基于流形学习的高光谱遥感影像降维理论与方法研究2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

基于流形学习的高光谱遥感影像降维理论与方法研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 研究背景和意义1

1.2 高光谱影像降维10

1.2.1 高光谱影像的数据表达10

1.2.2 高光谱影像的高维特性12

1.2.3 高光谱影像降维的理论必要性和可行性13

1.3 国内外研究现状分析17

1.3.1 高光谱影像的波段选择17

1.3.2 高光谱影像的线性特征提取20

1.3.3 高光谱影像的非线性特征提取22

1.3.4 流形学习在高光谱影像数据处理中的应用23

1.3.5 当前研究存在的问题26

1.4 研究目标与研究内容28

1.4.1 研究目标28

1.4.2 研究内容29

1.5 研究方法与总体技术路线30

1.6 本书结构安排32

第2章 流形学习理论35

2.1 引言35

2.2 流形与流形学习36

2.2.1 流形中的一些数学定义36

2.2.2 流形学习的定义39

2.2.3 流形学习的分类40

2.3 典型流形学习方法41

2.3.1 等距映射方法42

2.3.2 局部切空间排列方法44

2.3.3 拉普拉斯特征映射方法46

2.3.4 几种流形学习方法的对比47

2.4 流形学习方法中主要参数50

2.4.1 本征维数的估计50

2.4.2 邻域选择及优化54

2.5 本章小结56

第3章 基于光谱意义解释的高光谱影像低维流形特征提取57

3.1 引言57

3.2 高光谱影像流形坐标的光谱意义解释58

3.3 偏最小二乘法修复Isomap遗失点的流形坐标61

3.3.1 偏最小二乘方法62

3.3.2 偏最小二乘方法修复Isomap遗失点坐标的流程63

3.3.3 实验分析65

3.4 高光谱影像低维流形特征提取74

3.4.1 Isomap降维的参数选取75

3.4.2 Isomap提取低维流形特征的流程76

3.5 实验分析77

3.5.1 实验数据77

3.5.2 阴影区域提取79

3.5.3 靠岸浅水区域提取81

3.5.4 讨论84

3.6 本章小结85

第4章 两种流形坐标差异提取高光谱影像的潜在特征86

4.1 引言86

4.2 流形坐标差异提取潜在特征的可行性分析87

4.3 流形坐标差异图提取高光谱影像潜在特征88

4.3.1 高光谱影像Isomap和LTSA降维89

4.3.2 两种流形坐标的光谱意义解释的统一90

4.3.3 两种流形坐标尺度和方向的统一91

4.3.4 流形差异图的计算及特征提取92

4.3.5 流形坐标差异图提取潜在特征的流程93

4.4 实验分析94

4.4.1 实验数据94

4.4.2 靠岸的浅水区域提取96

4.4.3 低分辨率道路提取100

4.4.4 讨论103

4.5 本章小结104

第5章 高光谱影像的UL-Isomap降维105

5.1 引言105

5.2 带标志点的等距映射方法106

5.3 基于矢量量化的标志点选取108

5.3.1 随机标志点的不足108

5.3.2 基于矢量量化的标志点109

5.4 速度提升策略113

5.4.1 随机映射114

5.4.2 快速近似k-邻域构建114

5.4.3 快速随机低阶近似奇异值分解115

5.5 高光谱影像的UL-Isomap降维算法116

5.6 实验分析119

5.6.1 实验数据120

5.6.2 VQ标志点对分类结果的影响122

5.6.3 随机映射对高光谱数据的影响125

5.6.4 UL-Isomap的计算速度性能126

5.6.5 UL-Isomap的分类性能129

5.6.6 快速近似k-邻域构建对分类的影响131

5.6.7 讨论131

5.7 本章小结133

第6章 高光谱影像的ENH-LTSA降维134

6.1 引言134

6.2 考虑空间特性的k-邻域选取135

6.2.1 常规k-邻域选取的不足135

6.2.2 自适应加权综合核距离136

6.3 速度提升策略139

6.4 高光谱影像的ENH-LTSA降维算法140

6.5 实验分析142

6.5.1 实验数据143

6.5.2 AWSK距离对分类的影响146

6.5.3 ENH-LTSA的计算速度性能149

6.5.4 ENH-LTSA的分类性能150

6.5.5 随机映射对分类的影响153

6.5.6 重叠参数α对分类的影响155

6.5.7 讨论156

6.6 本章小结157

第7章 联合ILE降维和IKNN分类器的高光谱影像分类158

7.1 引言158

7.2 LE降维和KNN分类器组合策略的不足159

7.3 高光谱影像的ILE降维和IKNN组合策略160

7.3.1 高光谱影像的ILE降维方法160

7.3.2 ILE流形坐标的IKNN分类器161

7.4 ILE降维和IKNN分类器的分类算法162

7.5 实验分析163

7.5.1 实验数据164

7.5.2 Indian数据分类166

7.5.3 PaviaU数据分类169

7.5.4 讨论170

7.6 本章小结172

第8章 结论和展望173

8.1 研究结论173

8.2 特色与创新176

8.3 展望与下一步工作177

参考文献179

后记201