高光谱图像信息提取

本书以高光谱图像信息提取为核心，采用理论方法引入与实验论证分析相结合的方式，从高光谱图像低秩表示降噪修复、复杂场景混合像元分解、子空间模型分类、稀疏特征提取及分类、空谱多特征提取及分类、基于背景准确估计的目标探测等6个方面介绍了高光谱图像处理与信息提取的理论发展和近期新前沿技术。本书可以为高光谱图像的处理和应用提供技术参考，也可以作为从事高光谱图像信息提取研究人员的专业书，帮助从业人员系统了解相关领域的方法研究进展，有助于提高我国高光谱图像处理和应用的水平。

“地球观测与导航技术丛书”编写说明
前言
第1章 高光谱图像信息提取概述 1
1.1 高光谱遥感 2
1.2 高光谱图像信息提取现状 4
1.2.1 噪声评估与数据降维方法 4
1.2.2 混合像元分解方法 9
1.2.3 图像分类方法 14
1.2.4 目标探测与异常探测方法 18
1.3 高光谱图像信息提取难点及新方法 21
参考文献 24
第2章 基于低秩表示的高光谱图像降噪与修复 36
2.1 高光谱图像的低秩表示和图像的自相似性质 36
2.1.1 高光谱图像的低秩表示原理 36
2.1.2 基于图像自相似结构的降噪和修复算法原理 41
2.1.3 结论 43
2.2 基于低秩表示的高光谱图像降噪方法 44
2.2.1 HyDRoS高光谱图像降噪算法 45
2.2.2 RhyDe高光谱图像降噪算法 59
2.2.3 结论 65
2.3 基于低秩表示的高光谱图像修复方法 66
2.3.1 HyInpaint高光谱图像修复算法 67
2.3.2 实验内容及结果分析 69
2.3.3 结论 72
2.4 基于低秩表示的高光谱图像降噪与修复同步处理方法 73
2.4.1 HyDeIn高光谱图像降噪与修复算法同步处理算法 73
2.4.2 实验内容及结果分析 75
2.4.3 结论 78
参考文献 80
第3章 复杂场景混合像元的优化分解 83
3.1 基于群智能优化的混合像元分解方法 83
3.1.1 端元提取的群智能算法 83
3.1.2 丰度反演的群智能算法 87
3.1.3 实验内容及结果分析 89
3.1.4 结论 92
3.2 基于非负矩阵分解的混合像元分解方法 93
3.2.1 稀疏非负矩阵分解 93
3.2.2 局部光滑约束非负矩阵分解算法 94
3.2.3 稀疏平滑约束非负矩阵分解算法 95
3.2.4 实验内容及结果分析 97
3.2.5 结论 103
3.3 基于正态组分模型的混合像元分解方法 104
3.3.1 基于区域的随机期望优选化的分解算法 104
3.3.2 实验内容及结果分析 107
3.3.3 结论 110
3.4 正则化的p-Linear非线性解混方法 110
3.4.1 p-Linear光谱混合模型原理及相关算法 110
3.4.2 NPLA非线性解混算法 112
3.4.3 实验内容及结果分析 114
3.4.4 结论 117
3.5 基于多调和函数的多项式非线性解混方法 119
3.5.1 无穷阶非线性光谱混合建模 119
3.5.2 基于多调和函数的多项式非线性解混算法 120
3.5.3 实验内容及结果分析 123
3.5.4 结论 126
参考文献 126
第4 章 基于子空间模型的高光谱分类 129
4.1 基于不同相似度衡量的最小正则子空间分类 129
4.1.1 最小正则子空间分类算法理论 129
4.1.2 不同相似度衡量方法 130
4.1.3 实验内容及结果分析 132
4.1.4 结论 137
4.2 结合光谱空间信息的最小正则子空间分类 137
4.2.1 结合MRF的最小正则子空间分类方法 137
4.2.2 结合高斯模型的最小正则子空间分类方法 139
4.2.3 实验内容及结果分析 140
4.2.4 结论 147
4.3 子空间投影支持向量机分类方法 147
4.3.1 支持向量机分类算法 147
4.3.2 基于多任务学习的子空间支持向量机与马尔可夫随机场分类算法 150
4.3.3 基于子空间支持向量机与自适应马尔可夫随机场分类算法 154
4.3.4 实验内容及结果分析 156
4.3.5 结论 163
参考文献 164
第5章 高光谱图像稀疏特征提取及分类 166
5.1 结合空谱特征的稀疏张量分类方法 166
5.1.1 结合空谱特征的稀疏张量判别分析算法 168
5.1.2 实验内容及结果分析 171
5.1.3 结论 174
5.2 基于稀疏表示近邻的高光谱分类方法 174
5.2.1 基于稀疏表示近邻的高光谱分类算法 175
5.2.2 实验内容及结果分析 177
5.2.3 结论 181
5.3 融合协同与稀疏表示的高光谱分类方法 181
5.3.1 融合协同与稀疏表示的高光谱分类算法 181
5.3.2 实验内容及结果分析 185
5.3.3 结论 191
5.4 高光谱图像群稀疏分类方法 191
5.4.1 基于光谱特征优化的高光谱图像稀疏表示分类算法 192
5.4.2 基于群稀疏表示的高光谱图像空谱分类算法 194
5.4.3 实验内容及结果分析 200
5.4.4 结论 205
参考文献 206
第6章 高光谱图像空谱多特征提取及分类 208
6.1 基于Gabor小波的空间特征提取及分类方法 208
6.1.1 基于波段选择的Gabor空间特征提取 208
6.1.2 实验内容及结果分析 212
6.1.3 结论 218
6.2 基于LBP的空间特征提取及分类方法 218
6.2.1 局部二值模式算法 219
6.2.2 极限学习机 221
6.2.3 基于空间纹理特征的分类框架 222
6.2.4 实验内容及结果分析 224
6.2.5 结论 230
6.3 基于超像元分割的空谱融合分类方法 231
6.3.1 基于超像元分割的高光谱图像分类算法 231
6.3.2 基于多尺度超像元分割的高光谱图像分类算法 236
6.3.3 实验内容及结果分析 239
6.3.4 结论 240
6.4 基于形态学的空谱融合分类方法 244
6.4.1 基于局部包含属性的特征提取及分类 245
6.4.2 实验内容及结果分析 250
6.4.3 结论 254
参考文献 256
第7章 基于背景准确估计的高光谱图像目标探测 260
7.1 基于背景准确估计的异常检测方法 260
7.1.1 多元正态分布模型 260
7.1.2 RXD及其改进算法 263
7.1.3 加权异常检测和线性滤波异常检测算法 266
7.1.4 实验内容及结果分析 268
7.1.5 结论 283
7.2 基于多窗决策融合的异常探测方法 284
7.2.1 双窗口RX检测器 284
7.2.2 决策融合检测器 285
7.2.3 实验内容及结果分析 286
7.2.4 结论 291
7.3 联合稀疏与协同表示的目标探测方法 291
7.3.1 联合稀疏与协同表示的目标检测器 292
7.3.2 实验内容及结果分析 295
7.3.3 结论 299
7.4 基于背景异常调整的匹配探测方法 299
7.4.1 约束最小能量匹配探测 300
7.4.2 基于异常调整的匹配探测策略 301
7.4.3 实验内容及结果分析 304
7.4.4 结论 313
参考文献 313