隨著成像光譜技術(shù)及遙感處理技術(shù)的不斷發(fā)展，高光譜遙感數(shù)據(jù)被廣泛應(yīng)用于各個領(lǐng)域。與多光譜圖像相比，高光譜成像光譜儀能夠在較寬的波譜范圍內(nèi)，利用狹窄的光譜間隔成像，得到上百幅通道、波段連續(xù)的圖像，每個像素均可提取一條完整的高分辨率光譜曲線，使得許多原本在多光譜圖像中無法發(fā)現(xiàn)的地物特征得以被探測。本書簡要介紹了高光譜遙感圖像的成像原理和圖像特點，主要分析了各種高光譜圖像處理技術(shù)在使用中遇到的問題，并提出了相應(yīng)的處理方法；論述內(nèi)容主要包括高光譜遙感的特征選擇，高光譜遙感的端元選擇，混合光譜理論與光譜解混，高光譜圖像的監(jiān)督分類和半監(jiān)督分類，高光譜圖像的匹配目標檢測、異常目標檢測以及實時目標檢測，高光譜數(shù)據(jù)壓縮技術(shù)和可視化技術(shù)，概括地介紹了高光譜遙感圖像在各個領(lǐng)域的應(yīng)用。本書包括了著者多年來取得的科研成果，可以使讀者比較地了解高光譜圖像處理的各個領(lǐng)域以及研究進展。
趙春暉
1965年出生，工學博士，教授、博士生導師，哈爾濱工程大學信號與信息處理學科帶頭人。黑龍江省中青年專家，全國教師，國家教學名師。IEEE會員，中國通信學會會士，中國電子學會高級會員，中國圖象圖形學學會和黑龍江生物醫(yī)學工程學會理事，中國兵工學會信息安全與對抗委員會專業(yè)委員會成員，中國指揮與控制學會無人系統(tǒng)專業(yè)委員會委員。研究領(lǐng)域主要包括智能信息與圖像處理、機器學習與模式識別、非線性信號處理和通信信號處理。
主持了多項和省部級科研項目和教改項目，發(fā)表學術(shù)論文500多篇，其中被SCI、EI檢索300余篇，出版著作和教材18部，其中《微波技術(shù)》入選了“十一五”和“十二五”規(guī)劃教材，獲省部級科技獎一等獎2項、二等獎6項，獲省級教學成果獎一等獎3項、二等獎3項，獲發(fā)明專利和軟件著作權(quán)22項。“微波技術(shù)基礎(chǔ)”國家精品課程負責人和教學團隊帶頭人。先后獲得全國博士學位論文、教育部高校青年教師獎、黑龍江省杰出青年科學基金、黑龍江省青年科技獎、國務(wù)院政府特殊津貼、黑龍江省博士后、黑龍江省研究生導師等榮譽。入選首屆“國家高層次人才特殊支持計劃”領(lǐng)軍人才。
聯(lián)系方式：zhaochunhui@hrbeu.edu.cn
王立國
1974年生，工學博士，教授、博士生導師。IEEE會員，中國電子學會高級會員，中國通信學會高級會員，國際數(shù)字地球?qū)W會(ISDE)中國國家委員會-成像光譜對地觀測專業(yè)委員會委員，中國光學工程學會會員，宇航學會光電技術(shù)專業(yè)委員會高級委員。研究領(lǐng)域主要包括圖像/信號處理技術(shù)、機器學習與模式識別理論。
主持或參與國家863重點項目、國家自然科學基金、教育部博士點基金、中國博士后基金、中央高校重大項目、黑龍江省自然科學基金重點及面上項目、水下機器人國家重點實驗室開放課題基金等科研項目多項。發(fā)表學術(shù)論文100多篇，其中被SCI、EI檢索70余篇，出版著作和教材5部，獲省部級科技獎二等獎2項，獲國家發(fā)明專利20余項。獲得黑龍江省三育人先進工作者和哈爾濱工程大學研究生指導教師等榮譽。
聯(lián)系方式：wangliguo@hrbeu.edu.cn
齊 濱
1985年出生，工學博士，講師。研究方向包括高光譜遙感數(shù)據(jù)處理、水下目標探測與跟蹤、行人檢測。
主持國家自然科學基金1項，博士后基金3項，黑龍江省基金1項，作為主要參與人參加國家自然科學基金2項，黑龍江省自然科學基金重點項目1項。發(fā)表學術(shù)論文27篇，其中被SCI、EI檢索24篇，出版著作1部，獲省部級科技二等獎1項，獲發(fā)明專利7項。
聯(lián)系方式：qibin@hrbeu.edu.cn
第1章 高光譜遙感的理論基礎(chǔ) 1
1.1 高光譜遙感概述 1
1.2 高光譜遙感成像機理 5
1.3 高光譜遙感圖像的特點 8
1.4 高光譜遙感圖像數(shù)據(jù)表達 9
1.5 高光譜遙感與多光譜遙感的聯(lián)系與區(qū)別 10
參考文獻 11
第2章 高光譜圖像特征提取技術(shù) 12
2.1 特征提取技術(shù)概述 12
2.2 高光譜圖像基本特征提取算法 16
2.2.1 主成分分析 16
2.2.2 線性判別分析 17
2.2.3 基于核的非線性特征提取算法 18
2.2.4 基于流形學習的非監(jiān)督特征提取算法 18
2.2.5 F-分值特征提取方法 22
