高光譜圖像混合像元非線性分解技術（簡體書）

傳統的混合像元分解廣泛採用的線性光譜混合模型，僅考慮了端元在宏觀尺度上混合且光子僅與一種物質發生作用的情況，與許多實際的遙感成像條件，如非均質背景下的二次和多路徑反射、水環境、緻密物質混合等並不完全一致，影響了光譜解混精度和後續處理應用的效果。本書重點論述了非線性光譜混合模型混合像元分解的方法。

唐曉燕(1979一)，女，漢族，籍貫河南省南陽市，博士研究生，副教授，主要研究方向為遙感圖像處理。南陽理工學院教師，2001年參加工作以來，多次獲得學校優秀教師稱號。
近5年來發表核心及以上學術論文8篇，其中2篇被SCI收錄；出版教材1部；主持河南省科技攻關項目1項、河南省教育廳項目1項、教育部重點實驗室開放基金1項，作為第三參與人完成國家自然科學基金1項；申請國家發明專利1項；2015年獲南陽市第八屆自然科學優秀學術成果一等獎1項。

第1章 高光譜圖像遙感基本理論及主要處理技術
1.1 光譜成像技術的發展與應用
1.2 高光譜圖像混合像元光譜分解技術
1.3 高光譜分類方法研究進展
1.4 高光譜異常目標探測技術
1.5 高光譜目標探測研究進展
1.6 高光譜圖像降維技術
本章參考文獻
第2章 高光譜非線性光譜分解的研究基礎
2.1 引言
2.2 線性光譜分解
2.3 非線性光譜分解
2.4 端元提取算法
2.5 混合像元分解的精度評價
2.6 端元提取算法驗證
2.7 本章小結
本章參考文獻
第3章 基於流形學習的非線性降維算法的研究
3.1 引言
3.2 高光譜數據的非線性結構
3.3 流形學習算法
3.4 基於流形學習的非線性降維算法的實驗結果及分析
3.5 本章小結
本章參考文獻
第4章 基於標誌點選擇的快速端元提取算法
4.1 引言
4.2 基於標誌點的Isomap算法
4.3 基於區域分割和空間信息的標誌點選擇算法
4.4 基於標誌點選擇的快速端元提取算法
4.5 實驗結果及分析
4.6 本章小結
本章參考文獻
第5章 基於非均質背景的端元信息提取方法的研究
5.1 引言
5.2 空間預處理
5.3 基於等距映射和背景空間信息的端元提取算法
5.4 基於局部切空間排列和背景空間信息的端元提取算法
5.5 實驗結果及分析
5.6 本章小結
本章參考文獻
第6章 基於端元優化的非線性光譜分解算法
6.1 引言
6.2 基於分層貝葉斯模型的參數估計
6.3 基於端元優化的非線性光譜解混算法
6.4 實驗結果及分析
6.5 本章小結
本章參考文獻
第7章 高光譜遙感影像分類方法
7.1 非監督分類
7.2 高光譜圖像分類精度評價
7.3 高光譜遙感影像非監督分類算法驗證／154
7.4 監督分類
7.5 本章小結
本章參考文獻
第8章 多分類器組合的高光譜分類新方法
8.1 多分類器組合的高光譜分類新方法
8.2 決策樹組合分類算法
8.3 高光譜分類實驗與結果分析
8.4 本章小結
本章參考文獻
第9章 高光譜影像亞像元級目標識別技術
9.1 高光譜影像概述
9.2 高光譜圖像的背景高斯化
9.3 RX異常探測算法
9.4 低概率探測算法
9.5 基於三維高斯馬爾可夫模型的異常探測算法
9.6 利用背景殘差數據的異常探測算法(FRX)
9.7 異常探測算法性能評價及實驗結果
9.8 本章小結
本章參考文獻
第10章 基於高光譜的目標探測方法
10.1 引言
10.2 光譜角填圖
10.3 約束最小能量算子目標識別算法
10.4 基於歐氏距離加權樣本自相關矩陣的目標探測算法
10.5 基於端元提取的全像素目標探測算法
10.6 本章小結
本章參考文獻