高光譜衛(wèi)星圖像協(xié)同處理理論與方法

目 錄
第 1章 高光譜協(xié)同觀測(cè)理論 001
1．1 遙感衛(wèi)星載荷主要參數(shù)指標(biāo)及相互關(guān)系 002
1．1．1 光譜分辨率 003
1．1．2 空間分辨率 006
1．1．3 信噪比 008
1．1．4 參數(shù)指標(biāo)的相互關(guān)系 009
1．2 應(yīng)用導(dǎo)向的載荷參數(shù)指標(biāo)優(yōu)化 011
1．2．1 載荷參數(shù)指標(biāo)對(duì)信息提取的影響 012
1．2．2 載荷參數(shù)指標(biāo)優(yōu)化方法及驗(yàn)證 020
1．3 多源衛(wèi)星及遙感器協(xié)同觀測(cè) 023
1．3．1 主要影響因素 023
1．3．2 多星聯(lián)合成像規(guī)劃模型 024
1．3．3 多遙感器協(xié)同觀測(cè) 027
1．4 本章小結(jié) 030
參考文獻(xiàn) 031
第 2章 多源遙感衛(wèi)星圖像幾何一致化模型與方法 033
2．1 遙感衛(wèi)星成像幾何模型 034
2．1．1 空間坐標(biāo)系 034
2．1．2 時(shí)間基準(zhǔn)定義 038
2．1．3 嚴(yán)格幾何成像模型 039
2．2 遙感衛(wèi)星圖像幾何處理 046
2．2．1 有理函數(shù)模型 046
2．2．2 RPC模型幾何正射糾正 047
2．3 多源遙感衛(wèi)星圖像幾何配準(zhǔn) 049
2．3．1 圖像配準(zhǔn) 049
2．3．2 SIFT特征點(diǎn)匹配法 050
2．3．3 多光譜相機(jī)圖像幾何配準(zhǔn)方法 052
2．3．4 基于RPC模型的多源遙感圖像幾何配準(zhǔn)方法 058
2．4 應(yīng)用案例 063
2．4．1 GF-1全色與GF-5多光譜圖像幾何一致化實(shí)驗(yàn) 063
2．4．2 GF-1/6全色與GF-5多光譜/高光譜圖像幾何一致化實(shí)驗(yàn) 066
2．5 本章小結(jié) 070
參考文獻(xiàn) 070
第3章 多源中高分辨率衛(wèi)星圖像輻射歸一化模型與方法 073
3．1 輻射歸一化的基本原理與技術(shù)流程 074
3．2 地表反射率反演 076
3．2．1 地表反射率反演的基本原理 076
3．2．2 地表反射率業(yè)務(wù)化反演算法 079
3．2．3 地表反射率反演實(shí)例 081
3．3 地表反射率圖像輻射歸一化 083
3．3．1 地物光譜庫(kù)的建立 083
3．3．2 光譜匹配因子計(jì)算 087
3．3．3 圖像與光譜庫(kù)的匹配轉(zhuǎn)換 089
3．3．4 逐像元?dú)w一化模型 090
3．4 應(yīng)用案例 091
3．4．1 OLI與Sentinel-2A輻射歸一化 091
3．4．2 基于GF-5地物光譜的GF-1與GF-6輻射歸一化 096
3．5 本章小結(jié) 099
參考文獻(xiàn) 100
第4章 空譜信息協(xié)同的高光譜圖像降維理論與方法 103
4．1 基于空譜去相關(guān)分析的核最小噪聲分?jǐn)?shù)變換方法 104
4．1．1 主成分分析算法原理 104
4．1．2 最小噪聲分?jǐn)?shù)變換算法原理 107
4．1．3 核最小噪聲分?jǐn)?shù)變換算法原理 109
4．1．4 基于空譜去相關(guān)分析的核最小噪聲分?jǐn)?shù)變換算法原理 110
4．1．5 實(shí)驗(yàn)結(jié)果和分析 116
4．1．6 小結(jié) 127
4．2 基于圖像空間分割的核最小噪聲分?jǐn)?shù)變換方法 128
4．2．1 基于圖像空間分割的核最小噪聲分?jǐn)?shù)變換算法原理 128
4．2．2 實(shí)驗(yàn)結(jié)果和分析 132
4．2．3 小結(jié) 138
4．3 基于超像元分割及核最小噪聲分?jǐn)?shù)的降維分類一體化算法 138
4．3．1 基于超像元分割及核最小噪聲分?jǐn)?shù)的降維分類一體化算法原理 138
4．3．2 實(shí)驗(yàn)結(jié)果和分析 141
4．3．3 小結(jié) 144
4．4 本章小結(jié) 145
參考文獻(xiàn) 145
第5章 基于圖嵌入理論的高光譜圖像特征提取與分類 149
5．1 基于稀疏表示圖的特征表示 150
5．1．1 圖嵌入理論框架 151
5．1．2 稀疏圖構(gòu)建及特征表示 152
5．2 基于稀疏與低秩表示圖的特征表示 154
5．2．1 稀疏與低秩圖構(gòu)建 155
5．2．2 實(shí)驗(yàn)結(jié)果與分析 157
5．3 基于局部保留與低秩表示圖的特征提取 171
5．3．1 局部保留與低秩圖構(gòu)建 171
5．3．2 實(shí)驗(yàn)結(jié)果與分析 175
5．4 基于圖嵌入理論的多源高光譜圖像協(xié)同分類 184
5．5 本章小結(jié) 188
參考文獻(xiàn) 188
第6章 高光譜協(xié)同多源遙感圖像分類 193
6．1 基于自適應(yīng)馬爾科夫隨機(jī)場(chǎng)模型的高光譜協(xié)同高空間數(shù)據(jù)分類 194
6．1．1 空間鄰域 194
6．1．2 馬爾科夫隨機(jī)場(chǎng)模型 196
6．1．3 相對(duì)同質(zhì)性指數(shù) 199
6．1．4 自適應(yīng)馬爾科夫隨機(jī)場(chǎng)模型 200
6．1．5 高光譜協(xié)同高空間數(shù)據(jù)分類實(shí)驗(yàn) 201
6．2 基于邊緣約束的馬爾科夫隨機(jī)場(chǎng)模型的高光譜協(xié)同激光雷達(dá)數(shù)據(jù)分類 207
6．2．1 馬爾科夫隨機(jī)場(chǎng)初始能量獲取 207
6．2．2 馬爾科夫隨機(jī)場(chǎng)空間項(xiàng)權(quán)重系數(shù)提取 208
6．2．3 高光譜協(xié)同LiDAR數(shù)據(jù)分類實(shí)驗(yàn) 212
6．3 基于數(shù)學(xué)形態(tài)學(xué)的高光譜協(xié)同熱紅外數(shù)據(jù)分類 216
6．3．1 數(shù)學(xué)形態(tài)學(xué) 216
6．3．2 基于LCP數(shù)學(xué)形態(tài)學(xué)的高光譜協(xié)同熱紅外數(shù)據(jù)分類 217
6．3．3 基于數(shù)學(xué)形態(tài)學(xué)的高光譜和熱紅外圖像的特征提取 223
6．3．4 高光譜圖像與熱紅外數(shù)據(jù)融合分類 224
6．3．5 高光譜協(xié)同熱紅外數(shù)據(jù)實(shí)驗(yàn) 225
6．4 本章小結(jié) 231
參考文獻(xiàn) 231
名詞索引 233