《高光譜圖像混合像元分解》是2015年科學出版社出版的圖書，作者是張兵，孫旭。
基本介紹
- 書名：高光譜圖像混合像元分解
- 作者：張兵，孫旭
- 頁數：180
- 定價：99.00
- 出版社：科學出版社
- 出版時間：2015年7月
- 裝幀：平裝
- 開本：16開
- 叢書名：地球觀測與導航技術叢書
內容簡介,目錄,
內容簡介
混合像元分解是高光譜圖像處理領域的重要研究內容。本書系統地介紹了混合像元的基本概念和數學模型，詳細地描述了混合像元分解的主要算法。
目錄
全書分為7章：緒論、混合像元模型、混合像元分解流程、端元數量確認算法、端元提取算法、豐度反演算法和實驗比較。
前言
第1章緒論1
1.1遙感與高光譜遙感1
1.2高光譜遙感圖像數據2
1.3混合像元現象3
1.4混合像元分解問題5
第2章混合像元模型6
2.1線性光譜混合模型7
2.2非線性光譜混合模型10
2.2.1Hapke混合光譜模型11
2.2.2Kubelk-Munk混合光譜理論12
2.2.3雙線性模型13
2.3混合像元分解流程14
2.4數據降維方法15
2.4.1主成分分析15
2.4.2最大噪聲分數17
2.4.3仿射集擬合18
2.5精度評價指標20
2.5.1光譜角距離20
2.5.2光譜信息散度20
2.5.3均方根誤差21
第3章端元數量確認算法22
3.1主成分分析22
3.2最大噪聲分數22
3.3虛擬維數23
3.4最小誤差信號子空間識別27
3.5特徵值似然最大化30
3.6基於幾何學的端元數目估計算法31
第4章端元提取算法36
4.1端元提取算法分類36
4.2純像元假設下的端元提取算法37
4.2.1純像元指數37
4.2.2內部最大體積40
4.2.3逐次投影算法41
4.2.4頂點成分分析42
4.2.5單形體投影方法43
4.2.6疊代誤差分析44
4.2.7單形體增長45
4.2.8順序最大角凸錐45
4.2.9交替體積最大化46
4.2.10連續體積最大化51
4.2.11p範數純像元識別52
4.3最小體積模型下的端元提取算法53
4.3.1外包單形體收縮53
4.3.2最小體積單形體分析55
4.3.3基於分裂增廣拉格朗日的單純形識別56
4.3.4最小體積外包單形體58
4.3.5魯棒最小體積封閉單形體算法61
4.3.6最小體積約束的非負矩陣分解63
4.3.7疊代限制端元法64
4.3.8凸錐分析方法65
4.4融合空間信息的端元提取方法66
4.4.1自動形態學端元提取66
4.4.2空間光譜信息端元提取68
4.4.3空間預處理71
4.4.4區域空間預處理74
4.4.5空間光譜預處理75
4.5統計模型下的端元提取算法76
4.5.1獨立成分分析76
4.5.2依賴成分分析83
4.5.3貝葉斯分析87
4.6智慧型端元提取算法90
4.6.1蟻群最佳化端元提取90
4.6.2離散粒子群最佳化端元提取95
4.7其他端元提取算法99
4.7.1凸集分離端元提取99
4.7.2支持向量機端元提取405
第5章豐度反演算法107
5.1最小二乘法107
5.1.1無約束最小二乘法107
5.1.2“和為1”約束最小二乘法108
5.1.3非負約束最小二乘法108
5.1.4全約束最小二乘法109
5.2稀疏回歸光譜解混109
5.2.1基於稀疏策略的疊代約束端元提取算法109
5.2.2分離和增廣拉格朗日光譜解混110
5.2.3全變分-分離和增廣拉格朗日光譜解混112
5.2.4L1/2稀疏約束非負矩陣分解算法118
5.3正態組分模型反演算法122
5.3.1馬爾可夫鏈蒙特卡羅算法123
5.3.2粒子群最佳化的期望最大化算法125
5.3.3正態端元光譜解混算法128
5.3.4可逆轉跳變馬爾可夫鏈蒙特卡羅129
