高光譜圖像分類與目標(biāo)探測(張兵-高連如編著)模板

高光譜圖像分類與目標(biāo)探測(張兵，高連如編著)演講人202x-11-1101序

序02前言

前言03第1章高光譜遙感原理及圖像特點(diǎn)第1章高光譜遙感原理及圖像特點(diǎn)1.1高光譜遙感理論基礎(chǔ)1.2高光譜遙感成像技術(shù)1.3高光譜圖像處理與分析的特點(diǎn)參考文獻(xiàn)第1章高光譜遙感原理及圖像特點(diǎn)1.1高光譜遙感理論基礎(chǔ)1.1.1太陽輻射1.1.2電磁波與地物的相互作用1.1.3電磁輻射與大氣的相互作用第1章高光譜遙感原理及圖像特點(diǎn)1.2高光譜遙感成像技術(shù)1.2.1光譜分光1.2.2空間成像1.2.3探測器第1章高光譜遙感原理及圖像特點(diǎn)1.3高光譜圖像處理與分析的特點(diǎn)1.3.1高光譜圖像分析的核心是光譜分析1.3.3特征選擇與提取對海量高光譜數(shù)據(jù)處理尤為重要1.3.2高光譜圖像分析是一種定量化分析1.3.4混合像元是高光譜圖像處理面臨的一個重要問題04第2章高光譜圖像噪聲評估與數(shù)據(jù)降維12.1高光譜圖像噪聲評估的常用方法32.3高光譜圖像數(shù)據(jù)降維的常用方法22.2高光譜圖像噪聲評估方法優(yōu)化42.4最大噪聲分?jǐn)?shù)降維方法優(yōu)化第2章高光譜圖像噪聲評估與數(shù)據(jù)降維52.5高光譜圖像降維方法分析與評價6參考文獻(xiàn)c2.1.3局部均值與局部標(biāo)準(zhǔn)差法b2.1.2地學(xué)統(tǒng)計法d2.1.4空間/光譜維去相關(guān)法a2.1.1均勻區(qū)域法第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.1高光譜圖像噪聲評估的常用方法第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.2高光譜圖像噪聲評估方法優(yōu)化2.2.3基于均勻區(qū)域劃分的噪聲評估方法032.2.2基于殘差調(diào)整的局部均值與局部標(biāo)準(zhǔn)差法022.2.1基于均勻塊局部標(biāo)準(zhǔn)差的方法01第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.3高光譜圖像數(shù)據(jù)降維的常用方法2.3.1主成分分析012.3.2最小/最大自相關(guān)因子分析022.3.3最大噪聲分?jǐn)?shù)032.3.4噪聲調(diào)整的主成分分析042.3.5典型分析052.3.6獨(dú)立成分分析06第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.3高光譜圖像數(shù)據(jù)降維的常用方法2.3.9典型相關(guān)分析2.3.12基于“流形學(xué)習(xí)”的非線性降維方法2.3.7投影尋蹤2.3.8典型判別分析2.3.11非線性主成分分析2.3.10非負(fù)矩陣分解020304050601第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.4最大噪聲分?jǐn)?shù)降維方法優(yōu)化2.4.1mnf變換中廣義特征值求解012.4.2mnf對于圖像數(shù)值變化的敏感性022.4.3地物空間分布對mnf變換的影響032.4.4噪聲評估結(jié)果對mnf的影響042.4.5優(yōu)化的mnf變換及其圖像分類應(yīng)用05第2章高光譜圖像噪聲評估與數(shù)據(jù)降維2.5高光譜圖像降維方法分析與評價ab2.5.2高光譜圖像降維方法選擇策略2.5.1高光譜圖像