随着成像光谱技术及遥感处理技术的不断发展，高光谱遥感数据被广泛应用于各个领域。与多光谱图像相比，高光谱成像光谱仪能够在较宽的波谱范围内，利用狭窄的光谱间隔成像，得到上百幅通道、波段连续的图像，每个像素均可提取一条完整的高分辨率光谱曲线，使得许多原本在多光谱图像中无法发现的地物特征得以被探测。本书简要介绍了高光谱遥感图像的成像原理和图像特点，主要分析了各种高光谱图像处理技术在使用中遇到的问题，并提出了相应的处理方法；论述内容主要包括高光谱遥感的特征选择，高光谱遥感的端元选择，混合光谱理论与光谱解混，高光谱图像的监督分类和半监督分类，高光谱图像的匹配目标检测、异常目标检测以及实时目标检测，高光谱数据压缩技术和可视化技术，概括地介绍了高光谱遥感图像在各个领域的应用。本书包括了著者多年来取得的科研成果，可以使读者比较地了解高光谱图像处理的各个领域以及研究进展。
赵春晖
1965年出生，工学博士，教授、博士生导师，哈尔滨工程大学信号与信息处理学科带头人。黑龙江省中青年专家，全国教师，国家教学名师。IEEE会员，中国通信学会会士，中国电子学会高级会员，中国图象图形学学会和黑龙江生物医学工程学会理事，中国兵工学会信息安全与对抗委员会专业委员会成员，中国指挥与控制学会无人系统专业委员会委员。研究领域主要包括智能信息与图像处理、机器学习与模式识别、非线性信号处理和通信信号处理。
主持了多项和省部级科研项目和教改项目，发表学术论文500多篇，其中被SCI、EI检索300余篇，出版著作和教材18部，其中《微波技术》入选了“十一五”和“十二五”规划教材，获省部级科技奖一等奖2项、二等奖6项，获省级教学成果奖一等奖3项、二等奖3项，获发明专利和软件著作权22项。“微波技术基础”国家精品课程负责人和教学团队带头人。先后获得全国博士学位论文、教育部高校青年教师奖、黑龙江省杰出青年科学基金、黑龙江省青年科技奖、国务院政府特殊津贴、黑龙江省博士后、黑龙江省研究生导师等荣誉。入选首届“国家高层次人才特殊支持计划”领军人才。
联系方式：zhaochunhui@hrbeu.edu.cn
王立国
1974年生，工学博士，教授、博士生导师。IEEE会员，中国电子学会高级会员，中国通信学会高级会员，国际数字地球学会(ISDE)中国国家委员会-成像光谱对地观测专业委员会委员，中国光学工程学会会员，宇航学会光电技术专业委员会高级委员。研究领域主要包括图像/信号处理技术、机器学习与模式识别理论。
主持或参与国家863重点项目、国家自然科学基金、教育部博士点基金、中国博士后基金、中央高校重大项目、黑龙江省自然科学基金重点及面上项目、水下机器人国家重点实验室开放课题基金等科研项目多项。发表学术论文100多篇，其中被SCI、EI检索70余篇，出版著作和教材5部，获省部级科技奖二等奖2项，获国家发明专利20余项。获得黑龙江省三育人先进工作者和哈尔滨工程大学研究生指导教师等荣誉。
联系方式：wangliguo@hrbeu.edu.cn
齐 滨
1985年出生，工学博士，讲师。研究方向包括高光谱遥感数据处理、水下目标探测与跟踪、行人检测。
主持国家自然科学基金1项，博士后基金3项，黑龙江省基金1项，作为主要参与人参加国家自然科学基金2项，黑龙江省自然科学基金重点项目1项。发表学术论文27篇，其中被SCI、EI检索24篇，出版著作1部，获省部级科技二等奖1项，获发明专利7项。
联系方式：qibin@hrbeu.edu.cn
第1章 高光谱遥感的理论基础 1
1.1 高光谱遥感概述 1
1.2 高光谱遥感成像机理 5
1.3 高光谱遥感图像的特点 8
1.4 高光谱遥感图像数据表达 9
1.5 高光谱遥感与多光谱遥感的联系与区别 10
参考文献 11
第2章 高光谱图像特征提取技术 12
2.1 特征提取技术概述 12
2.2 高光谱图像基本特征提取算法 16
2.2.1 主成分分析 16
2.2.2 线性判别分析 17
2.2.3 基于核的非线性特征提取算法 18
2.2.4 基于流形学习的非监督特征提取算法 18
2.2.5 F-分值特征提取方法 22
2.2.6 递归特征消除方法 22
2.2.7 最小噪声分数 23
2.2.8 独立成分分析 24
2.3 高光谱图像波段提取算法 25
