適讀人群 ：遙感圖像處理專業的本科生、研究生及從事相關工作的工程技術人員。
本書主要介紹總結了作者多年的工作，並展現了所提出的**理論方法在高光譜遙感影像地物目標分類中所獲得的成果。
本書中所述內容對高光譜遙感影像處理研究具有較強的問題針對性，繫統總結了該領域研究中所存在主要問題和所面臨的新困難。本書的特色是引入了新穎的智能信息處理及建模方法解決高光譜遙感影像特征提取及分類中所存在的主要問題。
本書擬從繫統的角度，更加全面地向相關研究人員和學生講述高光譜遙感影像處理這門學科技術的基本理論、新的技術方法及其一些重要的應用領域。
著本書的目標是為本領域工程技術人員及普通高等院校學生提供一本能反映高光譜遙感影像特征提取及分類**進展的書籍，使相關研究人員和學生能夠掌握信息獲取與處理理論發展的歷史與現狀，掌握其涉及的廣泛理論基礎和應用的各個方面，為從事信息處理研究或工程技術應用打好基礎。本書的編寫原則是：（1）要反映該領域的**進展，包括**的理論成果和應用技術等；（2）內容隻涵蓋已經被認為是成熟的理論和技術，以及相關的內容；（3）側重於技術的發展和方法的應用，突出其理論基礎的廣泛性和應用的普遍性；（4）內容要適應普通高等院校碩士研究生的教學需要。
本書突出以下特色：（1）基礎理論體繫的完整性，涉及分類過程中特征提取及分類器設計等多個環節；（2）應用的普遍性，展現了多個高光譜遙感影像數據庫的測試結果以及典型場景的應用範例；（3）適合研究生教學的特殊性，針對所涉及的問題給予完整詳細的描述，適合課堂教學與自學。

陳哲
博士，副教授。2014年河海大學獲計算機應用技術專業博士學位。現在河海大學計算機與信息學院工作。近年來主持國家自然科學基金青年項、江蘇省自然科學基金青年項目、中國博士後基金項目等5項。參與完成了“十二五”國家科技支撐計劃項目、水利部“948”計劃項目等多項。主持和參與獲得中國電子學會科學技術二等獎1項、江西省技術發明二等獎1項、黑龍江省科學技術二等獎1項。發表學術論文40餘篇，授權國家發明專利20餘項。目前主要從事模式識別與人工智能、多傳感器信息獲取與處理、遙測遙感繫統等方面的研究和教學工作。

第1章 高光譜遙感圖像處理方法研究現狀、意義及應用001
1．1 概述 001
1．1．1 遙感的現狀與發展 001
1．1．2 高光譜分辨率遙感 002
1．1．3 高光譜遙感現狀與發展 006
1．1．4 高光譜遙感專題應用 015
1．2 高光譜遙感圖像特征選擇與提取方法 019
1．2．1 特征選擇方法 020
1．2．2 特征提取方法 023
1．3 高光譜遙感圖像分類方法 028
1．3．1 監督分類 028
1．3．2 非監督分類 032
參考文獻 034
第2章 基於神經網絡敏感性分析的高光譜遙感圖像降維與分類 042
2．1 引言 042
2．2 神經網絡敏感性分析 043
2．3 基於神經網絡敏感性分析的高光譜遙感圖像波段選擇 043
2．3．1 數據預處理 043
2．3．2 差分進化算法優化BP神經網絡 044
2．3．3 敏感性分析降維 046
2．4 實驗與分析 047
參考文獻 056
第3章 基於多目標粒子群優化算法的高光譜遙感圖像波段選擇與分類 059
3．1 引言 059
3．2 粒子群優化算法 060
3．3 基於多目標粒子群優化算法的高光譜遙感圖像波段選擇方法 060
3．3．1 基於粒子群優化算法的波段選擇 060
3．3．2 適應度函數 061
3．3．3 算法實現流程 062
3．4 實驗與分析 064
3．4．1 AVIRIS高光譜數據實驗 064
3．4．2 HYDICE高光譜數據實驗 068
參考文獻 069
