高光谱遥感影像降维方法与应用

本书针对高光谱遥感数据具有维数高、数据量大、冗余度高、不确定性显著、样本选择困难等特点，引入机器学习、模式识别等理论和技术，开展高光谱遥感影像降维理论、方法与应用的研究。全书共8章：第1章介绍高光谱遥感影像降维及进展；第2章介绍高光谱遥感影像降维的理论基础、常用方法和方法评价；第3章探讨高光谱遥感影像特征提取方法，重点是基于改进K均值、层次聚类和正交投影散度、优化判别局部对齐等三种特征提取算法；第4章分析高光谱遥感影像波段选择方法，从可分性准则和搜索策略两方面提出新方法；第5章重点研究多目标优化的自适应波段选择方法，论述能自动确定波段数目的组合型群体智能优化的高光谱遥感自适应降维方法；第6章探讨高光谱遥感多特征质量评估与优化方法，重点阐述多特征质量评估的方法，并提出基于改进萤火虫算法的高光谱遥感多特征优化及基于多分类器集成的多特征性能评估；第7章讨论基于共形几何代数的新型波段选择方法，研究共形空间下高光谱遥感影像的信息表达问题；第8章介绍高光谱遥感影像降维方法在矿物识别、影像可视化、城市土地覆盖分析等领域的应用等。本书可供从事高光谱遥感、遥感信息智能处理、遥感应用等研究和实践的科研人员、高校教师、研究生和高年级本科生参考。

前言
第1章 绪论 1
1.1 高光谱遥感影像降维基础 1
1.2 高光谱遥感影像数据特征 1
1.2.1 信息分布特征 1
1.2.2 维数灾难与Hughes现象 5
1.3 高光谱遥感影像降维研究进展 6
1.3.1 特征提取 6
1.3.2 特征（波段）选择 13
1.3.3 特征挖掘 18
1.3.4 多特征优化 20
1.4 高光谱遥感影像降维面临的挑战 24
1.4.1 特征可分性 24
1.4.2 特征质量评价 25
1.4.3 距离测度函数 25
1.4.4 特征数目确定 26
1.4.5 搜索优化策略 26
1.4.6 多特征优化 27
1.5 高光谱遥感影像降维的发展趋势 27
参考文献 28
第2章 高光谱遥感影像降维理论基础 38
2.1 降维的理论基础 38
2.2 特征提取 39
2.2.1 特征提取概述 39
2.2.2 特征提取方法 40
2.3 特征选择 46
2.3.1 特征选择概述 46
2.3.2 特征选择方法 46
2.4 特征挖掘 53
2.4.1 特征挖掘概述 53
2.4.2 特征混合 54
2.5 降维方法评价与选择 56
2.5.1 特征提取性能评价 56
2.5.2 特征选择策略 58
2.6 本章小结 59
参考文献 60
第3章 高光谱遥感影像特征提取 63
3.1 主成分分析和线性判别分析 63
3.1.1 主成分分析 63
3.1.2 线性判别分析 68
3.2 基于改进K均值的特征提取 72
3.2.1 K均值及其存在问题 72
3.2.2 改进K均值算法 74
3.2.3 算法复杂度分析 77
3.2.4 特征提取实验与分析 78
3.2.5 K值估计分析 84
3.3 基于层次聚类和正交投影散度的特征提取 85
3.3.1 基于层次聚类的特征提取方法 86
3.3.2 层次聚类特征提取实验与分析 89
3.4 基于优化判别局部对齐的高光谱遥感影像特征提取 93
3.4.1 DLA与KDLA算法 94
3.4.2 提出的优化判别局部对齐特征提取算法 99
3.4.3 优化判别局部对齐特征提取实验与分析 101
3.5 本章小结 108
参考文献 109
第4章 高光谱遥感影像波段选择新方法 112
4.1 基于可分性准则的高光谱遥感影像波段选择方法 112
4.1.1 基于MEAC的高光谱遥感影像波段选择 112
4.1.2 基于OPD的波段选择 114
4.1.3 基于自适应仿射传播的波段选择 117
4.1.4 基于可分性准则的波段选择实验分析 120
4.2 基于搜索策略的高光谱遥感影像波段选择方法 124
4.2.1 基于PSO的波段选择 124
4.2.2 基于萤火虫算法的波段选择 125
4.2.3 基于搜索策略的波段选择实验分析 129
4.3 本章小结 138
参考文献 139
第5章 多目标优化的自适应波段选择方法 140
5.1 多目标优化 140
5.1.1 多目标优化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想点 141
5.1.4 偏好结构 142
5.1.5 基本求解方法 142
5.2 参数优化的组合型降维方法 142
5.2.12 PSO算法 143
5.2.2 组合型萤火虫引导的自适应波段选择 150
5.3 多参数优化的极限学习机分类 160
5.3.1 参数优化内容与方法 160
5.3.2 极限学习机隐含层优化与分类 161
5.3.3 极限学习机核函数参数和惩罚参数优化与分类 164
5.4 本章小结 175
参考文献 175
第6章 高光谱遥感多特征质量评估与优化 177
6.1 多特征提取 177
6.1.1 基于局部统计特征的空间特征提取 177
6.1.2 基于灰度共生矩阵的空间特征提取 178
6.1.3 基于Gabor滤波的空间特征提取 179
6.1.4 基于形态学操作的空间特征提取 179
6.2 多特征质量评估 180
6.2.1 定性评价 180
6.2.2 定量评价 181
6.2.3 特征质量评价指标的应用 184
6.3 基于改进萤火虫算法的高光谱遥感多特征优化 200
6.3.1 随机惯性权重的萤火虫算法 200
6.3.2 目标函数的设置 201
6.3.3 多特征优化的流程 201
6.3.4 多特征优化实验分析 202
6.4 基于多分类器集成的多特征性能评估 209
6.4.1 多分类器集成的思想介绍 209
6.4.2 分类器集成中的融合规则（投票法） 210
6.4.3 基于分类器集成的多特征性能评估 210
6.5 本章小结 218
参考文献 218
第7章 高光谱遥感影像新型降维方法 220
7.1 引言 220
7.2 基于CGA的高光谱遥感影像波段选择方法 221
7.2.1 共形空间 221
7.2.2 高光谱遥感影像波段选择与CGA理论 222
7.2.3 欧几里得空间与共形空间的映射关系设计 224
7.2.4 距离特征算子设计 224
7.2.5 目标函数构建 225
7.2.6 CGA波段选择算法步骤 225
7.3 CGA波段选择实验与分析 227
7.3.1 HYDICE Washington DC Mall数据实验 227
7.3.2 AVIRIS Salinas-A数据实验 229
7.4 本章小结 231
参考文献 231
第8章 高光谱遥感影像降维的应用 233
8.1 降维支持下的端元提取和矿物识别 233
8.1.1 AVIRIS Cuprite数据简介 233
8.1.2 数据降维分析 234
8.1.3 端元提取和矿物识别分析 236
8.2 波段选择约束的影像可视化 239
8.2.1 高光谱影像信息表达模式 239
8.2.2 映射区域代表性波段选择 241
8.2.3 影像可视化算法复杂度分析 242
8.2.4 影像可视化实验与分析 242
8.3 城市土地覆盖分析 244
8.3.1 波段聚类 244
8.3.2 异常波段剔除 245
8.3.3 波段聚类算法步骤 245
8.3.4 HYDICE数据实验 246
8.3.5 HYMAP数据实验 249
8.4 本章小结 253
参考文献 254