本書主要介紹遙感高光譜圖像壓縮與融合技術的基本概念、原理和常用算法及創新算法，并進行了實驗驗證、比較分析及評價，探討了高光譜圖像應用于礦產資源評價模型的研究。
本書內容包括4篇。第1篇（第1～4章）為遙感高光譜圖像基礎知識，論述了遙感的概念、高光譜圖像的基本特征、書中所做實驗的數據以及實驗平臺、高光譜圖像壓縮基本原理和融合基本技術。第2篇（第5～10章）論述了遙感高光譜圖像壓縮技術，如基于降維的壓縮算法、基于預測的無損壓縮算法、基于變換的壓縮算法、基于矢量量化的壓縮算法以及基于分布式編碼的無損壓縮算法，同時還對高光譜圖像的壓縮性能進行了評價。第3篇（第11～17章）論述了遙感高光譜圖像融合技術，包括數據預處理、圖像配準與尺度轉換、融合的基本算法、基于粒子群優化Contourlet變換的融合算法、基于MAP/SMM模型的融合算法及其評價、基于深度學習的高光譜圖像融合。第4篇（第18、19章）論述了高光譜圖像礦產資源評價問題，并提出了評價模型。
本書可作為信息處理、計算機編碼、遙感圖像處理、遙感圖像解釋、礦產評價、衛星遙感等學科的研究生專業課教材，也可供上述學科及計算機編碼及應用技術、遙感、資源探測及軍事偵察等領域的科技工作者和高等院校的師生參考。

