随着航空航天高光谱遥感技术的发展，高光谱遥感数据也越来越普及并为人们广泛使用。高光谱图像处理的一个重要特点就是从光谱维去理解地物在空间维的特性、展布与变化。其中，基于高光谱数据的地物精细分类和目标探测始终是高光谱遥感技术应用的核心内容之一。《高光谱图像分类与目标探测》简要介绍了高光谱遥感原理和图像特点，分析高光谱图像处理所涉及的图像噪声评估、数据降维以及混合像元分解等关键问题，在此基础上系统总结国内外在高光谱图像分类与目标探测领域的经典算法，其中包括作者多年的科研成果，使读者能够比较全面地了解高光谱图像分类与目标探测的基本原理、方法和最新进展。
　　《高光谱图像分类与目标探测》可以作为从事高光谱遥感应用研究的科研人员的专业书，也可以作为地图学与地理信息系统、信号与信息处理等相关专业人员的辅修参考书。

　　第1章　高光谱遥感原理及图像特点
　　高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术，同时探测目标的二维几何空间与一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。高光谱遥感成像技术是20世纪80年代初在多光谱遥感成像技术基础上发展而来，高光谱遥感的出现可以称得上是遥感技术的一场革命。它使原本在多光谱遥感中无法有效探测的地物得以探测。高光谱遥感数据的光谱分辨率高达10-2λ数量级，在可见光到短波红外波段范围内光谱分辨率为纳米（nm）级，光谱波段数多达数十个甚至数百个以上，各光谱波段间通常连续，因此高光谱遥感通常又被称为成像光谱遥感（童庆禧等，2006）。
　　1.1　高光谱遥感理论基础
　　所有物体在绝对零度以上都会吸收、反射和发射电磁波，高光谱遥感通过接收、记录电磁波与不同物体相互作用后的高光谱分辨率的辐射信号，分析处理得到丰富的专题信息。在不同的电磁波谱段，遥感器所应用的电磁波辐射源不同，与地物、大气间发生的相互作用、辐射信号传输过程也有所不同，太阳辐射谱段情况。
　　太阳辐射谱段遥感器成像过程主要包括以下几个部分：太阳辐射穿过大气到达地表，在该过程中太阳辐射与大气发生散射、吸收等作用，辐射信号被地物反射（地物的方向和光谱反射特性使辐射信号在空间和光谱分布发生变化）后，再次穿过大气到达遥感器，遥感器入瞳光谱辐亮度通过前置光学系统，并被空间成像、光谱分光，最后到达探测器，通过光电转换及模数转换，记录为原始的DN值图像数据。
　　1.1.1　太阳辐射
　　地球上的电磁辐射主要来自于太阳，太阳辐射光谱从X射线一直延伸到无线电波，但太阳辐射的大部分能量集中于近紫外中红外（0.31～5.6μm）范围，其中可见光占
　　43.5%，近红外占36.8%。
　　当太阳辐射穿过大气层到达地面时，部分被大气层反射回太空（约30%），部分被大气吸收（约17%），部分被散射成为漫辐射到达地表（约22%）；只有约31%的太阳辐射作为直射太阳辐射到达地球表面，这部分电磁辐射有一部分被地表反射，剩余的部分被地物吸收。由于大气影响使得原本近似于5900K黑体辐射的太阳辐照度光谱曲线变得非常复杂，存在多个吸收通道。
　　1.1.2　电磁波与地物的相互作用
　　太阳辐射到达地表后，自然界中的地物以其固有的特性发生反射、吸收和透射三种基本的相互作用，其中反射辐射穿过大气被遥感器接受与记录，反射光谱（0.4～2.5μm）已成为人们获得地物信息的重要组成部分。物体的光谱反射率随波长变化的曲线称为光谱反射率曲线，其形状反映了地物的反射光谱特征。影响地物反射率的因素包括地物类别、组成、结构、电学性质（电导、介电、磁学性质）及其表面特征（粗糙度、质地）等因素。因此，任何物体的反射光谱都蕴涵着自身本质信息，这是基于地物反射光谱特征进行物质识别与反演研究的物理基础。本小节将详细地论述自然界中典型地物类型的反射光谱特征、产生机理及影响因素。
　　1.植被的反射光谱特性
　　植被叶片的光谱反射特性是由其化学和形态学特征决定，这种特征与植被的发育、健康状况以及生长条件密切相关（Boochs et al.，1990），典型植物叶片光谱反射率曲线主要是由叶绿素、水和其他生物化学成分对光线吸收形成。与土壤、水体等其他典型地物相比，绿色植被的光谱反射率具有明显的光谱特征。
