基于流形学习的高光谱遥感影像降维理论与方法研究

总序
论丛前言
前言
第1章 绪论
1．1 研究背景和意义
1．2 高光谱影像降维
1．2．1 高光谱影像的数据表达
1．2．2 高光谱影像的高维特性
1．2．3 高光谱影像降维的理论必要性和可行性
1．3 国内外研究现状分析
1．3．1 高光谱影像的波段选择
1．3．2 高光谱影像的线性特征提取
1．3．3 高光谱影像的非线性特征提取
1．3．4 流形学习在高光谱影像数据处理中的应用
1．3．5 当前研究存在的问题
1．4 研究目标与研究内容
1．4．1 研究目标
1．4．2 研究内容
1．5 研究方法与总体技术路线
1．6 本书结构安排
第2章 流形学习理论
2．1 引言
2．2 流形与流形学习
2．2．1 流形中的一些数学定义
2．2．2 流形学习的定义
2．2．3 流形学习的分类
2．3 典型流形学习方法
2．3．1 等距映射方法
2．3．2 局部切空间排列方法
2．3．3 拉普拉斯特征映射方法
2．3．4 几种流形学习方法的对比
2．4 流形学习方法中主要参数
2．4．1 本征维数的估计
2．4．2 邻域选择及优化
2．5 本章小结
第3章 基于光谱意义解释的高光谱影像低维流形特征提取
3．1 引言
3．2 高光谱影像流形坐标的光谱意义解释
3．3 偏最小二乘法修复Isomap遗失点的流形坐标
3．3．1 偏最小二乘方法
3．3．2 偏最小二乘方法修复Isomap遗失点坐标的流程
3．3．3 实验分析
3．4 高光谱影像低维流形特征提取
3．4．1 Isomap降维的参数选取
3．4．2 Isomap提取低维流形特征的流程
3．5 实验分析
3．5．1 实验数据
3．5．2 阴影区域提取
3．5．3 靠岸浅水区域提取
3．5．4 讨论
3．6 本章小结
第4章 两种流形坐标差异提取高光谱影像的潜在特征
4．1 引言
4．2 流形坐标差异提取潜在特征的可行性分析
4．3 流形坐标差异图提取高光谱影像潜在特征
4．3．1 高光谱影像lsomap和LTSA降维
4．3．2 两种流形坐标的光谱意义解释的统一
4．3．3 两种流形坐标尺度和方向的统
4．3．4 流形差异图的计算及特征提取
4．3．5 流形坐标差异图提取潜在特征的流程
4．4 实验分析
4．4．1 实验数据
4．4．2 靠岸的浅水区域提取
4．4．3 低分辨率道路提取
4．4．4 讨论
4．5 本章小结
第5章 高光谱影像的UL-Isomap降维
5．1 引言
5．2 带标志点的等距映射方法
5．3 基于矢量量化的标志点选取
5．3．1 随机标志点的不足
5．3．2 基于矢量量化的标志点
5．4 速度提升策略
5．4．1 随机映射
5．4．2 快速近似k-邻域构建
5．4．3 快速随机低阶近似奇异值分解
5．5 高光谱影像的UL-Isomap降维算法
5．6 实验分析
5．6．1 实验数据
5．6．2 VQ标志点对分类结果的影响
5．6．3 随机映射对高光谱数据的影响
5．6．4 UL-Isomap的计算速度性能
5．6．5 UL-Isomap的分类性能
5．6．6 快速近似志k-邻域构建对分类的影响
5．6．7 讨论
5．7 本章小结
第6章 高光谱影像的ENH-LTSA降维
6．1 引言
6．2 考虑空间特性的是k-邻域选取
6．2．1 常规k-邻域选取的不足
6．2．2 自适应加权综合核距离
6．3 速度提升策略
6．4 高光谱影像的ENH-LTSA降维算法
6．5 实验分析
6．5．1 实验数据
6．5．2 AWSK距离对分类的影响
6．5．3 ENH-LTSA的计算速度性能
6．5．4 ENH-LTSA的分类性能
6．5．5 随机映射对分类的影响
6．5．6 重叠参数a对分类的影响
6．5．7 讨论
6．6 本章小结
第7章 联合ILE降维和IKNN分类器的高光谱影像分类
7．1 引言
7．2 LE降维和KNN分类器组合策略的不足
7．3 高光谱影像的ILE降维和IKNN组合策略
7．3．1 高光谱影像的ILE降维方法
7．3．2 ILE流形坐标的IKNN分类器
7．4 ILE降维和IKNN分类器的分类算法
7．5 实验分析
7．5．1 实验数据
7．5．2 Indian数据分类
7．5．3 PaviaU数据分类
7．5．4 讨论
7．6 本章小结
第8章 结论和展望
8．1 研究结论
8．2 特色与创新
8．3 展望与下一步工作
参考文献
后记