2.3.1 半监督局部稀疏嵌入特征提取算法 25
2.3.2 基于全局和局部流形结构的特征提取算法 27
2.3.3 结合遗传算法和蚁群算法的特征提取算法 29
2.3.4 高光谱图像蒙特卡罗特征提取算法 31
2.4 高光谱图像波段提取算法性能评价 34
2.4.1 半监督局部稀疏嵌入特征提取算法的性能评价 35
2.4.2 基于全局和局部流形结构的特征提取算法的性能评价 38
2.4.3 结合遗传算法和蚁群算法的特征提取算法的性能评价 41
2.4.4 高光谱图像蒙特卡罗特征提取算法的性能评价 46
参考文献 48
第3章 高光谱图像端元提取技术 49
3.1 端元提取技术概述 49
3.2 高光谱图像基本端元提取方法 49
3.2.1 N-FINDR端元提取算法 49
3.2.2 纯像素索引法 50
3.2.3 凸锥分析 51
3.2.4 迭代误差分析 52
3.2.5 ORASIS算法 52
3.2.6 自动形态学端元提取算法 52
3.2.7 顶点成分分析法 54
3.3 高光谱图像端元提取算法 55
3.3.1 改进的N-FINDR高光谱端元提取算法 55
3.3.2 改进的IEA端元提取算法 58
3.4 高光谱图像端元提取方法的性能评价 60
3.4.1 改进的N-FINDR高光谱端元提取算法的性能评价 60
3.4.2 改进的IEA端元提取算法的性能评价 61
参考文献 65
第4章 高光谱图像光谱解混技术 66
4.1 光谱解混技术概述 66
4.2 高光谱图像基本光谱解混算法 68
4.2.1 线性光谱混合模型 68
4.2.2 丰度反演算法 69
4.2.3 解混误差理论分析 70
4.2.4 解决端元可变问题算法 72
4.2.5 光谱解混精度评价 76
4.3 高光谱图像光谱解混算法 77
4.3.1 基于正交子空间投影的多端元高光谱解混算法 77
4.3.2 基于分层的多端元高光谱解混算法 79
4.3.3 基于全约束OMP的多端元高光谱解混算法 81
4.3.4 基于稀疏表示的高光谱解混算法 83
4.3.5 改进的OMP高光谱稀疏解混算法 87
4.3.6 自适应稀疏度的OMP高光谱稀疏解混算法 90
4.4 高光谱图像光谱解混算法评价 91
4.4.1 基于OSP的多端元高光谱解混算法评价 91
4.4.2 基于分层的多端元高光谱解混算法评价 95
4.4.3 基于全约束OMP的多端元高光谱解混算法评价 100
4.4.4 基于稀疏表示的高光谱解混算法评价 103
4.4.5 改进的OMP高光谱稀疏解混算法评价 105
4.4.6 自适应稀疏度的OMP高光谱稀疏解混算法评价 110
参考文献 112
第5章 高光谱图像监督分类技术 114
5.1 高光谱图像分类技术概述 114
5.2 高光谱图像基本分类算法 116
5.2.1 光谱角匹配 116
5.2.2 较大似然分类 117
5.2.3 Fisher判别分析 117
5.2.4 支持向量机分类器 118
5.2.5 相关向量机分类器 126
5.3 高光谱图像分类的评价准则 128
5.4 高光谱图像分类算法 129
5.4.1 基于高斯低通滤波的较大似然分类 129
5.4.2 基于小波核函数的高光谱图像分类 131
5.4.3 基于第二代小波融合的高光谱图像分类 134
5.4.4 基于特征加权的高光谱图像分类 141
5.4.5 基于定制核稀疏表示的高光谱图像分类 143
5.4.6 基于模糊加权核C-均值聚类的高光谱图像分类 147
5.4.7 模糊特征加权支持向量机 151
5.5 高光谱图像分类算法的性能评价 153
5.5.1 基于高斯低通滤波的较大似然分类性能评价 154
5.5.2 基于小波核函数的高光谱图像分类性能评价 158
5.5.3 基于第二代小波融合的高光谱分类性能评价 160
5.5.4 基于特征加权的高光谱分类性能评价 164
5.5.5 基于定制核稀疏表示的分类评价 168
5.5.6 模糊加权核C-均值聚类算法的分类评价 173
5.5.7 模糊特征加权支持向量机的分类评价 175
参考文献 178
第6章 高光谱图像半监督分类技术 181
6.1 高光谱图像半监督分类技术概述 181
