新書推薦：
《
金庸评传
》
售價：NT$
941.0
《
西方哲学史
》
售價：NT$
498.0
《
中国财富管理发展指数（2022）
》
售價：NT$
325.0
《
嫉妒与社会
》
售價：NT$
459.0
《
希腊神话和仪式中的结构与历史
》
售價：NT$
437.0
《
世界花纹与图案大典
》
售價：NT$
1669.0
《
周制与秦制
》
售價：NT$
717.0
《
花路
》
售價：NT$
493.0
|
| 內容簡介： |
|
随着成像光谱技术及遥感处理技术的不断发展，高光谱遥感数据被广泛应用于各个领域。与多光谱图像相比，高光谱成像光谱仪能够在较宽的波谱范围内，利用狭窄的光谱间隔成像，得到上百幅通道、波段连续的图像，每个像素均可提取一条完整的高分辨率光谱曲线，使得许多原本在多光谱图像中无法发现的地物特征得以被探测。本书简要介绍了高光谱遥感图像的成像原理和图像特点，主要分析了各种高光谱图像处理技术在使用中遇到的问题，并提出了相应的处理方法；论述内容主要包括高光谱遥感的特征选择，高光谱遥感的端元选择，混合光谱理论与光谱解混，高光谱图像的监督分类和半监督分类，高光谱图像的匹配目标检测、异常目标检测以及实时目标检测，高光谱数据压缩技术和可视化技术，最后概括地介绍了高光谱遥感图像在各个领域的应用。本书包括了著者多年来取得的科研成果，可以使读者比较全面地了解高光谱图像处理的各个领域以及最新研究进展。
|
| 關於作者： |
|
赵春晖，男，1965年出生，工学博士，教授、博士生导师，哈尔滨工程大学信号与信息处理学科带头人。黑龙江省优秀中青年专家，全国优秀教师，国家教学名师。IEEE会员，中国通信学会会士，中国电子学会高级会员，中国图象图形学学会和黑龙江生物医学工程学会理事，中国兵工学会信息安全与对抗委员会专业委员会成员，中国指挥与控制学会无人系统专业委员会委员。研究领域主要包括智能信息与图像处理、机器学习与模式识别、非线性信号处理和通信信号处理。主持了多项国家级和省部级科研项目和教改项目，发表学术论文500多篇，其中被“SCI、EI”检索300余篇，出版著作和教材18部，其中《微波技术》入选了“十一五”和“十二五”国家级规划教材，获省部级科技奖一等奖2项、二等奖6项，获省级教学成果奖一等奖3项、二等奖3项，获发明专利和软件著作权22项。 “微波技术基础”国家精品课程负责人和国家级教学团队带头人。先后获得全国优秀博士学位论文、教育部高校青年教师奖、黑龙江省杰出青年科学基金、黑龙江省青年科技奖、国务院政府特殊津贴、黑龙江省优秀博士后、黑龙江省优秀研究生导师等荣誉。入选首届“国家高层次人才特殊支持计划”领军人才。
|
| 目錄：
|
第1章 高光谱遥感的理论基础1
1.1 高光谱遥感概述1
1.2 高光谱遥感成像机理5
1.3 高光谱遥感图像的特点8
1.4 高光谱遥感图像数据表达9
1.5 高光谱遥感与多光谱遥感的联系与区别10
参考文献11
第2章 高光谱图像特征提取技术12
2.1 特征提取技术概述12
2.2 高光谱图像基本特征提取算法16
2.2.1 主成分分析16
2.2.2 线性判别分析17
2.2.3 基于核的非线性特征提取算法18
2.2.4 基于流形学习的非监督特征提取算法18
2.2.5 F-分值特征提取方法22
2.2.6 递归特征消除方法22
2.2.7 最小噪声分数23
2.2.8 独立成分分析24
2.3 高光谱图像波段提取算法25
2.3.1 半监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结构的特征提取算法27
2.3.3 结合遗传算法和蚁群算法的特征提取算法29
2.3.4 高光谱图像蒙特卡罗特征提取算法31
2.4 高光谱图像波段提取算法性能评价34
2.4.1 半监督局部稀疏嵌入特征提取算法的性能评价35
2.4.2 基于全局和局部流形结构的特征提取算法的性能评价38
2.4.3 结合遗传算法和蚁群算法的特征提取算法的性能评价41
2.4.4 高光谱图像蒙特卡罗特征提取算法的性能评价46
参考文献48
第3章 高光谱图像端元提取技术49
3.1 端元提取技术概述49
3.2 高光谱图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 纯像素索引法50
3.2.3 凸锥分析51
3.2.4 迭代误差分析52
3.2.5 ORASIS算法52
3.2.6 自动形态学端元提取算法52