2.2.6 遞歸特征消除方法 22
2.2.7 最小噪聲分數(shù) 23
2.2.8 獨立成分分析 24
2.3 高光譜圖像波段提取算法 25
2.3.1 半監(jiān)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結(jié)構(gòu)的特征提取算法 27
2.3.3 結(jié)合遺傳算法和蟻群算法的特征提取算法 29
2.3.4 高光譜圖像蒙特卡羅特征提取算法 31
2.4 高光譜圖像波段提取算法性能評價 34
2.4.1 半監(jiān)督局部稀疏嵌入特征提取算法的性能評價 35
2.4.2 基于全局和局部流形結(jié)構(gòu)的特征提取算法的性能評價 38
2.4.3 結(jié)合遺傳算法和蟻群算法的特征提取算法的性能評價 41
2.4.4 高光譜圖像蒙特卡羅特征提取算法的性能評價 46
參考文獻 48
第3章 高光譜圖像端元提取技術(shù) 49
3.1 端元提取技術(shù)概述 49
3.2 高光譜圖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 純像素索引法 50
3.2.3 凸錐分析 51
3.2.4 迭代誤差分析 52
3.2.5 ORASIS算法 52
3.2.6 自動形態(tài)學端元提取算法 52
3.2.7 頂點成分分析法 54
3.3 高光譜圖像端元提取算法 55
3.3.1 改進的N-FINDR高光譜端元提取算法 55
3.3.2 改進的IEA端元提取算法 58
3.4 高光譜圖像端元提取方法的性能評價 60
3.4.1 改進的N-FINDR高光譜端元提取算法的性能評價 60
3.4.2 改進的IEA端元提取算法的性能評價 61
參考文獻 65
第4章 高光譜圖像光譜解混技術(shù) 66
4.1 光譜解混技術(shù)概述 66
4.2 高光譜圖像基本光譜解混算法 68
4.2.1 線性光譜混合模型 68
4.2.2 豐度反演算法 69
4.2.3 解混誤差理論分析 70
4.2.4 解決端元可變問題算法 72
4.2.5 光譜解混精度評價 76
4.3 高光譜圖像光譜解混算法 77
4.3.1 基于正交子空間投影的多端元高光譜解混算法 77
4.3.2 基于分層的多端元高光譜解混算法 79
4.3.3 基于全約束OMP的多端元高光譜解混算法 81
4.3.4 基于稀疏表示的高光譜解混算法 83
4.3.5 改進的OMP高光譜稀疏解混算法 87
4.3.6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法 90
4.4 高光譜圖像光譜解混算法評價 91
4.4.1 基于OSP的多端元高光譜解混算法評價 91
4.4.2 基于分層的多端元高光譜解混算法評價 95
4.4.3 基于全約束OMP的多端元高光譜解混算法評價 100
4.4.4 基于稀疏表示的高光譜解混算法評價 103
4.4.5 改進的OMP高光譜稀疏解混算法評價 105
4.4.6 自適應(yīng)稀疏度的OMP高光譜稀疏解混算法評價 110
參考文獻 112
第5章 高光譜圖像監(jiān)督分類技術(shù) 114
5.1 高光譜圖像分類技術(shù)概述 114
5.2 高光譜圖像基本分類算法 116
5.2.1 光譜角匹配 116
5.2.2 較大似然分類 117
5.2.3 Fisher判別分析 117
5.2.4 支持向量機分類器 118
5.2.5 相關(guān)向量機分類器 126
5.3 高光譜圖像分類的評價準則 128
5.4 高光譜圖像分類算法 129
5.4.1 基于高斯低通濾波的較大似然分類 129
5.4.2 基于小波核函數(shù)的高光譜圖像分類 131
5.4.3 基于第二代小波融合的高光譜圖像分類 134
5.4.4 基于特征加權(quán)的高光譜圖像分類 141
5.4.5 基于定制核稀疏表示的高光譜圖像分類 143
5.4.6 基于模糊加權(quán)核C-均值聚類的高光譜圖像分類 147
5.4.7 模糊特征加權(quán)支持向量機 151
5.5 高光譜圖像分類算法的性能評價 153
5.5.1 基于高斯低通濾波的較大似然分類性能評價 154
5.5.2 基于小波核函數(shù)的高光譜圖像分類性能評價 158
5.5.3 基于第二代小波融合的高光譜分類性能評價 160
5.5.4 基于特征加權(quán)的高光譜分類性能評價 164
5.5.5 基于定制核稀疏表示的分類評價 168
5.5.6 模糊加權(quán)核C-均值聚類算法的分類評價 173
5.5.7 模糊特征加權(quán)支持向量機的分類評價 175
參考文獻 178