6.2 高光谱图像基本半监督分类算法 182
6.2.1 图论的基础概念 182
6.2.2 基于图的半监督分类算法 184
6.3 高光谱图像半监督分类算法 187
6.3.1 结合LLGC和LS-SVM的半监督分类算法 187
6.3.2 引入负相似的LapSVM半监督分类 191
6.3.3 基于空-谱信息的高光谱半监督分类算法 196
6.3.4 基于空-谱标签传递的高光谱半监督分类算法 200
6.4 高光谱图像半监督分类算法的性能评价 202
6.4.1 结合LLGC和LS-SVM半监督分类算法的性能评价 202
6.4.2 引入负相似的LapSVM半监督分类的性能评价 206
6.4.3 基于空-谱信息的高光谱半监督分类的性能评价 211
6.4.4 基于空-谱标签传递的高光谱半监督分类的性能评价 217
参考文献 227
第7章 高光谱图像目标匹配检测技术 229
7.1 目标匹配检测技术概述 229
7.2 高光谱图像基本目标匹配检测算法 231
7.2.1 高光谱图像目标匹配检测的关键问题 231
7.2.2 高光谱图像目标检测的一般过程与评价标准 232
7.2.3 经典的高光谱图像目标匹配检测方法 232
7.3 高光谱图像目标匹配检测算法 234
7.3.1 基于空间支持的稀疏表示目标检测 234
7.3.2 基于StOMP算法的HSI目标稀疏检测 239
7.3.3 基于无监督字典的HSI目标稀疏检测 242
7.4 高光谱图像目标匹配检测算法评价 245
7.4.1 基于空间支持的稀疏表示目标检测算法评价 245
7.4.2 基于StOMP算法的HSI目标稀疏检测算法评价 254
7.4.3 基于无监督字典的HSI目标稀疏检测 257
参考文献 259
第8章 高光谱图像异常目标检测技术 261
8.1 异常目标检测技术概述 261
8.2 高光谱图像异常目标检测基本理论 265
8.3 高光谱图像异常目标检测算法 268
8.3.1 基于空域滤波的核RX高光谱异常检测算法 268
8.3.2 自适应核高光谱异常检测算法 272
8.3.3 基于光谱相似度量核的高光谱异常检测算法 277
8.4 高光谱图像异常目标检测算法评价 281
8.4.1 基于空域滤波的核RX高光谱异常检测算法评价 281
8.4.2 自适应核高光谱异常检测算法评价 282
8.4.3 基于光谱相似度量核的高光谱异常检测算法评价 284
参考文献 289
第9章 高光谱实时目标检测技术 292
9.1 高光谱遥感目标检测概念及特点 292
9.1.1 目标存在形式 292
9.1.2 高光谱图像目标检测特点 292
9.1.3 高光谱图像目标检测分类 293
9.1.4 高光谱图像目标检测关键问题 293
9.2 基于像素递归的高光谱实时目标检测 295
9.2.1 Woodbury矩阵引理 296
9.2.2 基于R-RXD的递归实时算子 297
9.2.3 基于K-RXD的递归实时算子 298
9.2.4 算法复杂性分析 299
9.2.5 仿真实验结果与分析 300
9.3 采用滑动实时窗的高光谱局部实时检测 305
9.3.1 高光谱局部异常检测常用算法 306
9.3.2 采用滑动实时窗口的局部异常检测 308
9.3.3 仿真实验结果与分析 311
9.4 基于波段递归更新的高光谱目标检测算法 315
9.4.1 分块矩阵求逆引理 315
9.4.2 基于波段递归的高光谱目标检测 316
9.4.3 仿真实验结果与分析 319
参考文献 321
第10章 高光谱图像压缩处理技术 324
10.1 高光谱压缩处理技术概述 324
10.2 图像压缩质量评价标准 326
10.3 高光谱图像压缩处理算法 327
10.3.1 基于目标分布改进DCT的图像压缩 327
10.3.2 多元向量量化的图像压缩 329
10.3.3 基于提升格式的图像压缩 332
10.3.4 基于向量量化的图像压缩 335
10.4 高光谱图像压缩性能评价 337
10.4.1 基于目标分布的图像压缩性能评价 337
10.4.2 多元向量量化的图像压缩性能评价 343
10.4.3 基于提升格式的图像压缩性能评价 350
10.4.4 基于向量量化
