高光谱图像混合像元非线性分解技术 目录

第1章 高光谱图像遥感基本理论及主要处理技术
1．1 光谱成像技术的发展与应用
1．2 高光谱图像混合像元光谱分解技术
1．3 高光谱分类方法研究进展
1．4 高光谱异常目标探测技术
1．5 高光谱目标探测研究进展
1．6 高光谱图像降维技术
本章参考文献
第2章 高光谱非线性光谱分解的研究基础
2．1 引言
2．2 线性光谱分解
2．3 非线性光谱分解
2．4 端元提取算法
2．5 混合像元分解的精度评价
2．6 端元提取算法验证
2．7 本章小结
本章参考文献
第3章 基于流形学习的非线性降维算法的研究
3．1 引言
3．2 高光谱数据的非线性结构
3．3 流形学习算法
3．4 基于流形学习的非线性降维算法的实验结果及分析
3．5 本章小结
本章参考文献
第4章 基于标志点选择的快速端元提取算法
4．1 引言
4．2 基于标志点的Isomap算法
4．3 基于区域分割和空间信息的标志点选择算法
4．4 基于标志点选择的快速端元提取算法
4．5 实验结果及分析
4．6 本章小结
本章参考文献
第5章 基于非均质背景的端元信息提取方法的研究
5．1 引言
5．2 空间预处理
5．3 基于等距映射和背景空间信息的端元提取算法
5．4 基于局部切空间排列和背景空间信息的端元提取算法
5．5 实验结果及分析
5．6 本章小结
本章参考文献
第6章 基于端元优化的非线性光谱分解算法
6．1 引言
6．2 基于分层贝叶斯模型的参数估计
6．3 基于端元优化的非线性光谱解混算法
6．4 实验结果及分析
6．5 本章小结
本章参考文献
第7章 高光谱遥感影像分类方法
7．1 非监督分类
7．2 高光谱图像分类精度评价
7．3 高光谱遥感影像非监督分类算法验证
7．4 监督分类
7．5 本章小结
本章参考文献
第8章 多分类器组合的高光谱分类新方法
8．1 多分类器组合的高光谱分类新方法
8．2 决策树组合分类算法
8．3 高光谱分类实验与结果分析
8．4 本章小结
本章参考文献
第9章 高光谱影像亚像元级目标识别技术
9．1 高光谱影像概述
9．2 高光谱图像的背景高斯化
9．3 RX异常探测算法
9．4 低概率探测算法
9．5 基于三维高斯马尔可夫模型的异常探测算法
9．6 利用背景残差数据的异常探测算法（FRX）
9．7 异常探测算法性能评价及实验结果
9．8 本章小结
本章参考文献
第10章 基于高光谱的目标探测方法
10．1 引言
10．2 光谱角填图
10．3 约束*小能量算子目标识别算法
10．4 基于欧氏距离加权样本自相关矩阵的目标探测算法
10．5 基于端元提取的全像素目标探测算法
10．6 本章小结
本章参考文献

高光谱图像混合像元非线性分解技术 内容简介

传统的混合像元分解广泛采用的线性光谱混合模型，仅考虑了端元在宏观尺度上混合且光子仅与一种物质发生作用的情况，与许多实际的遥感成像条件，如非均质背景下的二次和多路径反射、水环境、致密物质混合等并不完全一致，影响了光谱解混精度和后续处理应用的效果。《高光谱图像混合像元非线性分解技术》重点论述了非线性光谱混合模型混合像元分解的方法。

高光谱图像混合像元非线性分解技术 作者简介

唐晓燕（1979一），女，汉族，籍贯河南省南阳市，博士研究生，副教授，主要研究方向为遥感图像处理。南阳理工学院教师，2001年参加工作以来，多次获得学校优秀教师称号。近5年来发表核心及以上学术论文8篇，其中2篇被SCI收录；出版教材1部；主持河南省科技攻关项目1项、河南省教育厅项目1项、教育部重点实验室开放基金1项，作为第三参与人完成国家自然科学基金1项；申请国家发明专利1项；2015年获南阳市第八届自然科学优秀学术成果一等奖1项。