高光譜圖像分類技術
李偉 張矇矇 陶然
商品描述
本書以高光譜圖像分類技術為核心，採用理論方法詳解與實驗分析論證相結合的方式，從高光譜顯微圖像維度約減及分類技術、多尺度深度學習的醫學高光譜顯微圖像分類技術，到高光譜圖像結構感知學習、空間信息提取的地物分類技術，再到多源數據融合分類技術等多個方面，介紹了高光譜圖像分類領域的理論發展和前沿技術。
本書可作為從事高光譜圖像分類解譯研究的科研人員的工具書，幫助從業人員系統瞭解高光譜圖像分類解譯方法的研究進展，同時使讀者能夠系統地瞭解高光譜圖像分類技術的發展脈絡和新進展。
作者簡介
李偉
北京理工大學信息與電子學院教授、博士生導師、副院長，國家優 秀青年科學基金、北京市傑出青年科學基金獲得者。主要從事高光譜圖像處理、目標檢測與識別等方向的研究，發表論文一百餘篇，論文被谷歌學術引用一萬八千餘次，連續入選科睿唯安“全球高被引科學 家”名單。當選英國技術工程學會會士，獲中國電子學會自然科學一等獎、中國指揮與控制學會科學技術獎技術發明類一等獎等。
張矇矇
北京理工大學信息與電子學院副研究員。主要從事高光譜多源遙感圖像分析方向的研究，發表論文三十餘篇。先後主持國家自然科學基金面上項目、青年科學基金項目、博士後創新人才支持計劃、北京市自然科學基金面上項目等，入選北京市科協“青年人才托舉工程”，獲中國電子學會自然科學一等獎等。
陶然
北京理工大學信息與電子學院教授、博士生導師，國家傑出青年科學基金獲得者，國家 級教學名師。主要從事高維信號處理理論及方法研究，發表論文二百 餘篇。擔任國家自然科學基金創新研究群體項目帶頭人、教育 部創新團隊帶頭人等，獲國家 級教學成果獎二等獎，獲教育 部自然科學獎一等獎等省部級獎項六項。
目錄大綱
第 1 章 高光譜圖像分類概述 1
1.1 高光譜圖像 1
1.2 高光譜圖像分類現狀 3
1.2.1 高光譜圖像特徵提取方法 3
1.2.2 高光譜分類器設計方法 7
1.2.3 高光譜圖像特徵提取及分類難點分析 11
參考文獻 13
第 2 章 高光譜顯微圖像維度約減及分類 19
2.1 高光譜顯微圖像成像系統及數據採集19
2.1.1 高光譜顯微圖像成像系統 19
2.1.2 膜性腎病病理組織標準化數據採集及預處理 20
2.2 基於空譜密度峰值的高光譜顯微圖像維度約減25
2.2.1 引言 25
2.2.2 相關原理與方法 26
2.2.3 基於空譜密度峰值的維度約減方法 27
2.2.4 實驗內容及結果分析 30
2.3 基於張量表示的高光譜顯微圖像多特徵提取39
2.3.1 引言 39
2.3.2 張量相關原理與知識 39
2.3.3 基於判別張量的多特徵融合提取算法 39
2.3.4 實驗內容及結果分析 43
2.4 基於張量回歸分析的高光譜顯微圖像分類52
2.4.1 引言 52
2.4.2 最小二乘回歸分析方法 52
2.4.3 基於張量塊的判別線性回歸分析方法 52
2.4.4 實驗內容及結果分析 55
參考文獻 60
第3 章 高光譜顯微圖像多尺度深度學習分類 63
3.1 基於深度學習的高光譜顯微圖像膜性腎病分類63
3.1.1 圖像數據預處理 63
3.1.2 膜性腎病分類模型 68
3.1.3 實驗內容及結果分析 74
3.2 基於深度特徵融合網絡的高光譜顯微圖像分類83
3.2.1 深度特徵融合網絡 84
3.2.2 實驗內容及結果分析 88
3.3 基於Gabor 引導CNN 的高光譜顯微圖像分類93
3.3.1 基於CNN 和Gabor 濾波器的分類算法 94
3.3.2 實驗內容及結果分析 97
參考文獻 102
第4 章 高光譜圖像結構感知學習模型及分類 104
4.1 基於結構感知協同表示的高光譜圖像分類 104
4.1.1 引言 104
4.1.2 SaCRT 模型 105
4.1.3 實驗內容及結果分析 109
4.2 基於DMLSR 的高光譜圖像分類 123
4.2.1 引言 123
4.2.2 DMLSR 模型 124
4.2.3 實驗內容及結果分析 126
4.3 基於ICS-DLSR 的濱海濕地數據樣本空間變換 140
4.3.1 引言 140
4.3.2 濱海濕地典型地物高光譜遙感數據特徵分析 141
4.3.3 基於回歸表示的樣本空間變換及ICS-DLSR 模型 143
4.3.4 濱海濕地數據樣本空間變換效果分析 145
4.4 基於SPCRGE 的高光譜圖像分類 149
4.4.1 引言 149
4.4.2 模型基礎 151
4.4.3 SPCRGE 模型 153
4.4.4 實驗內容及結果分析 155
參考文獻 169
第5 章 高光譜圖像空間信息提取及分類 173
5.1 基於多形變體輸入的深度學習高光譜圖像分類 173
5.1.1 DR-CNN 模型 173
5.1.2 多形變體輸入及特徵提取 175
5.1.3 DR-CNN 模型訓練 180
5.1.4 實驗內容及結果分析 181
5.2 基於像素對的數據增強及高光譜圖像分類 194
5.2.1 像素配對模型 195
5.2.2 基於像素對輸入的深度特徵提取 195
5.2.3 實驗內容及結果分析 196
5.3 基於像素塊配對的高光譜圖像深度網絡分類 202
5.3.1 基於數據增強的CNN 分類模型 203
5.3.2 傳統樣本擴充方法 204
5.3.3 基於像素塊配對的樣本擴充方法 205
5.3.4 實驗內容及結果分析 208
參考文獻 213
第6 章 高光譜多源數據融合分類 216
6.1 多源遙感融合分類研究現狀 216
6.1.1 多源傳感器融合分類研究現狀 216
6.1.2 基於高光譜的多源遙感融合分類研究現狀 218
6.2 基於CNN 的高光譜多源數據融合分類 220
6.2.1 雙通道CNN 與級聯CNN 221
6.2.2 雙分支CNN 訓練及分析 223
6.2.3 實驗內容及結果分析 224
6.3 基於結構信息聚合的HSI 與LiDAR 數據的融合分類 232
6.3.1 基於IP-CNN 的結構信息聚合分類模型 233
6.3.2 語義信息導向的分類模型及訓練策略 234
6.3.3 HSI 協同LiDAR 數據分類實驗 235
參考文獻 242