第6章混合像元分解實驗135
6.1模擬數據實驗135
6.1.1數據介紹135
6.1.2實驗流程137
6.1.3實驗結果與分析138
6.2實際數據實驗141
6.2.1數據介紹142
6.2.2實驗流程143
6.2.3實驗結果與分析144
參考文獻155
索引161
第1章緒論1
1.1遙感與高光譜遙感1
1.2高光譜遙感圖像數據2
1.3混合像元現象3
1.4混合像元分解問題5
第2章混合像元模型6
2.1線性光譜混合模型7
2.2非線性光譜混合模型10
2.2.1Hapke混合光譜模型11
2.2.2Kubelk-Munk混合光譜理論12
2.2.3雙線性模型13
2.3混合像元分解流程14
2.4數據降維方法15
2.4.1主成分分析15
2.4.2最大噪聲分數17
2.4.3仿射集擬合18
2.5精度評價指標20
2.5.1光譜角距離20
2.5.2光譜信息散度20
2.5.3均方根誤差21
第3章端元數量確認算法22
3.1主成分分析22
3.2最大噪聲分數22
3.3虛擬維數23
3.4最小誤差信號子空間識別27
3.5特徵值似然最大化30
3.6基於幾何學的端元數目估計算法31
第4章端元提取算法36
4.1端元提取算法分類36
4.2純像元假設下的端元提取算法37
4.2.1純像元指數37
4.2.2內部最大體積40
4.2.3逐次投影算法41
4.2.4頂點成分分析42
4.2.5單形體投影方法43
4.2.6疊代誤差分析44
4.2.7單形體增長45
4.2.8順序最大角凸錐45
4.2.9交替體積最大化46
4.2.10連續體積最大化51
4.2.11p範數純像元識別52
4.3最小體積模型下的端元提取算法53
4.3.1外包單形體收縮53
4.3.2最小體積單形體分析55
4.3.3基於分裂增廣拉格朗日的單純形識別56
4.3.4最小體積外包單形體58
4.3.5魯棒最小體積封閉單形體算法61
4.3.6最小體積約束的非負矩陣分解63
4.3.7疊代限制端元法64
4.3.8凸錐分析方法65
4.4融合空間信息的端元提取方法66
4.4.1自動形態學端元提取66
4.4.2空間光譜信息端元提取68
4.4.3空間預處理71
4.4.4區域空間預處理74
4.4.5空間光譜預處理75
4.5統計模型下的端元提取算法76
4.5.1獨立成分分析76
4.5.2依賴成分分析83
4.5.3貝葉斯分析87
4.6智慧型端元提取算法90
4.6.1蟻群最佳化端元提取90
4.6.2離散粒子群最佳化端元提取95
4.7其他端元提取算法99
4.7.1凸集分離端元提取99
4.7.2支持向量機端元提取405
第5章豐度反演算法107
5.1最小二乘法107
5.1.1無約束最小二乘法107
5.1.2“和為1”約束最小二乘法108
5.1.3非負約束最小二乘法108
5.1.4全約束最小二乘法109
5.2稀疏回歸光譜解混109
5.2.1基於稀疏策略的疊代約束端元提取算法109
5.2.2分離和增廣拉格朗日光譜解混110
5.2.3全變分-分離和增廣拉格朗日光譜解混112
5.2.4L1/2稀疏約束非負矩陣分解算法118
5.3正態組分模型反演算法122
5.3.1馬爾可夫鏈蒙特卡羅算法123
5.3.2粒子群最佳化的期望最大化算法125
5.3.3正態端元光譜解混算法128
5.3.4可逆轉跳變馬爾可夫鏈蒙特卡羅129
第6章混合像元分解實驗135
6.1模擬數據實驗135
6.1.1數據介紹135
6.1.2實驗流程137
6.1.3實驗結果與分析138
6.2實際數據實驗141
6.2.1數據介紹142
6.2.2實驗流程143
6.2.3實驗結果與分析144
參考文獻155
索引161
