9033.高光谱图像分类与目标探测.pdfVIP

高光谱图像分类与目标探测 猛点这里下载全部内容 目录： 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