《高光谱遥感影像处理》系统阐述高光谱遥感影像处理的基本问题和解决方法，介绍高光谱遥感影像处理的新理论进展和研究成果。《高光谱遥感影像处理》围绕利用信号处理理论进行高光谱遥感影像信息提取，共分6章：1章概述高光谱遥感影像处理技术；第2章主要介绍高光谱遥感影像自动端元提取；第3章开展光谱分解方面的研究；第4章针对高光谱影像中普遍存在的亚像元目标探测问题深入研讨；第5章全面深入开展高光谱遥感影像特征提取和分类问题研究；第6章详细介绍基于计算机视觉中新的张量分析方法。

作者简介

张良培，教授，武汉大学测绘遥感信息工程国家重点实验室遥感影象处理研究室主任，国家“973”项目首席科学家，长江学者。

内页插图

目录
《地球观测与导航技术丛书》出版说明
前言
第1章高光谱影像处理技术概述 1
1.1 成像光谱仪概述 1
1.1.1 成像光谱仪 1
1.1.2 国内外主要成像光谱仪 5
1.2 高光谱遥感影像信息提取的现状与难点 7
1.3 高光谱遥感信号处理理论 9
1.3.1 端元获取与光谱分解 9
1.3.2 目标探测 10
1.3.3 高光谱遥感影像处理中的信号处理方法 11
1.4 高光谱遥感影像智能处理方法 18
1.4.1 人工免疫系统理论 18
1.4.2 特征提取与降维理论 23
1.4.3 智能化分类器理论 28
参考文献 34
第2章高光谱遥感影像自动端元提取 37
2.1 高光谱遥感影像混合像元模型 37
2.1.1 光谱线性混合模型 38
2.1.2 非线性混合模型 40
2.1.3 线性光谱分解方法的拓展 40
2.1.4 基于多项式拟合的非线性混合光谱模型 43
2.2 非监督正交子空间投影方法 45
2.2.1 正交子空间投影 45
2.2.2 UOSP迭代提取端元光谱 46
2.2.3 结合空间关系的UOSP提取端元 48
2.2.4 实验分析 48
2.3 融合空间信息的端元提取方法 55
2.3.1 研究背景和意义 55
2.3.2 融合空间特征的端元光谱混合自动提取方法HEEA 55
2.3.3 实验分析 57
参考文献 64
第3章高光谱遥感影像光谱分解 67
3.1 基于总体最小二乘的混合光谱线性扩展模型 67
3.1.1 混合光谱线性扩展模型 67
3.1.2 TLS扩展模型的算法 69
3.1.3 线性扩展模型的混合像元分解实验 71
3.1.4 扩展模型分解结果与端元类内变化的关系 76
3.1.5 基于光谱维小波特征的混合像元扩展模型 77
3.2 基于核最小二乘回归的非线性扩展模型 78
3.2.1 核空间理论及其应用 78
3.2.2 核最小二乘(KLS)回归分解模型与算法 80
3.2.3 神经网络与支持向量回归 84
3.2.4 实验分析 87
3.3 基于稀疏约束的混合光谱分解 96
3.3.1 混合光谱分解的稀疏问题 97
3.3.2 混合光谱分解稀疏约束的基本形式 97
3.3.3 混合光谱分解的稀疏约束方法 98
3.3.4 混合光谱分解的稀疏约束求解的分析 102
参考文献 113
第4章高光谱遥感影像目标探测 115
4.1 目标探测器的设计原则 115
4.1.1 目标探测方法的分类 119
4.1.2 基于统计决策的探测器 121
4.1.3 探测器性能标准 122
4.1.4 恒定虚警率方法 123
4.1.5 最优探测器设计 126
4.2 结构化目标探测方法 127
4.2.1 约束能量最小化方法 129
4.2.2 正交子空间投影方法 130
4.2.3 目标约束下的干扰最小化滤波算法 131
4.2.4 基于特征变换的目标探测方法 132
4.3 非结构化目标探测方法 143
4.3.1 Kelly广义化似然比的探测算子 144
4.3.2 自适应余弦估计探测器 145
4.3.3 自适应匹配滤波器 146
4.4 端元可变的混合探测器 147
4.4.1 端元类型确定 147
4.4.2 混合探测器 149
4.4.3 端元可变的混合探测器的构造 149
4.4.4 实验分析 151
4.5 基于子空间的高光谱变化检测方法 156
4.5.1 变化检测算法 156
4.5.2 实验分析 157
参考文献 161
第5章高光谱遥感影像特征提取与分类 165
5.1 基于克隆选择的高光谱遥感影像特征选择方法 165
5.1.1 克隆选择理论与算法 165
5.1.2 克隆选择特征选择算法 167
5.1.3 带权的克隆选择特征选择算法 171
5.1.4 常州市夏桥PHI影像特征选择实验与分析 172
5.1.5 结论 179
5.2 资源限制性人工免疫系统的高光谱遥感影像分类方法 180
5.2.1 资源限制性人工免疫系统 180
5.2.2 基于资源限制性人工免疫系统的遥感影像分类方法 181
5.2.3 常州市夏桥PHI影像分类实验与分析 186
5.2.4 结论 188
5.3 人工DNA计算的高光谱遥感影像编码与匹配分类方法 188
5.3.1 人工DNA计算基本概念 189
5.3.2 高光谱遥感影像的DNA计算模型与方法 190
5.3.3 常州市夏桥PHI影像光谱匹配分类实验与分析 195
5.3.4 结论 197
5.4 基于流形学习的特征提取与分类 198
5.4.1 传统流形学习算法回顾 199
5.4.2 块排列框架 200
5.4.3 判别局部排列 201
5.4.4 判别局部正切排列 202
5.4.5 实验分析 204
参考文献 209
第6章高光谱遥感影像的张量分析方法 212
6.1 张量代数 212
6.2 张量最优子空间理论 215
6.2.1 高光谱遥感影像降噪的概述 215
6.2.2 基于张量最优子空间的多维滤波算法 216
6.2.3 实验分析 218
6.2.4 结论 225
6.3 高光谱遥感影像多特征一体化张量表达方法 225
6.3.1 高光谱影像的多特征张量描述方法概述 226
6.3.2 实验分析 230
6.3.3 结论 233
6.4 张量流形理论 233
6.4.1 张量判别局部排列 234
6.4.2 实验分析 238
6.4.3 结论 243
6.5 张量学习 243
6.5.1 张量学习的一般框架 244
6.5.2 支持张量机 245
6.5.3 实验分析 247
6.5.4 结论 250
参考文献 250
彩图