高光谱图像分类与目标探测(张兵-高连如编著)模板

高光谱图像分类与目标探测(张兵，高连如编著)演讲人202x-11-1101序

序02前言

前言03第1章高光谱遥感原理及图像特点第1章高光谱遥感原理及图像特点1.1高光谱遥感理论基础1.2高光谱遥感成像技术1.3高光谱图像处理与分析的特点参考文献第1章高光谱遥感原理及图像特点1.1高光谱遥感理论基础1.1.1太阳辐射1.1.2电磁波与地物的相互作用1.1.3电磁辐射与大气的相互作用第1章高光谱遥感原理及图像特点1.2高光谱遥感成像技术1.2.1光谱分光1.2.2空间成像1.2.3探测器第1章高光谱遥感原理及图像特点1.3高光谱图像处理与分析的特点1.3.1高光谱图像分析的核心是光谱分析1.3.3特征选择与提取对海量高光谱数据处理尤为重要1.3.2高光谱图像分析是一种定量化分析1.3.4混合像元是高光谱图像处理面临的一个重要问题04第2章高光谱图像噪声评估与数据降维12.1高光谱图像噪声评估的常用方法32.3高光谱图像数据降维的常用方法22.2高光谱图像噪声评估方法优化42.4最大噪声分数降维方法优化第2章高光谱图像噪声评估与数据降维52.5高光谱图像降维方法分析与评价6参考文献c2.1.3局部均值与局部标准差法b2.1.2地学统计法d2.1.4空间/光谱维去相关法a2.1.1均匀区域法第2章高光谱图像噪声评估与数据降维2.1高光谱图像噪声评估的常用方法第2章高光谱图像噪声评估与数据降维2.2高光谱图像噪声评估方法优化2.2.3基于均匀区域划分的噪声评估方法032.2.2基于残差调整的局部均值与局部标准差法022.2.1基于均匀块局部标准差的方法01第2章高光谱图像噪声评估与数据降维2.3高光谱图像数据降维的常用方法2.3.1主成分分析012.3.2最小/最大自相关因子分析022.3.3最大噪声分数032.3.4噪声调整的主成分分析042.3.5典型分析052.3.6独立成分分析06第2章高光谱图像噪声评估与数据降维2.3高光谱图像数据降维的常用方法2.3.9典型相关分析2.3.12基于“流形学习”的非线性降维方法2.3.7投影寻踪2.3.8典型判别分析2.3.11非线性主成分分析2.3.10非负矩阵分解020304050601第2章高光谱图像噪声评估与数据降维2.4最大噪声分数降维方法优化2.4.1mnf变换中广义特征值求解012.4.2mnf对于图像数值变化的敏感性022.4.3地物空间分布对mnf变换的影响032.4.4噪声评估结果对mnf的影响042.4.5优化的mnf变换及其图像分类应用05第2章高光谱图像噪声评估与数据降维2.5高光谱图像降维方法分析与评价ab2.5.2高光谱图像降维方法选择策略2.5.1高光谱图像降维方法关联分析05第3章高光谱图像混合像元分解13.1混合像元问题与光谱混合模型33.3高光谱图像端元提取方法23.2高光谱图像线性光谱解混流程43.4高光谱图像端元丰度反演方法第3章高光谱图像混合像元分解53.5空间信息在混合像元分解中的应用63.6高光谱图像混合光谱分解方法分析与评价第3章高光谱图像混合像元分解参考文献第3章高光谱图像混合像元分解3.1混合像元问题与光谱混合模型3.1.2非线性光谱混合模型3.1.3线性光谱混合模型3.1.1混合像元产生的机理c3.2.3数据降维方法选择b3.2.2端元数目确认d3.2.4端元光谱变异性与端元束a3.2.1线性光谱解混技术流程第3章高光谱图像混合像元分解3.2高光谱图像线性光谱解混流程第3章高光谱图像混合像元分解3.3高光谱图像端元提取方法01033.3.1纯像元指数3.3.2内部最大体积法3.3.3顶点成分分析020405063.3.4单形体投影方法3.3.5顺序最大角凸锥3.3.6迭代误差分析第3章高光谱图像混合像元分解3.3高光谱图像端元提取方法013.3.7外包单形体收缩023.3.8最小体积单形体分析033.3.9凸锥分析043.3.10光学实时自适应光谱识别系统053.3.11自动形态学063.3.12最大距离法第3章高光谱图像混合像元分解3.3高光谱图像端元提取方法3.3.14最大零空间投影距离法3.3.15定量化独立成分分析法3.3.13最大体积法第3章高光谱图像混合像元分解3.4高光谱图像端元丰度反演方法3.4.1最小二乘法3.4.3迭代光谱混合分析3.4.4基于端元投影向量的丰度反演方法3.4.5基于单形体体积的丰度反演方法3.4.2滤波向量法0102030405第3章高光谱图像混合像元分解3.5空间信息在混合像元分解中的应用ab3.5.2空间信息辅助下的混合光谱分解3.5.1空间信息辅助下的端元快速提取第3章高光谱图像混合像元分解3.6高光谱图像混合光谱分解方法分析与评价013.6.1高光谱图像端元提取方法定量评价023.6.2线性光谱解混对不同空间分辨率图像的适应性评价06第4章高光谱图像监督分类第4章高光谱图像监督分类4.1高光谱图像分类的概念及特点014.2高光谱图像监督分类流程及步骤024.3基于光谱特征空间的高光谱图像分类034.4几何空间与光谱特征空间结合的高光谱图像分类044.5高光谱图像分类精度评价05参考文献06第4章高光谱图像监督分类4.1高光谱图像分类的概念及特点4.1.2高光谱图像分类的特点4.1.3高光谱图像数据描述模型4.1.1高光谱图像分类的概念第4章高光谱图像监督分类4.3基于光谱特征空间的高光谱图像分类4.3.1光谱特征匹配分类方法4.3.3高光谱图像神经网络分类方法4.3.2遥感图像统计模型分类方法4.3.4高光谱图像支持向量机分类方法第4章高光谱图像监督分类4.4几何空间与光谱特征空间结合的高光谱图像分类4.4.1基于图像上下文的高光谱图像分类014.4.2基于同质地物提取的高光谱图像分类024.4.3纹理信息辅助下的高光谱图像分类034.4.4面向对象的高光谱图像分类04第4章高光谱图像监督分类4.5高光谱图像分类精度评价4.5.2漏分误差和多分误差4.5.3kappa分析4.5.1误差矩阵07第5章高光谱图像非监督分类第5章高光谱图像非监督分类01