降維方法關(guān)聯(lián)分析05第3章高光譜圖像混合像元分解13.1混合像元問題與光譜混合模型33.3高光譜圖像端元提取方法23.2高光譜圖像線性光譜解混流程43.4高光譜圖像端元豐度反演方法第3章高光譜圖像混合像元分解53.5空間信息在混合像元分解中的應(yīng)用63.6高光譜圖像混合光譜分解方法分析與評價第3章高光譜圖像混合像元分解參考文獻(xiàn)第3章高光譜圖像混合像元分解3.1混合像元問題與光譜混合模型3.1.2非線性光譜混合模型3.1.3線性光譜混合模型3.1.1混合像元產(chǎn)生的機(jī)理c3.2.3數(shù)據(jù)降維方法選擇b3.2.2端元數(shù)目確認(rèn)d3.2.4端元光譜變異性與端元束a3.2.1線性光譜解混技術(shù)流程第3章高光譜圖像混合像元分解3.2高光譜圖像線性光譜解混流程第3章高光譜圖像混合像元分解3.3高光譜圖像端元提取方法01033.3.1純像元指數(shù)3.3.2內(nèi)部最大體積法3.3.3頂點(diǎn)成分分析020405063.3.4單形體投影方法3.3.5順序最大角凸錐3.3.6迭代誤差分析第3章高光譜圖像混合像元分解3.3高光譜圖像端元提取方法013.3.7外包單形體收縮023.3.8最小體積單形體分析033.3.9凸錐分析043.3.10光學(xué)實時自適應(yīng)光譜識別系統(tǒng)053.3.11自動形態(tài)學(xué)063.3.12最大距離法第3章高光譜圖像混合像元分解3.3高光譜圖像端元提取方法3.3.14最大零空間投影距離法3.3.15定量化獨(dú)立成分分析法3.3.13最大體積法第3章高光譜圖像混合像元分解3.4高光譜圖像端元豐度反演方法3.4.1最小二乘法3.4.3迭代光譜混合分析3.4.4基于端元投影向量的豐度反演方法3.4.5基于單形體體積的豐度反演方法3.4.2濾波向量法0102030405第3章高光譜圖像混合像元分解3.5空間信息在混合像元分解中的應(yīng)用ab3.5.2空間信息輔助下的混合光譜分解3.5.1空間信息輔助下的端元快速提取第3章高光譜圖像混合像元分解3.6高光譜圖像混合光譜分解方法分析與評價013.6.1高光譜圖像端元提取方法定量評價023.6.2線性光譜解混對不同空間分辨率圖像的適應(yīng)性評價06第4章高光譜圖像監(jiān)督分類第4章高光譜圖像監(jiān)督分類4.1高光譜圖像分類的概念及特點(diǎn)014.2高光譜圖像監(jiān)督分類流程及步驟024.3基于光譜特征空間的高光譜圖像分類034.4幾何空間與光譜特征空間結(jié)合的高光譜圖像分類044.5高光譜圖像分類精度評價05參考文獻(xiàn)06第4章高光譜圖像監(jiān)督分類4.1高光譜圖像分類的概念及特點(diǎn)4.1.2高光譜圖像分類的特點(diǎn)4.1.3高光譜圖像數(shù)據(jù)描述模型4.1.1高光譜圖像分類的概念第4章高光譜圖像監(jiān)督分類4.3基于光譜特征空間的高光譜圖像分類4.3.1光譜特征匹配分類方法4.3.3高光譜圖像神經(jīng)網(wǎng)絡(luò)分類方法4.3.2遙感圖像統(tǒng)計模型分類方法4.3.4高光譜圖像支持向量機(jī)分類方法第4章高光譜圖像監(jiān)督分類4.4幾何空間與光譜特征空間結(jié)合的高光譜圖像分類4.4.1基于圖像上下文的高光譜圖像分類014.4.2基于同質(zhì)地物提取的高光譜圖像分類024.4.3紋理信息輔助下的高光譜圖像分類034.4.4面向?qū)ο蟮母吖庾V圖像分類04第4章高光譜圖像監(jiān)督分類4.5高光譜圖像分類精度評價4.5.2漏分誤差和多分誤差4.5.3kappa分析4.5.1誤差矩陣07第5章高光譜圖像非監(jiān)督分類第5章高光譜圖像非監(jiān)督分類01