　　在可见光波段，叶片光谱特性受各种色素影响，其中叶绿素起主要作用。叶绿素在以0.45μm和0.65μm为中心的蓝、红两个谱段内吸收大部分入射能量（Gates et al.，1965），在这两个叶绿素吸收谷间即0.54μm附近形成一个反射峰，使得叶片呈现绿色。叶红素和叶黄素（两种黄颜色的色素）在0.45μm附近也存在一个吸收带，但被叶绿素的吸收带所掩盖。当叶片受到某种胁迫使其叶绿素含量降低时，叶绿素在蓝、红波段的反射率升高，特别是红波区域，使得植物看上去呈淡黄色。当植物衰老时，由于叶绿素逐渐消失，叶红素和叶黄素开始起主导作用，这就是秋季植物叶子变黄的主要原因（Davis et al.，1978）。
　　在近红外波段，植物光谱特性主要取决于叶片内部构造（Gates et al.，1965；Knipling，1967），叶片的反射率与透射率都很高（各占45%～50%），吸收率低（小于5%）（Davis et al.，1978）。在红波段与近红外波段间反射率急剧上升，形成所谓的“红边”，这是植物光谱反射率最明显的特征，也是植被遥感中最为重要的谱段范围（Miller et al.，1990；1991）。
　　在短波红外波段，绿色植物的光谱特性主要取决于叶片的总含水量，1.4μm、1.9μm和2.7μm是水吸收带，受大气水汽吸收影响，该谱段通常不被应用。而0.96μm
　　和1.1μm处水的吸收带强度虽小，但多层叶片时，对反射率存在显著影响（Davis etal.，1978）。
　　2.土壤的反射光谱特性
　　从图1.3可以看出，土壤光谱反射率总体呈现随波长变大而升高的趋势，在可见光与近红外谱段尤为明显。土壤的光谱特性由土壤本身性质决定，但土壤是一种复杂的混合物，具有极其复杂的多孔体系，由不同含量的矿物质、水分、气体和土壤有机质组成，影响土壤光谱反射特性的主要因素包括土壤的有机质、氧化铁和水分含量以及土壤质地和母质等（刘伟东，2002）。由于土壤光谱特性情况非常复杂，多种影响因素密切相关，在具体研究中，需要对土壤内在与外在特性及各种影响因素进行综合分析。
　　……

序
前言
第1章 高光谱遥感原理及图像特点
1.1 高光谱遥感理论基础
1.1.1 太阳辐射
1.1.2 电磁波与地物的相互作用
1.1.3 电磁辐射与大气的相互作用
1.2 高光谱遥感成像技术
1.2.1 光谱分光
1.2.2 空间成像
1.2.3 探测器
1.3 高光谱图像处理与分析的特点
1.3.1 高光谱图像分析的核心是光谱分析
1.3.2 高光谱图像分析是一种定量化分析
1.3.3 特征选择与提取对海量高光谱数据处理尤为重要
1.3.4 混合像元是高光谱图像处理面临的一个重要问题
参考文献
第2章 高光谱图像噪声评估与数据降维
2.1 高光谱图像噪声评估的常用方法
2.1.1 均匀区域法
2.1.2 地学统计法
2.1.3 局部均值与局部标准差法
2.1.4 空间/光谱维去相关法
2.2 高光谱图像噪声评估方法优化
2.2.1 基于均匀块局部标准差的方法
2.2.2 基于残差调整的局部均值与局部标准差法
2.2.3 基于均匀区域划分的噪声评估方法
2.3 高光谱图像数据降维的常用方法
2.3.1 主成分分析
2.3.2 最小/最大自相关因子分析
2.3.3 最大噪声分数
2.3.4 噪声调整的主成分分析
2.3.5 典型分析
2.3.6 独立成分分析
2.3.7 投影寻踪
2.3.8 典型判别分析
2.3.9 典型相关分析
2.3.10 非负矩阵分解
2.3.11 非线性主成分分析
2.3.12 基于“流形学习”的非线性降维方法
2.4 最大噪声分数降维方法优化
2.4.1 MNF变换中广义特征值求解
2.4.2 MNF对于图像数值变化的敏感性
2.4.3 地物空间分布对MNF变换的影响
2.4.4 噪声评估结果对MNF的影响
2.4.5 优化的MNF变换及其图像分类应用
2.5 高光谱图像降维方法分析与评价
2.5.1 高光谱图像降维方法关联分析
2.5.2 高光谱图像降维方法选择策略
参考文献
第3章 高光谱图像混合像元分解
3.1 混合像元问题与光谱混合模型
3.1.1 混合像元产生的机理
3.1.2 非线性光谱混合模型
3.1.3 线性光谱混合模型
3.2 高光谱图像线性光谱解混流程
3.2.1 线性光谱解混技术流程
3.2.2 端元数目确认
3.2.3 数据降维方法选择
3.2.4 端元光谱变异性与端元束
3.3 高光谱图像端元提取方法
3.3.1 纯像元指数
3.3.2 内部最大体积法
3.3.3 顶点成分分析
3.3.4 单形体投影方法
