本书阐述高光谱遥感图像(可以简称为高光谱图像，也可以称为高光谱图像数据或高光谱数据)智能分类与检测的相关方法，主要内容包括高光谱遥感图像成像原理及特点，高光谱图像智能分类相关理论概述，基于机器学习、深度学习的高光谱图像分类，高光谱图像检测相关理论概述，以及高光谱图像特定目标、异常目标检测方法等内容。
样章试读
目录
- 目录
“新一代人工智能理论、技术及应用丛书”序
前言
第1章 高光谱遥感图像成像原理及特点1
1.1 高光谱遥感理论基础概述1
1.1.1 太阳辐射基本理论1
1.1.2 太阳辐射与物质的相互作用1
1.2 高光谱遥感图像成像机理与方式5
1.2.1 高光谱遥感图像成像机理5
1.2.2 成像光谱仪的空间成像方式5
1.2.3 几种典型成像光谱仪简介7
1.3 高光谱图像数据特点与表达方式8
1.3.1 高光谱图像数据特点8
1.3.2 高光谱图像数据表达方式10
1.4 高光谱图像处理及其应用概述12
1.4.1 高光谱图像处理的具体种类12
1.4.2 高光谱图像处理的特点12
1.4.3 高光谱图像处理的应用13
参考文献19
第2章 高光谱图像智能分类相关理论概述22
2.1 高光谱图像分类技术概述22
2.1.1 高光谱图像分类的概念22
2.1.2 高光谱图像分类特点及面临的挑战23
2.2 高光谱图像分类基本流程24
2.2.1 图像预处理24
2.2.2 标记训练样本24
2.2.3 特征提取与特征选择24
2.2.4 分类判决25
2.2.5 分类结果和精度评价25
2.3 高光谱图像分类方法概述25
2.3.1 有监督分类、半监督分类与无监督分类25
2.3.2 高光谱图像分类方法的种类26
2.4 高光谱图像分类精度评价27
2.4.1 混淆矩阵28
2.4.2 OA与AA.28
2.4.3 Kappa系数28
参考文献29
第3章 基于机器学习的高光谱图像分类33
3.1 基于机器学习的高光谱图像经典分类方法概述33
3.1.1 基于组合核的高光谱图像分类方法33
3.1.2 基于稀疏表示的高光谱图像分类方法34
3.1.3 基于随机森林的高光谱图像分类方法35
3.1.4 基于图像分割的高光谱图像分类方法36
3.1.5 基于边缘保持滤波的高光谱图像分类方法37
3.2 基于脊波和SWNN的高光谱图像融合分类方法38
3.2.1 方法原理38
3.2.2 方法流程48
3.2.3 实验结果及分析51
3.3 基于多特征融合机制的高光谱图像分类方法56
3.3.1 方法原理57
3.3.2 方法流程59
3.3.3 实验结果及分析63
3.4 基于边缘保留滤波技术的高光谱图像分类方法69
3.4.1 方法原理69
3.4.2 方法流程70
3.4.3 实验结果及分析76
3.5 基于加权谱空间的半监督高光谱图像分类方法83
3.5.1 方法原理83
3.5.2 方法流程84
3.5.3 实验结果及分析87
3.6 基于谱梯度、SVM和空间随机森林的高光谱图像分类方法94
3.6.1 方法原理94
3.6.2 方法流程95
3.6.3 实验结果及分析98
3.7 基于多尺度双边滤波器的高光谱图像分类方法106
3.7.1 方法原理106
3.7.2 方法流程106
3.7.3 实验结果及分析108
参考文献115
第4章 基于深度学习的高光谱图像分类118
4.1 基于深度学习的高光谱图像经典分类方法概述118
4.1.1 基于堆栈自动编码器网络的高光谱图像分类方法118
4.1.2 基于人工神经网络的高光谱图像分类方法121
4.1.3 基于深度置信网络的高光谱图像分类方法122
4.1.4 基于卷积神经网络的高光谱图像分类方法124
4.2 基于多策略融合机制和ISSARF的高光谱图像空谱分类方法126
4.2.1 方法原理126
4.2.2 方法流程133
4.2.3 实验结果及分析135
4.3 基于空谱稀疏张量的深度神经网络的高光谱图像分类方法148
4.3.1 方法原理149
4.3.2 方法流程154
4.3.3 实验结果及分析154
4.4 基于密集卷积网络和条件随机场的高光谱图像分类方法163
4.4.1 方法原理163