5.1非監(jiān)督分類方法框架025.2.1k均值算法5.2.2isodata算法5.2.2ISODATA算法5.2典型非監(jiān)督分類算法03

5.3模糊k均值聚類04

5.4蟻群算法優(yōu)化的k均值聚類05

參考文獻(xiàn)08第6章高光譜圖像目標(biāo)探測理論與模型16.1高光譜圖像目標(biāo)探測的概念及特點(diǎn)36.3高光譜目標(biāo)探測算法設(shè)計的一般過程26.2高光譜圖像目標(biāo)探測中的影響因素46.4高光譜目標(biāo)探測的子空間模型第6章高光譜圖像目標(biāo)探測理論與模型56.5高光譜目標(biāo)探測的概率統(tǒng)計模型6參考文獻(xiàn)第6章高光譜圖像目標(biāo)探測理論與模型6.1高光譜圖像目標(biāo)探測的概念及特點(diǎn)6.1.1高光譜圖像中目標(biāo)存在的幾種形式6.1.3高光譜圖像目標(biāo)探測與傳統(tǒng)空間維目標(biāo)探測比較6.1.2高光譜圖像目標(biāo)探測與圖像分類的差異6.1.4高光譜圖像目標(biāo)探測中的幾個關(guān)鍵問題c6.2.3高光譜圖像噪聲b6.2.2遙感器成像特性與成像方式d6.2.4高光譜數(shù)據(jù)降維a6.2.1目標(biāo)的光譜偽裝特性與揭露第6章高光譜圖像目標(biāo)探測理論與模型6.2高光譜圖像目標(biāo)探測中的影響因素第6章高光譜圖像目標(biāo)探測理論與模型6.5高光譜目標(biāo)探測的概率統(tǒng)計模型6.5.1np決策規(guī)則16.5.2fisher準(zhǔn)則209第7章高光譜圖像目標(biāo)探測算法17.1高光譜圖像目標(biāo)探測算法選擇37.3已知目標(biāo)、未知背景的目標(biāo)探測算法27.2未知目標(biāo)、未知背景的目標(biāo)探測算法47.4已知目標(biāo)、已知背景的目標(biāo)探測算法第7章高光譜圖像目標(biāo)探測算法57.5未知目標(biāo)、已知背景的目標(biāo)探測算法67.6多源信息輔助下的高光譜圖像目標(biāo)探測第7章高光譜圖像目標(biāo)探測算法7.7高光譜圖像目標(biāo)探測算法性能評價參考文獻(xiàn)第7章高光譜圖像目標(biāo)探測算法7.1高光譜圖像目標(biāo)探測算法選擇17.1.1依據(jù)算法參數(shù)27.1.2依據(jù)算法模型第7章高光譜圖像目標(biāo)探測算法7.2未知目標(biāo)、未知背景的目標(biāo)探測算法7.2.2低概率目標(biāo)探測算法02047.2.4基于數(shù)據(jù)白化距離的異常探測算法7.2.1rx異常探測算法037.2.3均衡目標(biāo)探測算法01第7章高光譜圖像目標(biāo)探測算法7.3已知目標(biāo)、未知背景的目標(biāo)探測算法7.3.1約束最小能量算子017.3.2自適應(yīng)余弦一致性評估器算法027.3.3自適應(yīng)匹配濾波算法037.3.4橢圓輪廓分布模型探測器047.3.5基于ecd的雙曲線決策門限型目標(biāo)探測算法057.3.6基于ecd的拋物線決策門限型目標(biāo)探測算法06第7章高光譜圖像目標(biāo)探測算法7.3已知目標(biāo)、未知背景的目標(biāo)探測算法7.3.7非監(jiān)督目標(biāo)生成處理7.3.9基于加權(quán)自相關(guān)矩陣的cem算法7.3.8非監(jiān)督向量量化目標(biāo)子空間投影法7.3.10基于加權(quán)自相關(guān)矩陣的osp算法第7章高光譜圖像目標(biāo)探測算法7.4已知目標(biāo)、已知背景的目標(biāo)探測算法017.4.1正交子空間投影027.4.2目標(biāo)約束下的干擾最小化濾波算法037.4.3廣義似然比算法047.4.4特征子空間投影算法057.4.5目標(biāo)子空間投影算法067.4.6斜子空間投影算法7.4已知目標(biāo)、已知背景的目標(biāo)探