3.3.5 顺序最大角凸锥
3.3.6 迭代误差分析
3.3.7 外包单形体收缩
3.3.8 最小体积单形体分析
3.3.9 凸锥分析
3.3.10 光学实时自适应光谱识别系统
3.3.11 自动形态学
3.3.12 最大距离法
3.3.13 最大体积法
3.3.14 最大零空间投影距离法
3.3.15 定量化独立成分分析法
3.4 高光谱图像端元丰度反演方法
3.4.1 最小二乘法
3.4.2 滤波向量法
3.4.3 迭代光谱混合分析
3.4.4 基于端元投影向量的丰度反演方法
3.4.5 基于单形体体积的丰度反演方法
3.5 空间信息在混合像元分解中的应用
3.5.1 空间信息辅助下的端元快速提取
3.5.2 空间信息辅助下的混合光谱分解
3.6 高光谱图像混合光谱分解方法分析与评价
3.6.1 高光谱图像端元提取方法定量评价
3.6.2 线性光谱解混对不同空间分辨率图像的适应性评价
参考文献
第4章 高光谱图像监督分类
4.1 高光谱图像分类的概念及特点
4.1.1 高光谱图像分类的概念
4.1.2 高光谱图像分类的特点
4.1.3 高光谱图像数据描述模型
4.2 高光谱图像监督分类流程及步骤
4.3 基于光谱特征空间的高光谱图像分类
4.3.1 光谱特征匹配分类方法
4.3.2 遥感图像统计模型分类方法
4.3.3 高光谱图像神经网络分类方法
4.3.4 高光谱图像支持向量机分类方法
4.4 几何空间与光谱特征空间结合的高光谱图像分类
4.4.1 基于图像上下文的高光谱图像分类
4.4.2 基于同质地物提取的高光谱图像分类
4.4.3 纹理信息辅助下的高光谱图像分类
4.4.4 面向对象的高光谱图像分类
4.5 高光谱图像分类精度评价
4.5.1 误差矩阵
4.5.2 漏分误差和多分误差
4.5.3 Kappa分析
参考文献
第5章 高光谱图像非监督分类
5.1 非监督分类方法框架
5.2 典型非监督分类算法
5.2.1 K均值算法
5.2.2 ISODATA算法
5.3 模糊K均值聚类
5.4 蚁群算法优化的K均值聚类
参考文献
第6章 高光谱图像目标探测理论与模型
6.1 高光谱图像目标探测的概念及特点
6.1.1 高光谱图像中目标存在的几种形式
6.1.2 高光谱图像目标探测与图像分类的差异
6.1.3 高光谱图像目标探测与传统空间维目标探测比较
6.1.4 高光谱图像目标探测中的几个关键问题
6.2 高光谱图像目标探测中的影响因素
6.2.1 目标的光谱伪装特性与揭露
6.2.2 遥感器成像特性与成像方式
6.2.3 高光谱图像噪声
6.2.4 高光谱数据降维
6.3 高光谱目标探测算法设计的一般过程
6.4 高光谱目标探测的子空间模型
6.5 高光谱目标探测的概率统计模型
6.5.1 NP决策规则
6.5.2 Fisher准则
参考文献
第7章 高光谱图像目标探测算法
7.1 高光谱图像目标探测算法选择
7.1.1 依据算法参数
7.1.2 依据算法模型
7.2 未知目标、未知背景的目标探测算法
7.2.1 RX异常探测算法
7.2.2 低概率目标探测算法
7.2.3 均衡目标探测算法
7.2.4 基于数据白化距离的异常探测算法
7.3 已知目标、未知背景的目标探测算法
7.3.1 约束最小能量算子
7.3.2 自适应余弦一致性评估器算法
7.3.3 自适应匹配滤波算法
7.3.4 椭圆轮廓分布模型探测器
7.3.5 基于ECD的双曲线决策门限型目标探测算法
7.3.6 基于ECD的抛物线决策门限型目标探测算法
7.3.7 非监督目标生成处理
7.3.8 非监督向量量化目标子空间投影法
7.3.9 基于加权自相关矩阵的CEM算法
7.3.10 基于加权自相关矩阵的OSP算法
7.4 已知目标、已知背景的目标探测算法
7.4.1 正交子空间投影
7.4.2 目标约束下的干扰最小化滤波算法
7.4.3 广义似然比算法
7.4.4 特征子空间投影算法
7.4.5 目标子空间投影算法
7.4.6 斜子空间投影算法
7.4.7 基于斜交子空间投影的GLRT探测算法
7.5 未知目标、已知背景的目标探测算法
7.6 多源信息辅助下的高光谱图像目标探测
7.6.1 HSI-HRI融合
7.6.2 HSI-SAR融合
7.7 高光谱图像目标探测算法性能评价
7.7.1 接收器曲线计算
7.7.2 线性混合光谱模拟实验
7.7.3 真实场景高光谱图像实验
参考文献
索引
彩图