高光谱图像混合像元分解

《地球观测与导航技术丛书》出版说明
前言
第1章绪论1
1.1遥感与高光谱遥感1
1.2高光谱遥感图像数据2
1.3混合像元现象3
1.4混合像元分解问题5
第2章混合像元模型6
2.1线性光谱混合模型7
2.2非线性光谱混合模型10
2.2.1Hapke混合光谱模型11
2.2.2Kubelk-Munk混合光谱理论12
2.2.3双线性模型13
2.3混合像元分解流程14
2.4数据降维方法15
2.4.1主成分分析15
2.4.2最大噪声分数17
2.4.3仿射集拟合18
2.5精度评价指标20
2.5.1光谱角距离20
2.5.2光谱信息散度20
2.5.3均方根误差21
第3章端元数量确认算法22
3.1主成分分析22
3.2最大噪声分数22
3.3虚拟维数23
3.4最小误差信号子空间识别27
3.5特征值似然最大化30
3.6基于几何学的端元数目估计算法31
第4章端元提取算法36
4.1端元提取算法分类36
4.2纯像元假设下的端元提取算法37
4.2.1纯像元指数37
4.2.2内部最大体积40
4.2.3逐次投影算法41
4.2.4顶点成分分析42
4.2.5单形体投影方法43
4.2.6迭代误差分析44
4.2.7单形体增长45
4.2.8顺序最大角凸锥45
4.2.9交替体积最大化46
4.2.10连续体积最大化51
4.2.11p范数纯像元识别52
4.3最小体积模型下的端元提取算法53
4.3.1外包单形体收缩53
4.3.2最小体积单形体分析55
4.3.3基于分裂增广拉格朗日的单纯形识别56
4.3.4最小体积外包单形体58
4.3.5鲁棒最小体积封闭单形体算法61
4.3.6最小体积约束的非负矩阵分解63
4.3.7迭代限制端元法64
4.3.8凸锥分析方法65
4.4融合空间信息的端元提取方法66
4.4.1自动形态学端元提取66
4.4.2空间光谱信息端元提取68
4.4.3空间预处理71
4.4.4区域空间预处理74
4.4.5空间光谱预处理75
4.5统计模型下的端元提取算法76
4.5.1独立成分分析76
4.5.2依赖成分分析83
4.5.3贝叶斯分析87
4.6智能端元提取算法90
4.6.1蚁群优化端元提取90
4.6.2离散粒子群优化端元提取95
4.7其他端元提取算法99
4.7.1凸集分离端元提取99
4.7.2支持向量机端元提取405
第5章丰度反演算法107
5.1最小二乘法107
5.1.1无约束最小二乘法107
5.1.2“和为1”约束最小二乘法108
5.1.3非负约束最小二乘法108
5.1.4全约束最小二乘法109
5.2稀疏回归光谱解混109
5.2.1基于稀疏策略的迭代约束端元提取算法109
5.2.2分离和增广拉格朗日光谱解混110
5.2.3全变分-分离和增广拉格朗日光谱解混112
5.2.4L1/2稀疏约束非负矩阵分解算法118
5.3正态组分模型反演算法122
5.3.1马尔可夫链蒙特卡罗算法123
5.3.2粒子群优化的期望最大化算法125
5.3.3正态端元光谱解混算法128
5.3.4可逆转跳变马尔可夫链蒙特卡罗129
第6章混合像元分解实验135
6.1模拟数据实验135
6.1.1数据介绍135
6.1.2实验流程137
6.1.3实验结果与分析138
6.2实际数据实验141
6.2.1数据介绍142
6.2.2实验流程143
6.2.3实验结果与分析144
参考文献155
索引161