高光譜遙感影像降維方法與應(yīng)用

目錄
前言
第1章 緒論 1
1.1 高光譜遙感影像降維基礎(chǔ) 1
1.2 高光譜遙感影像數(shù)據(jù)特征 1
1.2.1 信息分布特征 1
1.2.2 維數(shù)災(zāi)難與Hughes現(xiàn)象 5
1.3 高光譜遙感影像降維研究進(jìn)展 6
1.3.1 特征提取 6
1.3.2 特征（波段）選擇 13
1.3.3 特征挖掘 18
1.3.4 多特征優(yōu)化 20
1.4 高光譜遙感影像降維面臨的挑戰(zhàn) 24
1.4.1 特征可分性 24
1.4.2 特征質(zhì)量評(píng)價(jià) 25
1.4.3 距離測度函數(shù) 25
1.4.4 特征數(shù)目確定 26
1.4.5 搜索優(yōu)化策略 26
1.4.6 多特征優(yōu)化 27
1.5 高光譜遙感影像降維的發(fā)展趨勢(shì) 27
參考文獻(xiàn) 28
第2章 高光譜遙感影像降維理論基礎(chǔ) 38
2.1 降維的理論基礎(chǔ) 38
2.2 特征提取 39
2.2.1 特征提取概述 39
2.2.2 特征提取方法 40
2.3 特征選擇 46
2.3.1 特征選擇概述 46
2.3.2 特征選擇方法 46
2.4 特征挖掘 53
2.4.1 特征挖掘概述 53
2.4.2 特征混合 54
2.5 降維方法評(píng)價(jià)與選擇 56
2.5.1 特征提取性能評(píng)價(jià) 56
2.5.2 特征選擇策略 58
2.6 本章小結(jié) 59
參考文獻(xiàn) 60
第3章 高光譜遙感影像特征提取 63
3.1 主成分分析和線性判別分析 63
3.1.1 主成分分析 63
3.1.2 線性判別分析 68
3.2 基于改進(jìn)K均值的特征提取 72
3.2.1 K均值及其存在問題 72
3.2.2 改進(jìn)K均值算法 74
3.2.3 算法復(fù)雜度分析 77
3.2.4 特征提取實(shí)驗(yàn)與分析 78
3.2.5 K值估計(jì)分析 84
3.3 基于層次聚類和正交投影散度的特征提取 85
3.3.1 基于層次聚類的特征提取方法 86
3.3.2 層次聚類特征提取實(shí)驗(yàn)與分析 89
3.4 基于優(yōu)化判別局部對(duì)齊的高光譜遙感影像特征提取 93
3.4.1 DLA與KDLA算法 94
3.4.2 提出的優(yōu)化判別局部對(duì)齊特征提取算法 99
3.4.3 優(yōu)化判別局部對(duì)齊特征提取實(shí)驗(yàn)與分析 101
3.5 本章小結(jié) 108
參考文獻(xiàn) 109
第4章 高光譜遙感影像波段選擇新方法 112
4.1 基于可分性準(zhǔn)則的高光譜遙感影像波段選擇方法 112
4.1.1 基于MEAC的高光譜遙感影像波段選擇 112
4.1.2 基于OPD的波段選擇 114
4.1.3 基于自適應(yīng)仿射傳播的波段選擇 117
4.1.4 基于可分性準(zhǔn)則的波段選擇實(shí)驗(yàn)分析 120
4.2 基于搜索策略的高光譜遙感影像波段選擇方法 124
4.2.1 基于PSO的波段選擇 124
4.2.2 基于螢火蟲算法的波段選擇 125
4.2.3 基于搜索策略的波段選擇實(shí)驗(yàn)分析 129
4.3 本章小結(jié) 138
參考文獻(xiàn) 139
第5章 多目標(biāo)優(yōu)化的自適應(yīng)波段選擇方法 140
5.1 多目標(biāo)優(yōu)化 140
5.1.1 多目標(biāo)優(yōu)化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想點(diǎn) 141
5.1.4 偏好結(jié)構(gòu) 142
5.1.5 基本求解方法 142
5.2 參數(shù)優(yōu)化的組合型降維方法 142
5.2.12 PSO算法 143