3.2.7 顶点成分分析法54
3.3 高光谱图像端元提取算法55
3.3.1 改进的N-FINDR高光谱端元提取算法55
3.3.2 改进的IEA端元提取算法58
3.4 高光谱图像端元提取方法的性能评价60
3.4.1 改进的N-FINDR高光谱端元提取算法的性能评价60
3.4.2 改进的IEA端元提取算法的性能评价61
参考文献65
第4章 高光谱图像光谱解混技术66
4.1 光谱解混技术概述66
4.2 高光谱图像基本光谱解混算法68
4.2.1 线性光谱混合模型68
4.2.2 丰度反演算法69
4.2.3 解混误差理论分析70
4.2.4 解决端元可变问题算法72
4.2.5 光谱解混精度评价76
4.3 高光谱图像光谱解混算法77
4.3.1 基于正交子空间投影的多端元高光谱解混算法77
4.3.2 基于分层的多端元高光谱解混算法79
4.3.3 基于全约束OMP的多端元高光谱解混算法81
4.3.4 基于稀疏表示的高光谱解混算法83
4.3.5 改进的OMP高光谱稀疏解混算法87
4.3.6 自适应稀疏度的OMP高光谱稀疏解混算法90
4.4 高光谱图像光谱解混算法评价91
4.4.1 基于OSP的多端元高光谱解混算法评价91
4.4.2 基于分层的多端元高光谱解混算法评价95
4.4.3 基于全约束OMP的多端元高光谱解混算法评价100
4.4.4 基于稀疏表示的高光谱解混算法评价103
4.4.5 改进的OMP高光谱稀疏解混算法评价105
4.4.6 自适应稀疏度的OMP高光谱稀疏解混算法评价110
参考文献112
第5章 高光谱图像监督分类技术114
5.1 高光谱图像分类技术概述114
5.2 高光谱图像基本分类算法116
5.2.1 光谱角匹配116
5.2.2 最大似然分类117
5.2.3 Fisher判别分析117
5.2.4 支持向量机分类器118
5.2.5 相关向量机分类器126
5.3 高光谱图像分类的评价准则128
5.4 高光谱图像分类算法129
5.4.1 基于高斯低通滤波的最大似然分类129
5.4.2 基于小波核函数的高光谱图像分类131
5.4.3 基于第二代小波融合的高光谱图像分类134
5.4.4 基于特征加权的高光谱图像分类141
5.4.5 基于定制核稀疏表示的高光谱图像分类143
5.4.6 基于模糊加权核C-均值聚类的高光谱图像分类147
5.4.7 模糊特征加权支持向量机151
5.5 高光谱图像分类算法的性能评价153
5.5.1 基于高斯低通滤波的最大似然分类性能评价154
5.5.2 基于小波核函数的高光谱图像分类性能评价158
5.5.3 基于第二代小波融合的高光谱分类性能评价160
5.5.4 基于特征加权的高光谱分类性能评价164
5.5.5 基于定制核稀疏表示的分类评价168
5.5.6 模糊加权核C-均值聚类算法的分类评价173
5.5.7 模糊特征加权支持向量机的分类评价175
参考文献178
第6章 高光谱图像半监督分类技术181
6.1 高光谱图像半监督分类技术概述181
6.2 高光谱图像基本半监督分类算法182
6.2.1 图论的基础概念182
6.2.2 基于图的半监督分类算法184
6.3 高光谱图像半监督分类算法187
6.3.1 结合LLGC和LS-SVM的半监督分类算法187
6.3.2 引入负相似的LapSVM半监督分类191
6.3.3 基于空-谱信息的高光谱半监督分类算法196
6.3.4 基于空-谱标签传递的高光谱半监督分类算法200
6.4 高光谱图像半监督分类算法的性能评价202
6.4.1 结合LLGC和LS-SVM半监督分类算法的性能评价202
6.4.2 引入负相似的LapSVM半监督分类的性能评价206
6.4.3 基于空-谱信息的高光谱半监督分类的性能评价211
6.4.4 基于空-谱标签传递的高光谱半监督分类的性能评价217
参考文献227
第7章 高光谱图像目标匹配检测技术229
7.1 目标匹配检测技术概述229
7.2 高光谱图像基本目标匹配检测算法231
7.2.1 高光谱图像目标匹配检测的关键问题231
7.2.2 高光谱图像目标检测的一般过程与评价标准232
7.2.3 经典的高光谱图像目标匹配检测方法232
7.3 高光谱图像目标匹配检测算法234
7.3.1 基于空间支持的稀疏表示目标检测234
7.3.2 基于StOMP算法的HSI目标稀疏检测239
7.3.3 基于无监督字典的HSI目标稀疏检测242