第6章 高光譜圖像半監(jiān)督分類技術(shù) 181
6.1 高光譜圖像半監(jiān)督分類技術(shù)概述 181
6.2 高光譜圖像基本半監(jiān)督分類算法 182
6.2.1 圖論的基礎(chǔ)概念 182
6.2.2 基于圖的半監(jiān)督分類算法 184
6.3 高光譜圖像半監(jiān)督分類算法 187
6.3.1 結(jié)合LLGC和LS-SVM的半監(jiān)督分類算法 187
6.3.2 引入負相似的LapSVM半監(jiān)督分類 191
6.3.3 基于空-譜信息的高光譜半監(jiān)督分類算法 196
6.3.4 基于空-譜標簽傳遞的高光譜半監(jiān)督分類算法 200
6.4 高光譜圖像半監(jiān)督分類算法的性能評價 202
6.4.1 結(jié)合LLGC和LS-SVM半監(jiān)督分類算法的性能評價 202
6.4.2 引入負相似的LapSVM半監(jiān)督分類的性能評價 206
6.4.3 基于空-譜信息的高光譜半監(jiān)督分類的性能評價 211
6.4.4 基于空-譜標簽傳遞的高光譜半監(jiān)督分類的性能評價 217
參考文獻 227
第7章 高光譜圖像目標匹配檢測技術(shù) 229
7.1 目標匹配檢測技術(shù)概述 229
7.2 高光譜圖像基本目標匹配檢測算法 231
7.2.1 高光譜圖像目標匹配檢測的關(guān)鍵問題 231
7.2.2 高光譜圖像目標檢測的一般過程與評價標準 232
7.2.3 經(jīng)典的高光譜圖像目標匹配檢測方法 232
7.3 高光譜圖像目標匹配檢測算法 234
7.3.1 基于空間支持的稀疏表示目標檢測 234
7.3.2 基于StOMP算法的HSI目標稀疏檢測 239
7.3.3 基于無監(jiān)督字典的HSI目標稀疏檢測 242
7.4 高光譜圖像目標匹配檢測算法評價 245
7.4.1 基于空間支持的稀疏表示目標檢測算法評價 245
7.4.2 基于StOMP算法的HSI目標稀疏檢測算法評價 254
7.4.3 基于無監(jiān)督字典的HSI目標稀疏檢測 257
參考文獻 259
第8章 高光譜圖像異常目標檢測技術(shù) 261
8.1 異常目標檢測技術(shù)概述 261
8.2 高光譜圖像異常目標檢測基本理論 265
8.3 高光譜圖像異常目標檢測算法 268
8.3.1 基于空域濾波的核RX高光譜異常檢測算法 268
8.3.2 自適應(yīng)核高光譜異常檢測算法 272
8.3.3 基于光譜相似度量核的高光譜異常檢測算法 277
8.4 高光譜圖像異常目標檢測算法評價 281
8.4.1 基于空域濾波的核RX高光譜異常檢測算法評價 281
8.4.2 自適應(yīng)核高光譜異常檢測算法評價 282
8.4.3 基于光譜相似度量核的高光譜異常檢測算法評價 284
參考文獻 289
第9章 高光譜實時目標檢測技術(shù) 292
9.1 高光譜遙感目標檢測概念及特點 292
9.1.1 目標存在形式 292
9.1.2 高光譜圖像目標檢測特點 292
9.1.3 高光譜圖像目標檢測分類 293
9.1.4 高光譜圖像目標檢測關(guān)鍵問題 293
9.2 基于像素遞歸的高光譜實時目標檢測 295
9.2.1 Woodbury矩陣引理 296
9.2.2 基于R-RXD的遞歸實時算子 297
9.2.3 基于K-RXD的遞歸實時算子 298
9.2.4 算法復(fù)雜性分析 299
9.2.5 仿真實驗結(jié)果與分析 300
9.3 采用滑動實時窗的高光譜局部實時檢測 305
9.3.1 高光譜局部異常檢測常用算法 306
9.3.2 采用滑動實時窗口的局部異常檢測 308
9.3.3 仿真實驗結(jié)果與分析 311
9.4 基于波段遞歸更新的高光譜目標檢測算法 315
9.4.1 分塊矩陣求逆引理 315
9.4.2 基于波段遞歸的高光譜目標檢測 316
9.4.3 仿真實驗結(jié)果與分析 319
參考文獻 321
第10章 高光譜圖像壓縮處理技術(shù) 324
10.1 高光譜壓縮處理技術(shù)概述 324
10.2 圖像壓縮質(zhì)量評價標準 326
10.3 高光譜圖像壓縮處理算法 327
10.3.1 基于目標分布改進DCT的圖像壓縮 327
10.3.2 多元向量量化的圖像壓縮 329
10.3.3 基于提升格式的圖像壓縮 332
10.3.4 基于向量量化的圖像壓縮 335
10.4 高光譜圖像壓縮性能評價 337
10.4.1 基于目標分布的圖像壓縮性能評價 337
10.4.2 多元向量量化的圖像壓縮性能評價 343
10.4.3 基于提升格式的圖像壓縮性能評價 350
10.4.4 基于向量量化