5.2.2 組合型螢火蟲引導(dǎo)的自適應(yīng)波段選擇 150
5.3 多參數(shù)優(yōu)化的極限學(xué)習(xí)機(jī)分類 160
5.3.1 參數(shù)優(yōu)化內(nèi)容與方法 160
5.3.2 極限學(xué)習(xí)機(jī)隱含層優(yōu)化與分類 161
5.3.3 極限學(xué)習(xí)機(jī)核函數(shù)參數(shù)和懲罰參數(shù)優(yōu)化與分類 164
5.4 本章小結(jié) 175
參考文獻(xiàn) 175
第6章 高光譜遙感多特征質(zhì)量評(píng)估與優(yōu)化 177
6.1 多特征提取 177
6.1.1 基于局部統(tǒng)計(jì)特征的空間特征提取 177
6.1.2 基于灰度共生矩陣的空間特征提取 178
6.1.3 基于Gabor濾波的空間特征提取 179
6.1.4 基于形態(tài)學(xué)操作的空間特征提取 179
6.2 多特征質(zhì)量評(píng)估 180
6.2.1 定性評(píng)價(jià) 180
6.2.2 定量評(píng)價(jià) 181
6.2.3 特征質(zhì)量評(píng)價(jià)指標(biāo)的應(yīng)用 184
6.3 基于改進(jìn)螢火蟲算法的高光譜遙感多特征優(yōu)化 200
6.3.1 隨機(jī)慣性權(quán)重的螢火蟲算法 200
6.3.2 目標(biāo)函數(shù)的設(shè)置 201
6.3.3 多特征優(yōu)化的流程 201
6.3.4 多特征優(yōu)化實(shí)驗(yàn)分析 202
6.4 基于多分類器集成的多特征性能評(píng)估 209
6.4.1 多分類器集成的思想介紹 209
6.4.2 分類器集成中的融合規(guī)則（投票法） 210
6.4.3 基于分類器集成的多特征性能評(píng)估 210
6.5 本章小結(jié) 218
參考文獻(xiàn) 218
第7章 高光譜遙感影像新型降維方法 220
7.1 引言 220
7.2 基于CGA的高光譜遙感影像波段選擇方法 221
7.2.1 共形空間 221
7.2.2 高光譜遙感影像波段選擇與CGA理論 222
7.2.3 歐幾里得空間與共形空間的映射關(guān)系設(shè)計(jì) 224
7.2.4 距離特征算子設(shè)計(jì) 224
7.2.5 目標(biāo)函數(shù)構(gòu)建 225
7.2.6 CGA波段選擇算法步驟 225
7.3 CGA波段選擇實(shí)驗(yàn)與分析 227
7.3.1 HYDICE Washington DC Mall數(shù)據(jù)實(shí)驗(yàn) 227
7.3.2 AVIRIS Salinas-A數(shù)據(jù)實(shí)驗(yàn) 229
7.4 本章小結(jié) 231
參考文獻(xiàn) 231
第8章 高光譜遙感影像降維的應(yīng)用 233
8.1 降維支持下的端元提取和礦物識(shí)別 233
8.1.1 AVIRIS Cuprite數(shù)據(jù)簡介 233
8.1.2 數(shù)據(jù)降維分析 234
8.1.3 端元提取和礦物識(shí)別分析 236
8.2 波段選擇約束的影像可視化 239
8.2.1 高光譜影像信息表達(dá)模式 239
8.2.2 映射區(qū)域代表性波段選擇 241
8.2.3 影像可視化算法復(fù)雜度分析 242
8.2.4 影像可視化實(shí)驗(yàn)與分析 242
8.3 城市土地覆蓋分析 244
8.3.1 波段聚類 244
8.3.2 異常波段剔除 245
8.3.3 波段聚類算法步驟 245
8.3.4 HYDICE數(shù)據(jù)實(shí)驗(yàn) 246
8.3.5 HYMAP數(shù)據(jù)實(shí)驗(yàn) 249
8.4 本章小結(jié) 253
參考文獻(xiàn) 254