书名：高光谱图像分类技术
定价：129.8
ISBN：9787115644497
作者：李伟 张蒙蒙 陶然
版次：第1版
出版时间：2024-09

内容提要：
本书以高光谱图像分类技术为核心，采用理论方法详解与实验分析论证相结合的方式，从高光谱显微图像维度约减及分类技术、多尺度深度学习的医学高光谱显微图像分类技术，到高光谱图像结构感知学习、空间信息提取的地物分类技术，再到多源数据融合分类技术等多个方面，介绍了高光谱图像分类领域的理论发展和前沿技术。 本书可作为从事高光谱图像分类解译研究的科研人员的工具书，帮助从业人员系统了解高光谱图像分类解译方法的研究进展，同时使读者能够系统地了解高光谱图像分类技术的发展脉络和新进展。



作者简介：
李伟 北京理工大学信息与电子学院教授、博士生导师、副院长，国家优 秀青年科学基金、北京市杰出青年科学基金获得者。主要从事高光谱图像处理、目标检测与识别等方向的研究，发表论文一百余篇，论文被谷歌学术引用一万八千余次，连续入选科睿唯安“全球高被引科学 家”名单。当选英国技术工程学会会士，获中国电子学会自然科学一等奖、中国指挥与控制学会科学技术奖技术发明类一等奖等。 张蒙蒙 北京理工大学信息与电子学院副研究员。主要从事高光谱多源遥感图像分析方向的研究，发表论文三十余篇。先后主持国家自然科学基金面上项目、青年科学基金项目、博士后创新人才支持计划、北京市自然科学基金面上项目等，入选北京市科协“青年人才托举工程”，获中国电子学会自然科学一等奖等。 陶然 北京理工大学信息与电子学院教授、博士生导师，国家杰出青年科学基金获得者，国家 级教学名师。主要从事高维信号处理理论及方法研究，发表论文二百 余篇。担任国家自然科学基金创新研究群体项目带头人、教育 部创新团队带头人等，获国家 级教学成果奖二等奖，获教育 部自然科学奖一等奖等省部级奖项六项。

目录：
第 1 章 高光谱图像分类概述 1
1.1　高光谱图像　1
1.2　高光谱图像分类现状　3
1.2.1　高光谱图像特征提取方法　3
1.2.2　高光谱分类器设计方法　7
1.2.3　高光谱图像特征提取及分类难点分析　11
参考文献　13

第 2　章 高光谱显微图像维度约减及分类　19
2.1　高光谱显微图像成像系统及数据采集19
2.1.1　高光谱显微图像成像系统　19
2.1.2　膜性肾病病理组织标准化数据采集及预处理　20
2.2　基于空谱密度峰值的高光谱显微图像维度约减25
2.2.1　引言　25
2.2.2　相关原理与方法　26
2.2.3　基于空谱密度峰值的维度约减方法　27
2.2.4　实验内容及结果分析　30
2.3　基于张量表示的高光谱显微图像多特征提取39
2.3.1　引言　39
2.3.2　张量相关原理与知识　39
2.3.3　基于判别张量的多特征融合提取算法　39
2.3.4　实验内容及结果分析　43
2.4　基于张量回归分析的高光谱显微图像分类52
2.4.1　引言　52
2.4.2　*小二乘回归分析方法　52
2.4.3　基于张量块的判别线性回归分析方法　52
2.4.4　实验内容及结果分析　55
参考文献　60

第3　章 高光谱显微图像多尺度深度学习分类　63
3.1　基于深度学习的高光谱显微图像膜性肾病分类63
3.1.1　图像数据预处理　63
3.1.2　膜性肾病分类模型　68
3.1.3　实验内容及结果分析　74
3.2　基于深度特征融合网络的高光谱显微图像分类83
3.2.1　深度特征融合网络　84
3.2.2　实验内容及结果分析　88
3.3　基于Gabor 引导CNN 的高光谱显微图像分类93
3.3.1　基于CNN 和Gabor 滤波器的分类算法　94
3.3.2　实验内容及结果分析　97
参考文献　102

第4　章 高光谱图像结构感知学习模型及分类　104
4.1　基于结构感知协同表示的高光谱图像分类　104
4.1.1　引言　104
4.1.2　SaCRT 模型　105
4.1.3　实验内容及结果分析　109
4.2　基于DMLSR 的高光谱图像分类　123
4.2.1　引言　123
4.2.2　DMLSR 模型　124
4.2.3　实验内容及结果分析　126
4.3　基于ICS-DLSR 的滨海湿地数据样本空间变换　140
4.3.1　引言　140
4.3.2　滨海湿地典型地物高光谱遥感数据特征分析　141
4.3.3　基于回归表示的样本空间变换及ICS-DLSR 模型　143
4.3.4　滨海湿地数据样本空间变换效果分析　145
4.4　基于SPCRGE 的高光谱图像分类　149
4.4.1　引言　149
4.4.2　模型基础　151
4.4.3　SPCRGE 模型　153
4.4.4　实验内容及结果分析　155
参考文献　169

第5　章 高光谱图像空间信息提取及分类　173
5.1　基于多形变体输入的深度学习高光谱图像分类　173
5.1.1　DR-CNN 模型　173
5.1.2　多形变体输入及特征提取　175
5.1.3　DR-CNN 模型训练　180
5.1.4　实验内容及结果分析　181
5.2　基于像素对的数据增强及高光谱图像分类　194
5.2.1　像素配对模型　195
5.2.2　基于像素对输入的深度特征提取　195
5.2.3　实验内容及结果分析　196
5.3　基于像素块配对的高光谱图像深度网络分类　202
5.3.1　基于数据增强的CNN 分类模型　203
5.3.2　传统样本扩充方法　204
5.3.3　基于像素块配对的样本扩充方法　205
5.3.4　实验内容及结果分析　208
参考文献　213

第6　章 高光谱多源数据融合分类　216
6.1　多源遥感融合分类研究现状　216
6.1.1　多源传感器融合分类研究现状　216
6.1.2　基于高光谱的多源遥感融合分类研究现状　218
6.2　基于CNN 的高光谱多源数据融合分类　220
6.2.1　双通道CNN 与级联CNN　221
6.2.2　双分支CNN 训练及分析　223
6.2.3　实验内容及结果分析　224
6.3　基于结构信息聚合的HSI 与LiDAR 数据的融合分类　232
6.3.1　基于IP-CNN 的结构信息聚合分类模型　233
6.3.2　语义信息导向的分类模型及训练策略　234
6.3.3　HSI 协同LiDAR 数据分类实验　235
参考文献　242