5.1非监督分类方法框架025.2.1k均值算法5.2.2isodata算法5.2.2ISODATA算法5.2典型非监督分类算法03

5.3模糊k均值聚类04

5.4蚁群算法优化的k均值聚类05

参考文献08第6章高光谱图像目标探测理论与模型16.1高光谱图像目标探测的概念及特点36.3高光谱目标探测算法设计的一般过程26.2高光谱图像目标探测中的影响因素46.4高光谱目标探测的子空间模型第6章高光谱图像目标探测理论与模型56.5高光谱目标探测的概率统计模型6参考文献第6章高光谱图像目标探测理论与模型6.1高光谱图像目标探测的概念及特点6.1.1高光谱图像中目标存在的几种形式6.1.3高光谱图像目标探测与传统空间维目标探测比较6.1.2高光谱图像目标探测与图像分类的差异6.1.4高光谱图像目标探测中的几个关键问题c6.2.3高光谱图像噪声b6.2.2遥感器成像特性与成像方式d6.2.4高光谱数据降维a6.2.1目标的光谱伪装特性与揭露第6章高光谱图像目标探测理论与模型6.2高光谱图像目标探测中的影响因素第6章高光谱图像目标探测理论与模型6.5高光谱目标探测的概率统计模型6.5.1np决策规则16.5.2fisher准则209第7章高光谱图像目标探测算法17.1高光谱图像目标探测算法选择37.3已知目标、未知背景的目标探测算法27.2未知目标、未知背景的目标探测算法47.4已知目标、已知背景的目标探测算法第7章高光谱图像目标探测算法57.5未知目标、已知背景的目标探测算法67.6多源信息辅助下的高光谱图像目标探测第7章高光谱图像目标探测算法7.7高光谱图像目标探测算法性能评价参考文献第7章高光谱图像目标探测算法7.1高光谱图像目标探测算法选择17.1.1依据算法参数27.1.2依据算法模型第7章高光谱图像目标探测算法7.2未知目标、未知背景的目标探测算法7.2.2低概率目标探测算法02047.2.4基于数据白化距离的异常探测算法7.2.1rx异常探测算法037.2.3均衡目标探测算法01第7章高光谱图像目标探测算法7.3已知目标、未知背景的目标探测算法7.3.1约束最小能量算子017.3.2自适应余弦一致性评估器算法027.3.3自适应匹配滤波算法037.3.4椭圆轮廓分布模型探测器047.3.5基于ecd的双曲线决策门限型目标探测算法057.3.6基于ecd的抛物线决策门限型目标探测算法06第7章高光谱图像目标探测算法7.3已知目标、未知背景的目标探测算法7.3.7非监督目标生成处理7.3.9基于加权自相关矩阵的cem算法7.3.8非监督向量量化目标子空间投影法7.3.10基于加权自相关矩阵的osp算法第7章高光谱图像目标探测算法7.4已知目标、已知背景的目标探测算法017.4.1正交子空间投影027.4.2目标约束下的干扰最小化滤波算法037.4.3广义似然比算法047.4.4特征子空间投影算法057.4.5目标子空间投影算法067.4.6斜子空间投影算法7.4已知目标、已知背景的目标探