第1章 绪论 1
1.1 国外遥感的发展历程和趋势 3
1.2 国内遥感的发展历程和现状 6
参考文献 17
第2章 光学遥感基础 19
2.1 光学遥感系统成像原理 20
2.2 基本概念 33
2.2.1 空间分辨率 33
2.2.2 光谱分辨率 34
2.2.3 辐射分辨率 37
2.2.4 时间分辨率 37
2.2.5 遥感系统的信息容量 38
2.2.6 光学遥感空间分辨率与光谱分辨率间的关系 38
参考文献 39
第3章 高光谱图像特性及噪声评价和降维算法 41
3.1 高光谱图像特性分析 42
3.1.1 典型地物的光谱特性 42
3.1.2 波段间相关性 45
3.2 空间与光谱结合的噪声估计方法 46
3.2.1 噪声产生的机理 46
3.2.2 遥感图像中常用的噪声概率密度函数 48
3.2.3 噪声评估国内外研究现状 51
3.2.4 空间/光谱维去相关法噪声评估 54
3.2.5 实验分析 58
3.3 高光谱图像特征提取/降维 60
3.3.1 主成分分析 60
3.3.2 最小噪声分离变换 62
3.3.3 线性判别分析 63
3.3.4 降维处理对高光谱图像应用的影响分析 64
参考文献 65
第4章 遥感图像配准校正 67
4.1 遥感图像配准原理 67
4.1.1 图像预处理及配准控制点选取 69
4.1.2 图像间变换模型的建立 70
4.1.3 待配准图像的几何变换和重采样 72
4.1.4 配准精度的评定 75
4.2 基于灰度信息的传感器遥感图像的配准 76
4.2.1 基于相关的配准方法 76
4.2.2 基于互信息的配准方法 83
4.2.3 基于高斯模型的遥感图像配准方法 88
4.2.4 实验结果与分析 89
参考文献 92
第5章 基于融合空间信息的分辨率增强技术 94
5.1 基于图像融合的分辨率增强技术 94
5.1.1 图像融合技术 94
5.1.2 分辨率增强技术 97
5.1.3 基于IHS变换融合算法及其改进算法的分辨率增强技术 100
5.2 增强空间信息的高光谱图像数据融合 108
5.2.1 基于回归的融合算法 108
5.2.2 基于相关向量回归的融合算法 111
5.2.3 仿真实验及性能分析 112
参考文献 114
第6章 基于时空融合的分辨率增强算法 117
6.1 基于时空自适应反射率融合模型的分辨率增强算法 117
6.1.1 STARFM算法简介 119
6.1.2 时空融合算法原理 119
6.1.3 基于STARFM改进的时空数据融合方法 122
6.1.4 实验结果与分析 125
6.2 基于神经网络的时空融合分辨率增强算法 128
6.2.1 神经网络的概述 130
6.2.2 基于卷积神经网络反射率时空融合影像的分辨率增强 133
6.2.3 基于卷积神经网络图像超分辨率的算法改进 136
6.2.4 实验结果与分析 139
参考文献 140
第7章 基于混合像元分解的高光谱图像分辨率增强 144
7.1 光谱解混发展现状 145
7.2 基于无监督聚类的高光谱图像端元提取 149
7.2.1 N-FINDR算法及其不足 150
7.2.2 基于无监督聚类的端元提取算法 152
7.2.3 实验结果与分析 155
7.3 基于支持向量数据描述的混合像素分解 159
7.3.1 未知端元对解混的影响分析 160
7.3.2 混合像素分解算法 161
7.3.3 实验结果与分析 161
7.4 混合像元分解后的分辨率增强 167
7.4.1 基于空间相关性的子像素制图方法 167
7.4.2 基于感兴趣目标的子像素制图方法 169
参考文献 170
第8章 分辨率增强算法在小目标检测中的应用 174
8.1 典型高光谱图像目标检测算法及效果评价方法 174
8.1.1 光谱角度填图法 176
8.1.2 约束能量最小化方法 177
8.1.3 检测算法评价及ROC曲线 179
8.1.4 分析与讨论 180
8.2 基于支持向量数据描述的高光谱图像目标检测 181
8.2.1 支持向量数据描述原理及性能分析 181
8.2.2 基于SVDD的目标检测算法原理及实现 187
8.2.3 实验结果与分析 188
8.3 分辨率增强在小目标检测中的应用及性能评价 192
8.3.1 基于融合的分辨率增强在小目标检测中的应用 192
8.3.2 基于解混的分辨率增强在小目标检测中的应用 194
参考文献 198