第1篇遙感高光譜圖像基礎知識

第1章遙感概述3

1.1遙感的概念與特點3

1.2遙感的分類4

1.3遙感過程及技術系統5

1.3.1遙感實驗5

1.3.2遙感信息獲取5

1.3.3遙感信息處理6

1.3.4遙感信息的應用6

第2章高光譜圖像概述7

2.1高光譜圖像7

2.2高光譜圖像特性8

2.2.1空間相關性8

2.2.2譜間相關性8

2.3實驗數據及平臺概述9

2.3.1實驗數據9

2.3.2實驗平臺11

第3章高光譜圖像壓縮基本原理13

3.1高光譜圖像冗余13

3.1.1編碼冗余13

3.1.2像素域冗余13

3.1.3視覺冗余14

3.2信息論基本概念14

3.3信源編碼理論15

3.3.1無失真編碼定理15

3.3.2限失真編碼定理16

第4章高光譜圖像融合基本技術18

4.1高光譜圖像預處理技術18

4.2高光譜圖像融合及其研究現狀19

4.2.1高光譜圖像融合基本概念19

4.2.2高光譜圖像融合及研究現狀20

4.3遙感圖像融合層次分類21

4.4高光譜圖像與高空間分辨率圖像融合過程分析23

第2篇遙感高光譜圖像壓縮技術

第5章基于降維的壓縮算法27

5.1高光譜遙感圖像數據降維的可行性分析27

5.1.1高光譜遙感圖像數據的信息熵27

5.1.2高光譜圖像的空間相關性28

5.1.3高光譜圖像的譜間相關性32

5.1.4高光譜圖像的數據維35

5.2局部保持投影降維算法和無監督判別投影降維算法38

5.2.1局部保持投影降維算法38

5.2.2無監督判別投影降維算法39

5.3L層鄰域無監督判別投影降維算法40

5.3.1高光譜遙感圖像數據表示40

5.3.2L層鄰域無監督判別投影降維算法40

5.3.3權重ψij核函數改進43

5.3.4L層鄰域無監督判別投影降維算法的實現過程44

5.3.5UDP降維壓縮算法及UDPL降維壓縮算法的計算流程圖44

5.4高光譜遙感圖像分組46

5.4.1ECA波段選擇算法46

5.4.2ECA波段選擇算法的改進47

5.4.3改進ECA波段選擇算法的實現步驟48

5.4.4改進ECA波段選擇算法的計算流程圖48

5.4.5分組L層鄰域無監督判別投影降維壓縮算法流程圖49

5.5分組L層鄰域無監督判別投影降維壓縮算法的實驗結果與分析50

5.5.1L層鄰域無監督判別投影降維壓縮算法的實驗數據分析50

5.5.2改進ECA波段選擇算法的實驗數據分析52

5.5.3分組L層鄰域無監督判別投影降維壓縮算法的實驗分析56

5.5.4實驗結論57

第6章基于預測的無損壓縮算法58

6.1基于雙向遞歸預測的高光譜圖像無損壓縮算法58

6.1.1雙向預測理論58

6.1.2雙向遞歸預測理論60

6.1.3改進的雙向遞歸預測理論62

6.2基于預測的高光譜圖像并行壓縮算法66

6.2.1計算機并行計算原理66

6.2.2高光譜圖像并行壓縮算法69

6.3高光譜圖像預測算法的實驗結果71

6.3.1雙向遞歸預測算法的實驗結果71

6.3.2基于預測的雙核并行的實驗結果72

6.3.3基于預測的四核并行的實驗結果73

6.3.4基于預測的八核并行的實驗結果74

6.3.5圖像數據壓縮前后的圖像對比76

6.4基于采樣預測的高光譜圖像壓縮算法77

6.4.1高光譜遙感圖像數據的特性分析77

6.4.2基于采樣預測的高光譜圖像壓縮算法87

6.4.3實驗對比與分析88

6.4.4實驗結論91

第7章基于變換的壓縮算法92

7.1小波變換的基本原理92

7.1.1小波的定義92

7.1.2離散小波與多分辨率分析93

7.1.3小波變換在圖像壓縮中的應用94

7.2整數小波變換95

7.2.1整數小波變換原理96

7.2.2整數小波核心算法96

7.3基于整數小波的高光譜圖像無損壓縮算法99

7.4基于3D�睸PIHT的高光譜有損壓縮算法104

7.4.1SPIHT算法原理105

7.4.23D�睸PIHT算法流程105

7.4.3SPIHT的技術內容105

7.5基于PCA變換與小波變換的組合有損壓縮算法108

7.5.1PCA變換的原理108

7.5.2PCA變換與小波變換的組合算法流程圖109

7.6算法比較110

第8章基于矢量量化的壓縮算法112

8.1矢量量化原理112

8.2矢量量化基本算法113

8.3矢量量化用于高光譜圖像壓縮113

8.4矢量量化算法的改進115

8.5改進的LBG算法的實驗結果及評價116

第9章基于分布式編碼的無損壓縮算法118

9.1DSC理論基礎118

9.2基于陪集碼的DSC實現120

9.3分布式算法的實驗結果124

第10章高光譜圖像有損壓縮的性能評價125

10.1光譜失真度的度量指標125

10.1.1幾何度量125

10.1.2概率度量126

10.2圖像壓縮質量的評價指標127

10.2.1壓縮比127

10.2.2均方誤差127

10.2.3信噪比127

10.2.4峰值信噪比128

10.3高光譜無損壓縮算法的比較和評價128

10.3.1小波算法的實驗結果129

10.3.2雙向遞歸預測算法的實驗結果130

10.3.3LBG算法的實驗結果130

10.3.4分布式選擇壓縮算法的實驗結果131

10.3.5四種算法的壓縮時間對比131

10.4高光譜有損壓縮算法的比較和評價133

10.5有損壓縮算法對礦產信息波譜的影響分析136

第3篇遙感高光譜圖像融合技術


第11章高光譜圖像融合數據預處理143

11.1HSI數據的預處理143

11.1.1HSI數據的讀取143

11.1.2HSI數據的條紋去除144

11.2HSI數據的大氣校正145

11.3CCD數據的預處理147

11.3.1CCD數據的讀取148

11.3.2CCD數據的大氣校正148

第12章高光譜圖像配準與尺度轉換150

12.1SIFT配準算法151

12.1.1SIFT算法概述151

12.1.2尺度空間和降采樣圖像的形成152

12.1.3特征點的檢測154

12.1.4特征點的精確定位154

12.1.5特征點主方向的提取155

12.1.6關鍵點特征描述及歸一化SIFT描述子的生成156

12.2基于歸一化SIFT算法的不同光學圖像的自動配準157

12.2.1基于歸一化SIFT算法的匹配157

12.2.2RANSAC的基本矩陣估計158

12.3配準模型解算及尺度轉換算法選取159

12.3.1配準模型解算159

12.3.2尺度轉換算法的選取159

第13章高光譜數據融合的基本方法162

13.1基于IHS變換的高光譜圖像融合算法162

13.1.1基于IHS變換的高光譜圖像融合算法原理162

13.1.2基于IHS變換的融合算法的實驗效果163

13.2基于PCA變換的高光譜融合算法164

13.2.1基于PCA變換的高光譜融合算法原理164

13.2.2PCA融合算法的實驗效果164

13.3基于高通濾波的高光譜融合算法165

13.4基于Brovey變換的高光譜融合算法166

13.4.1基于Brovey變換的高光譜融合算法原理166

13.4.2Brovey融合算法的實驗效果166

13.5基于小波變換的高光譜融合算法167

13.6高通濾波與IHS結合的高光譜圖像融合算法168

13.7CRISP高光譜圖像融合算法169

13.7.1CRISP銳化算法的簡介169

13.7.2CRISP銳化算法的過程169

13.7.3CRISP融合的實驗結果171

13.8幾種經典融合算法的比較172

第14章基于粒子群優化Contourlet變換的融合算法176

14.1粒子群算法176

14.2Contourlet變換177

14.3基于粒子群優化Contourlet變換的融合算法178

14.4融合結果及分析180

第15章基于MAP/ SMM模型的高光譜圖像融合算法184

15.1基于MAP/ SMM模型的高光譜圖像融合原理概述184

15.2觀測模型的建立185

15.3MAP估計模型186

15.4隨機混合模型188

15.5模型參數求解189

15.6MAP/ SMM估計191

15.7簡化觀測模型192

15.8光譜響應函數193

15.9空間點擴散函數194

15.10高分辨率豐度圖的優化196

第16章基于深度學習的高光譜圖像融合算法198

16.1卷積神經網絡198

16.1.1卷積層198

16.1.2池化層199

16.1.3全連接層200

16.1.4softmax層200

16.1.5激活函數200

16.1.6損失函數202

16.2VGGNet203

16.3融合結果分析204

16.4結論205

第17章高光譜融合圖像評價207

17.1常用的高光譜融合圖像評價方法207

17.1.1主觀評價方法207

17.1.2客觀評價方法208

17.1.3基于層次分析法的模糊綜合評價研究209

17.2高光譜融合圖像的模糊評價實現212

17.3高光譜圖像融合的實驗結果與分析213

17.3.1實驗數據介紹213

17.3.2實驗結果與分析214

第4篇高光譜圖像礦產資源評價應用研究


第18章高光譜圖像的分類221

18.1高光譜圖像的分類221

18.2最大似然分類法222

18.3K�簿�值分類法223

第19章礦產資源評價模型的研究225

19.1神經網絡基本原理226

19.2粒子群算法原理227

19.3高光譜數據在礦產資源評價流程及模型中的應用229

19.4實驗結果及分析231

結語235

參考文獻237