7.4 高光谱图像目标匹配检测算法评价245
7.4.1 基于空间支持的稀疏表示目标检测算法评价245
7.4.2 基于StOMP算法的HSI目标稀疏检测算法评价254
7.4.3 基于无监督字典的HSI目标稀疏检测257
参考文献259
第8章 高光谱图像异常目标检测技术261
8.1 异常目标检测技术概述261
8.2 高光谱图像异常目标检测基本理论265
8.3 高光谱图像异常目标检测算法268
8.3.1 基于空域滤波的核RX高光谱异常检测算法268
8.3.2 自适应核高光谱异常检测算法272
8.3.3 基于光谱相似度量核的高光谱异常检测算法277
8.4 高光谱图像异常目标检测算法评价281
8.4.1 基于空域滤波的核RX高光谱异常检测算法评价281
8.4.2 自适应核高光谱异常检测算法评价282
8.4.3 基于光谱相似度量核的高光谱异常检测算法评价284
参考文献289
第9章 高光谱实时目标检测技术292
9.1 高光谱遥感目标检测概念及特点292
9.1.1 目标存在形式292
9.1.2 高光谱图像目标检测特点292
9.1.3 高光谱图像目标检测分类293
9.1.4 高光谱图像目标检测关键问题293
9.2 基于像素递归的高光谱实时目标检测295
9.2.1 Woodbury矩阵引理296
9.2.2 基于R-RXD的递归实时算子297
9.2.3 基于K-RXD的递归实时算子298
9.2.4 算法复杂性分析299
9.2.5 仿真实验结果与分析300
9.3 采用滑动实时窗的高光谱局部实时检测305
9.3.1 高光谱局部异常检测常用算法306
9.3.2 采用滑动实时窗口的局部异常检测308
9.3.3 仿真实验结果与分析311
9.4 基于波段递归更新的高光谱目标检测算法315
9.4.1 分块矩阵求逆引理315
9.4.2 基于波段递归的高光谱目标检测316
9.4.3 仿真实验结果与分析319
参考文献321
第10章 高光谱图像压缩处理技术324
10.1 高光谱压缩处理技术概述324
10.2 图像压缩质量评价标准326
10.3 高光谱图像压缩处理算法327
10.3.1 基于目标分布改进DCT的图像压缩327
10.3.2 多元向量量化的图像压缩329
10.3.3 基于提升格式的图像压缩332
10.3.4 基于向量量化的图像压缩335
10.4 高光谱图像压缩性能评价337
10.4.1 基于目标分布的图像压缩性能评价337
10.4.2 多元向量量化的图像压缩性能评价343
10.4.3 基于提升格式的图像压缩性能评价350
10.4.4 基于向量量化的图像压缩性能评价351
参考文献352
第11章 高光谱图像可视化技术354
11.1 可视化技术概述354
11.2 面向类别分析结果的可视化方法358
11.2.1 基于硬分类结果的数据可视化359
11.2.2 基于软分类结果的自动彩色分配方法361
11.3 高光谱图像可视化方法性能评价364
11.3.1 硬分类类别彩色标签的选择及分配364
11.3.2 基于光谱解混结果的可视化结果366
参考文献368
第12章 高光谱遥感应用简介369
12.1 高光谱遥感在农业方面的应用369
12.1.1 农作物疾病监测、病虫害监测以及入侵物种监测369
12.1.2 农作物产量估计370
12.1.3 农作物分类370
12.2 高光谱遥感在地质领域方面的应用370
12.2.1 高光谱矿物识别与矿物填图371
12.2.2 高光谱地质成因信息探测研究371
12.2.3 高光谱成矿预测研究371
12.2.4 高光谱植被地化信息探测研究372
12.2.5 高光谱矿山环境分析研究372
12.3 高光谱遥感在草原监测方面的应用372
12.3.1 草地生物量估算373
12.3.2 草地种类识别374
12.3.3 草地化学成分估测374
12.4 高光谱遥感在森林研究方面的应用375
12.4.1 森林调查375
12.4.2 森林生化组成与森林健康状态376
12.5 高光谱遥感在海洋研究方面的应用377
12.5.1 海洋遥感中的基础研究377
12.5.2 海洋与海岸带资源环境监测中的应用研究378
12.5.3 高光谱海洋研究国际发展相关动态378
12.6 高光谱遥感在环境监
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