第4章 基於混合編碼差分進化粒子群算法及多示例學習的高光譜遙感圖像波段
選擇與分類 070
4．1 引言 070
4．2 粒子群算法和差分進化算法 071
4．2．1 粒子群算法 071
4．2．2 差分進化算法 071
4．3 基於混合編碼的差分進化粒子群波段選擇步驟 072
4．3．1 混合編碼 072
4．3．2 適應度函數 073
4．3．3 結合粒子群差分進化進行降維 074
4．3．4 波段選擇實現步驟 076
4．4 多示例學習方法 077
4．4．1 多示例學習問題 077
4．4．2 基於多示例學習的常見分類算法 080
4．5 模糊K均值聚類方法 083
4．6 基於多示例學習和支持向量機的高光譜遙感圖像分類方法 085
4．6．1 分割提取空間特征 085
4．6．2 聚類生成多示例包 085
4．6．3 算法實現流程 085
4．7 實驗與分析 086
4．7．1 實驗數據描述 086
4．7．2 實驗結果與分析 088
參考文獻 092
第5章 基於塊陣分解的高光譜遙感圖像特征提取與分類 094
5．1 引言 094
5．2 高光譜遙感圖像特征提取 096
5．3 塊陣分解 097
5．4 算法流程 098
5．4．1 近似波段圖像獲取 099
5．4．2 波段信息差異判別模型 100
5．4．3 支持向量機分類 102
5．5 實驗與分析 104
參考文獻 119
第6章 基於參數空間變換的高光譜遙感圖像特征提取與分類 121
6．1 引言 121
6．2 參數零空間線性分析（PNLDA） 123
6．2．1 PNLDA算法描述和推導 123
6．2．2 PNLDA算法所需的計算項 129
6．3 實驗與分析 130
參考文獻 139
第7章 基於光譜-紋理核和光譜-空間濾波核的高光譜遙感圖像特征提取與分類 141
7．1 引言 141
7．2 基於光譜-紋理核的特征提取與分類 143
7．2．1 基於灰度共生矩陣的紋理特征提取 143
7．2．2 灰度共生矩陣特征解譯和二次統計特征量 145
7．2．3 光譜特征和紋理特征的融合 147
7．3 基於光譜-空間濾波核的特征提取與分類 151
7．3．1 區域中值濾波空間特征提取 151
7．3．2 光譜特征與空間特征的融合 153
7．4 ST-SVM方法實驗與分析 155
7．4．1 2012GRSS高空間分辨率融合數據集（數據集1）的實驗結果分析 155
7．4．2 HUD高空間分辨率遙感圖像數據集（數據集2）的實驗結果分析 157
7．4．3 KSC-AVIRIS高光譜遙感圖像數據集（數據集3）的實驗結果分析 159
7．4．4 PUD高光譜遙感圖像數據集（數據集4）的實驗結果分析 161
7．5 SSF-SVM方法實驗與分析 164
7．5．1 SSF-SVM算法在AVIRIS-IP數據集的實驗結果分析 167
7．5．2 SSF-SVM算法在AVIRIS-SVA數據集的實驗結果分析 170
7．5．3 SSF-SVM算法在PUD數據集的實驗結果分析 172
參考文獻 176
第8章 基於知識遷移的高光譜遙感圖像特征提取與分類 178
8．1 引言 178
8．2 遷移學習的分類及其特點 179
8．3 研究方法 180
8．3．1 符號定義 180
8．3．2 構建目標數據集和輔助數據集相似矩陣 182
8．3．3 輔助數據集的知識遷移模型 183
8．4 高光譜遙感圖像的特征融合 184
8．5 實驗與分析 186
8．5．1 HUD高空間分辨率遙感圖像數據集（數據集1）的實驗結果分析 186
8．5．2 PUD高光譜遙感圖像數據集（數據集2）的實驗結果分析 188
參考文獻 190