高光譜圖像混合像元非線性分解技術(shù)

第1章 高光譜圖像遙感基本理論及主要處理技術(shù)
1．1 光譜成像技術(shù)的發(fā)展與應用
1．2 高光譜圖像混合像元光譜分解技術(shù)
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(shù)
1．5 高光譜目標探測研究進展
1．6 高光譜圖像降維技術(shù)
本章參考文獻
第2章 高光譜非線性光譜分解的研究基礎(chǔ)
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(jié)
本章參考文獻
第3章 基于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(shù)據(jù)的非線性結(jié)構(gòu)
3．3 流形學習算法
3．4 基于流形學習的非線性降維算法的實驗結(jié)果及分析
3．5 本章小結(jié)
本章參考文獻
第4章 基于標志點選擇的快速端元提取算法
4．1 引言
4．2 基于標志點的Isomap算法
4．3 基于區(qū)域分割和空間信息的標志點選擇算法
4．4 基于標志點選擇的快速端元提取算法
4．5 實驗結(jié)果及分析
4．6 本章小結(jié)
本章參考文獻
第5章 基于非均質(zhì)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 基于等距映射和背景空間信息的端元提取算法
5．4 基于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(jié)果及分析
5．6 本章小結(jié)
本章參考文獻
第6章 基于端元優(yōu)化的非線性光譜分解算法
6．1 引言
6．2 基于分層貝葉斯模型的參數(shù)估計
6．3 基于端元優(yōu)化的非線性光譜解混算法
6．4 實驗結(jié)果及分析
6．5 本章小結(jié)
本章參考文獻
第7章 高光譜遙感影像分類方法
7．1 非監(jiān)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(jiān)督分類算法驗證
7．4 監(jiān)督分類
7．5 本章小結(jié)
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(jié)果分析
8．4 本章小結(jié)
本章參考文獻
第9章 高光譜影像亞像元級目標識別技術(shù)
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 基于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(shù)據(jù)的異常探測算法（FRX）
9．7 異常探測算法性能評價及實驗結(jié)果
9．8 本章小結(jié)
本章參考文獻
第10章 基于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 基于歐氏距離加權(quán)樣本自相關(guān)矩陣的目標探測算法
10．5 基于端元提取的全像素目標探測算法
10．6 本章小結(jié)
本章參考文獻