法36
3.1.5 基于边缘保持滤波的高光谱图像分类方法37
3.2 基于脊波和SWNN的高光谱图像融合分类方法38
3.2.1 方法原理38
3.2.2 方法流程48
3.2.3 实验结果及分析51
3.3 基于多特征融合机制的高光谱图像分类方法56
3.3.1 方法原理57
3.3.2 方法流程59
3.3.3 实验结果及分析63
3.4 基于边缘保留滤波技术的高光谱图像分类方法69
3.4.1 方法原理69
3.4.2 方法流程70
3.4.3 实验结果及分析76
3.5 基于加权谱空间的半监督高光谱图像分类方法83
3.5.1 方法原理83
3.5.2 方法流程84
3.5.3 实验结果及分析87
3.6 基于谱梯度、SVM和空间随机森林的高光谱图像分类方法94
3.6.1 方法原理94
3.6.2 方法流程95
3.6.3 实验结果及分析98
3.7 基于多尺度双边滤波器的高光谱图像分类方法106
3.7.1 方法原理106
3.7.2 方法流程106
3.7.3 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118
4.1 基于深度学习的高光谱图像**分类方法概述118
4.1.1 基于堆栈自动编码器网络的高光谱图像分类方法118
4.1.2 基于人工神经网络的高光谱图像分类方法121
4.1.3 基于深度置信网络的高光谱图像分类方法122
4.1.4 基于卷积神经网络的高光谱图像分类方法124
4.2 基于多策略融合机制和ISSARF的高光谱图像空谱分类方法126
4.2.1 方法原理126
4.2.2 方法流程133
4.2.3 实验结果及分析135
4.3 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148
4.3.1 方法原理149
4.3.2 方法流程154
4.3.3 实验结果及分析154
4.4 基于密集卷积网络和条件随机场的高光谱图像分类方法163
4.4.1 方法原理163
4.4.2 方法流程168
4.4.3 实验结果及分析168
4.5 基于密集卷积网络和域自适应的高光谱图像分类方法175
4.5.1 方法原理176
4.5.2 方法流程178
4.5.3 实验结果及分析178
4.6 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185
4.6.1 方法原理185
4.6.2 方法流程189
4.6.3 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200
5.1 高光谱图像检测的概念、具体分类及特点200
5.1.1 高光谱图像检测的概念200
5.1.2 高光谱图像检测的具体分类200
5.1.3 高光谱图像检测的特点201
5.2 高光谱图像特定目标检测理论概述201
5.2.1 高光谱图像特定目标检测的概念201
5.2.2 高光谱图像特定目标检测中存在的问题202
5.2.3 评价指标202
5.3 高光谱图像异常目标检测理论概述203
5.3.1 高光谱图像异常目标检测的概念203
5.3.2 高光谱图像异常目标检测中存在的问题205
5.3.3 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210
6.1 高光谱图像特定目标检测方法的种类210
6.2 几种**的高光谱图像特定目标检测方法212
6.2.1 正交子空间投影方法212
6.2.2 约束能量昀小化方法214
6.2.3 匹配子空间滤波方法215
6.2.4 光谱匹配滤波方法216
6.2.5 自适应子空间检测方法217
6.2.6 支持向量数据描述方法218
6.3 基于空间支持的稀疏表示目标检测方法219
6.3.1 方法原理219
6.3.2 方法流程220
6.3.3 实验结果及分析222
6.4 基于自适应子字典的稀疏表示目标检测方法228
6.4.1 方法原理228
6.4.2 方法流程229
6.4.3 实验结果及分析230
6.5 基于空谱支持流形式的多任务学习目标检测方法238
6.5.1 方法原理238
6.5.2 方法流程239
6.5.3 实验结果及分析242
6.6 基于概率图的多任务学习目标检测方法256
6.6.1 方法原理256
6.6.2 方法流程258
6.6.3 实验结果及分析261
6.7 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268
6.7.1 方法原理268
6.7.2 方法流程271
6.7.3 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289
7.1 高光谱图像异常目标检测方法的种类289
7.1.1 基于统计模型的异常目标检测方法289
7.1.2 基于稀疏表示理论的异常目标检测方法290
7.1.3 基于深度学习的异常目标检测方法291
7.1.4 基于空谱联合的异常目标检测方法292
7.2 几种典型的高光谱图像异常目标检测方法292
7.2.1 RX方法293
7.2.2 基于稀疏表示理论的高光谱图像异常目标检测方法294
7.2.3 基于协同表示的高光谱图像异常目标检测方法295
7.2.4 基于低秩稀疏矩阵分解的高光谱图像异常目标检测方法297
7.3 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298
7.3.1 方法原理299
7.3.2 方法流程304
7.3.3 实验结果及分析304
7.4 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320
7.4.1 方法原理320
7.4.2 方法流程324
7.4.3 实验结果及分析324
7.5 基于张量分解的高光谱图像异常目标检测方法331
7.5.1 方法原理331
7.5.2 方法流程334
7.5.3 实验结果及分析334
7.6 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342
7.6.1 方法原理342
7.6.2 方法流程344
7.6.3 实验结果及分析345
7.7 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355
7.7.1 方法原理355
7.7.2 方法流程357
7.7.3 实验结果及分析358
参考文献367
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证