高光譜遙感圖像解混技術作為從高光譜遙感數(shù)據(jù)中有效提取有用信息的重要途徑，近年來格外受到重視，其相應的研究也一直是高光譜遙感領域的研究前沿和熱點�！陡吖庾V遙感圖像解混理論與方法----從線性到非線性》簡要介紹了高光譜遙感圖像的特點，在總結國內(nèi)外相關研究基礎上，結合著者所在團隊多年來取得的研究成果，從線性到非線性，系統(tǒng)地整理和介紹了高光譜遙感圖像解混這一研究方向的理論與方法，反映了當前該研究方向的研究現(xiàn)狀和**進展。
更多科學出版社服務，請掃碼獲取。
遙感圖像,圖像處理,譜分析（數(shù)學）,研究
目錄
叢書序
序一
序二
前言
第1章 概述 1
1.1 高光譜遙感 1
1.1.1 成像光譜遙感技術簡介 1
1.1.2 高光譜遙感圖像的表達與特征 6
1.2 高光譜遙感圖像處理方法 9
1.2.1 高光譜遙感圖像降噪與恢復 11
1.2.2 高光譜遙感圖像降維 13
1.2.3 高光譜遙感圖像融合 15
1.2.4 高光譜遙感圖像分類 16
1.2.5 高光譜遙感圖像目標探測 17
1.3 混合像元和光譜解混技術 19
1.3.1 混合像元問題 19
1.3.2 光譜解混的一般流程與重要問題 25
1.3.3 解混算法評估常用的高光譜遙感圖像 28
參考文獻 34
第2章 線性光譜解混方法 38
2.1 線性混合模型 38
2.1.1 數(shù)學表達形式 38
2.1.2 LMM的模型意義 39
2.1.3 解混的一般優(yōu)化問題 41
2.2 端元數(shù)目估計方法 42
2.2.1 高光譜數(shù)據(jù)的虛擬維度 42
2.2.2 最小誤差信號子空間識別 44
2.2.3 噪聲白化的特征值間隔方法 46
2.2.4 基于低秩表示的信號子空間數(shù)目估計 47
2.2.5 基于最近鄰距離比的本征維度估計 48
2.3 端元提取方法 50
2.3.1 基于單形體幾何特性的方法 50
2.3.2 融合空間信息的端元提取方法 59
2.3.3 基于統(tǒng)計學的端元提取方法 64
2.4 豐度估計方法 67
2.4.1 最小二乘法 68
2.4.2 基于單形體幾何性質的快速豐度估計 70
2.4.3 利用稀疏性與空間關系的線性光譜解混 74
參考文獻 82
第3章 無監(jiān)督的線性光譜解混方法 85
3.1 無監(jiān)督線性解混的統(tǒng)計學方法 85
3.1.1 同時估計端元和豐度的貝葉斯方法 85
3.1.2 基于依賴成分分析的無監(jiān)督線性解混 87
3.2 基于獨立成分分析的解混方法 90
3.2.1 獨立成分分析原理 90
3.2.2 基于ICA的光譜解混方法 92
3.3 基于約束非負矩陣分解的解混方法 97
3.3.1 NMF原理與一般算法 97
3.3.2 端元約束的NMF 100
3.3.3 豐度稀疏約束的NMF 103
3.3.4 空間信息混合約束的NMF 105
3.3.5 基于非負張量分解的解混方法 111
3.4 基于凸幾何理論的解混方法 117
3.4.1 基于分裂增廣拉格朗日的單形體識別算法 118
3.4.2 最小體積單形體分析 120
3.4.3 最小體積閉合單形體分析 122
參考文獻 124
第4章 線性光譜解混的其他方法 127
4.1 考慮端元光譜變異性的解混方法 127
4.1.1 光譜變異性 127
4.1.2 端元束方法 129
4.1.3 基于Fisher判別零空間的線性變換方法 131
4.1.4 擾動與擴展的線性混合模型 132
4.2 基于啟發(fā)式優(yōu)化方法的光譜解混 137
4.2.1 基于神經(jīng)網(wǎng)絡的混合像元分解 137
4.2.2 自適應差分進化端元提取算法 139
4.2.3 基于粒子群優(yōu)化的約束非負矩陣分解 141
4.3 時變的光譜解混方法 147
4.3.1 基于解混的高光譜圖像變化檢測 148
4.3.2 多時相高光譜圖像的動態(tài)解混 148
4.4 高性能并行計算的解混方法 151
4.4.1 VCA和SUnSAL算法的GPU并行加速 151
4.4.2 基于OpenCL的完整線性解混鏈的并行實現(xiàn) 153
參考文獻 154
第5章 非線性光譜混合理論與模型 156
5.1 觀測場景中的非線性混合現(xiàn)象 156
5.1.1 砂石礦物地表 156
5.1.2 植被覆蓋與城市區(qū)域 157
5.2 非線性光譜混合模型 160
5.2.1 傳統(tǒng)非線性物理模型 161
5.2.2 Hapke模型 162
5.2.3 雙線性混合模型 166
5.2.4 高階線性混合模型 170
5.2.5 基于核函數(shù)的模型 173
5.3 植被覆蓋區(qū)域的模型解混分析比較 174
參考文獻 177
第6章 非線性光譜解混方法 180
6.1 非線性端元提取算法 180
6.1.1 基于數(shù)據(jù)測地線流形的方法 180
6.1.2 非線性混合物中端元物質的檢測 182
6.2 基于非線性混合模型的解混算法 185
6.2.1 最小二乘規(guī)則下的泰勒展開與梯度下降方法 185
6.2.2 貝葉斯統(tǒng)計學方法 187
6.2.3 基于半非負矩陣分解的豐度估計 189
6.2.4 利用稀疏性與空間信息的改進方法 190
6.2.5 克服共線性效應的方法 197
6.3 數(shù)據(jù)驅動的非線性解混算法 204
6.3.1 流形學習方法 204
6.3.2 基于核函數(shù)的非線性光譜解混算法 207
參考文獻 214
第7章 無監(jiān)督的非線性光譜解混方法 216
7.1 基于數(shù)據(jù)流形距離的方法 216
7.2 基于高斯過程與蒙特卡洛的方法 218
7.2.1 高斯過程方法 218
7.2.2 基于PPNM與蒙特卡洛的方法 220
7.3 基于非負矩陣分解的方法 223
7.3.1 非線性混合模型與NMF的結合 223
7.3.2 核函數(shù)與NMF的結合 225
7.4 其他基于非線性混合模型的盲解混方法 226
7.4.1 基于幾何投影和約束NMF的非線性解混 226
7.4.2 基于MLM的無監(jiān)督非線性解混 229
參考文獻 230
第8章 非線性光譜解混的其他方法 232
8.1 與波段選擇結合的非線性光譜解混 232
8.2 基于啟發(fā)式優(yōu)化方法的非線性光譜解混 235
8.2.1 基于集成極限學習回歸的方法 235
8.2.2 基于Hopfield神經(jīng)網(wǎng)絡的方法 236
8.3 波長依賴的非線性光譜解混 238
8.3.1 矢量核模型方法 239
8.3.2 擴展的多線性混合模型方法 241
8.4 考慮光譜變異性的非線性光譜解混 244
8.5 非線性混合檢測方法 246
8.5.1 基于PPNM的非線性探測 246
8.5.2 非線性混合像元的非參數(shù)檢驗與端元提取 247
8.5.3 線性混合物檢測的預解混框架 249
參考文獻 251
書單推薦