4.4.2 方法流程168
4.4.3 实验结果及分析168
4.5 基于密集卷积网络和域自适应的高光谱图像分类方法175
4.5.1 方法原理176
4.5.2 方法流程178
4.5.3 实验结果及分析178
4.6 基于核引导可变卷积和双窗联合双边滤波的高光谱图像分类方法185
4.6.1 方法原理185
4.6.2 方法流程189
4.6.3 实验结果及分析189
参考文献196
第5章 高光谱图像检测相关理论概述200
5.1 高光谱图像检测的概念、具体分类及特点200
5.1.1 高光谱图像检测的概念200
5.1.2 高光谱图像检测的具体分类200
5.1.3 高光谱图像检测的特点201
5.2 高光谱图像特定目标检测理论概述201
5.2.1 高光谱图像特定目标检测的概念201
5.2.2 高光谱图像特定目标检测中存在的问题202
5.2.3 评价指标202
5.3 高光谱图像异常目标检测理论概述203
5.3.1 高光谱图像异常目标检测的概念203
5.3.2 高光谱图像异常目标检测中存在的问题205
5.3.3 评价指标205
参考文献208
第6章 高光谱图像特定目标检测方法210
6.1 高光谱图像特定目标检测方法的种类210
6.2 几种经典的高光谱图像特定目标检测方法212
6.2.1 正交子空间投影方法212
6.2.2 约束能量昀小化方法214
6.2.3 匹配子空间滤波方法215
6.2.4 光谱匹配滤波方法216
6.2.5 自适应子空间检测方法217
6.2.6 支持向量数据描述方法218
6.3 基于空间支持的稀疏表示目标检测方法219
6.3.1 方法原理219
6.3.2 方法流程220
6.3.3 实验结果及分析222
6.4 基于自适应子字典的稀疏表示目标检测方法228
6.4.1 方法原理228
6.4.2 方法流程229
6.4.3 实验结果及分析230
6.5 基于空谱支持流形式的多任务学习目标检测方法238
6.5.1 方法原理238
6.5.2 方法流程239
6.5.3 实验结果及分析242
6.6 基于概率图的多任务学习目标检测方法256
6.6.1 方法原理256
6.6.2 方法流程258
6.6.3 实验结果及分析261
6.7 基于非局部自相似性和秩-1张量分解的高光谱图像目标检测方法268
6.7.1 方法原理268
6.7.2 方法流程271
6.7.3 实验结果及分析274
参考文献284
第7章 高光谱图像异常目标检测方法289
7.1 高光谱图像异常目标检测方法的种类289
7.1.1 基于统计模型的异常目标检测方法289
7.1.2 基于稀疏表示理论的异常目标检测方法290
7.1.3 基于深度学习的异常目标检测方法291
7.1.4 基于空谱联合的异常目标检测方法292
7.2 几种典型的高光谱图像异常目标检测方法292
7.2.1 RX方法293
7.2.2 基于稀疏表示理论的高光谱图像异常目标检测方法294
7.2.3 基于协同表示的高光谱图像异常目标检测方法295
7.2.4 基于低秩稀疏矩阵分解的高光谱图像异常目标检测方法297
7.3 基于局部线性嵌入稀疏差异指数的高光谱图像异常目标检测方法298
7.3.1 方法原理299
7.3.2 方法流程304
7.3.3 实验结果及分析304
7.4 基于局部密度的自适应背景纯化的高光谱图像异常目标检测方法320
7.4.1 方法原理320
7.4.2 方法流程324
7.4.3 实验结果及分析324
7.5 基于张量分解的高光谱图像异常目标检测方法331
7.5.1 方法原理331
7.5.2 方法流程334
7.5.3 实验结果及分析334
7.6 基于低秩稀疏分解和空谱联合栈式自动编码器的高光谱图像异常目标检测方法342
7.6.1 方法原理342
7.6.2 方法流程344
7.6.3 实验结果及分析345
7.7 基于空谱联合低秩稀疏分解的高光谱图像异常目标检测方法355
7.7.1 方法原理355
7.7.2 方法流程357
7.7.3 实验结果及分析358
参考文献367
京公网安备 11010102004214号