● 總序
論叢前言
前言
章 緒論
1.1 研究背景和意義
1.2 高光譜影像降維
1.2.1 高光譜影像的數據表達
1.2.2 高光譜影像的高維特性
1.2.3 高光譜影像降維的理論必要性和可行性
1.3 國內外研究現狀分析
1.3.1 高光譜影像的波段選擇
1.3.2 高光譜影像的線性特征提取
1.3.3 高光譜影像的非線性特征提取
1.3.4 流形學習在高光譜影像數據處理中的應用
1.3.5 當前研究存在的問題
1.4 研究目標與研究內容
1.4.1 研究目標
1.4.2 研究內容
1.5 研究方法與總體技術路線
1.6 本書結構安排
第2章 流形學習理論
2.1 引言
2.2 流形與流形學習
2.2.1 流形中的一些數學定義
2.2.2 流形學習的定義
2.2.3 流形學習的分類
2.3 典型流形學習方法
2.3.1 等距映射方法
2.3.2 局部切空間排列方法
2.3.3 拉普拉斯特征映射方法
2.3.4 幾種流形學習方法的對比
2.4 流形學習方法中主要參數
2.4.1 本征維數的估計
2.4.2 鄰域選擇及優化
2.5 本章小結
第3章 基於光譜意義解釋的高光譜影像低維流形特征提取
3.1 引言
3.2 高光譜影像流形坐標的光譜意義解釋
3.3 偏最小二乘法修復Isomap遺失點的流形坐標
3.3.1 偏最小二乘方法
3.3.2 偏最小二乘方法修復Isomap遺失點坐標的流程
3.3.3 實驗分析
3.4 高光譜影像低維流形特征提取
3.4.1 Isomap降維的參數選取
3.4.2 Isomap提取低維流形特征的流程
3.5 實驗分析
3.5.1 實驗數據
3.5.2 陰影區域提取
3.5.3 靠岸淺水區域提取
3.5.4 討論
3.6 本章小結
第4章 兩種流形坐標差異提取高光譜影像的潛在特征
4.1 引言
4.2 流形坐標差異提取潛在特征的可行性分析
4.3 流形坐標差異圖提取高光譜影像潛在特征
4.3.1 高光譜影像lsomap和LTSA降維
4.3.2 兩種流形坐標的光譜意義解釋的統一
4.3.3 兩種流形坐標尺度和方向的統
4.3.4 流形差異圖的計算及特征提取
4.3.5 流形坐標差異圖提取潛在特征的流程
4.4 實驗分析
4.4.1 實驗數據
4.4.2 靠岸的淺水區域提取
4.4.3 低分辨率道路提取
4.4.4 討論
4.5 本章小結
第5章 高光譜影像的UL-Isomap降維
5.1 引言
5.2 帶標志點的等距映射方法
5.3 基於矢量量化的標志點選取
5.3.1 隨機標志點的不足
5.3.2 基於矢量量化的標志點
5.4 速度提升策略
5.4.1 隨機映射
5.4.2 快速近似k-鄰域構建
5.4.3 快速隨機低階近似奇異值分解
5.5 高光譜影像的UL-Isomap降維算法
5.6 實驗分析
5.6.1 實驗數據
5.6.2 VQ標志點對分類結果的影響
5.6.3 隨機映射對高光譜數據的影響
5.6.4 UL-Isomap的計算速度性能
5.6.5 UL-Isomap的分類性能
5.6.6 快速近似志k-鄰域構建對分類的影響
5.6.7 討論
5.7 本章小結
第6章 高光譜影像的ENH-LTSA降維
6.1 引言
6.2 考慮空間特性的是k-鄰域選取
6.2.1 常規k-鄰域選取的不足
6.2.2 自適應加權綜合核距離
6.3 速度提升策略
6.4 高光譜影像的ENH-LTSA降維算法
6.5 實驗分析
6.5.1 實驗數據
6.5.2 AWSK距離對分類的影響
6.5.3 ENH-LTSA的計算速度性能
6.5.4 ENH-LTSA的分類性能
6.5.5 隨機映射對分類的影響
6.5.6 重疊參數a對分類的影響
6.5.7 討論
6.6 本章小結
第7章 聯合ILE降維和IKNN分類器的高光譜影像分類
7.1 引言
7.2 LE降維和KNN分類器組合策略的不足
7.3 高光譜影像的ILE降維和IKNN組合策略
7.3.1 高光譜影像的ILE降維方法
7.3.2 ILE流形坐標的IKNN分類器
7.4 ILE降維和IKNN分類器的分類算法
7.5 實驗分析
7.5.1 實驗數據
7.5.2 Indian數據分類
7.5.3 PaviaU數據分類
7.5.4 討論
7.6 本章小結
第8章 結論和展望
8.1 研究結論
8.2 特色與創新
8.3 展望與下一步工作
參考文獻
後記
內容簡介
《同濟博士論叢:基於流形學習的高光譜遙感影像降維理論與方法研究》主要利用流形學習進行了高光譜遙感影像的降維研究,主要內容包括:高光譜影像的低維流形坐標的光譜意義解釋;不同流形坐標所代表的高光譜影像中地物光譜特征差異分析;高光譜遙感影像的UL-Isomap降維算法及實驗分析;高光譜遙感影像的ENH-LTSA降維算法及實驗分析;聯合ILE降維和IKNN分類器的高光譜影像分類。
《同濟博士論叢:基於流形學習的高光譜遙感影像降維理論與方法研究》研究結合高光譜遙感影像數據特征的流形學習方法提出了降維的改進模型,改善了流形學習降維的低維嵌入結果和計算速度,可以更好地指導後續的高光譜遙感影像分類、目標識別和異常檢測等應用。
《同濟博士論叢:基於流形學習的高光譜遙感影像降維理論與方法研究》適用於測繪科學與技術、攝影測量與遙感等相關專業和領域的讀者。