高光谱遥感图像解混技术作为从高光谱遥感数据中有效提取有用信息的重要途径，近年来格外受到重视，其相应的研究也一直是高光谱遥感领域的研究前沿和热点。《高光谱遥感图像解混理论与方法----从线性到非线性》简要介绍了高光谱遥感图像的特点，在总结国内外相关研究基础上，结合著者所在团队多年来取得的研究成果，从线性到非线性，系统地整理和介绍了高光谱遥感图像解混这一研究方向的理论与方法，反映了当前该研究方向的研究现状和**进展。
更多科学出版社服务，请扫码获取。
遥感图像,图像处理,谱分析（数学）,研究
目录
丛书序
序一
序二
前言
第1章 概述 1
1.1 高光谱遥感 1
1.1.1 成像光谱遥感技术简介 1
1.1.2 高光谱遥感图像的表达与特征 6
1.2 高光谱遥感图像处理方法 9
1.2.1 高光谱遥感图像降噪与恢复 11
1.2.2 高光谱遥感图像降维 13
1.2.3 高光谱遥感图像融合 15
1.2.4 高光谱遥感图像分类 16
1.2.5 高光谱遥感图像目标探测 17
1.3 混合像元和光谱解混技术 19
1.3.1 混合像元问题 19
1.3.2 光谱解混的一般流程与重要问题 25
1.3.3 解混算法评估常用的高光谱遥感图像 28
参考文献 34
第2章 线性光谱解混方法 38
2.1 线性混合模型 38
2.1.1 数学表达形式 38
2.1.2 LMM的模型意义 39
2.1.3 解混的一般优化问题 41
2.2 端元数目估计方法 42
2.2.1 高光谱数据的虚拟维度 42
2.2.2 最小误差信号子空间识别 44
2.2.3 噪声白化的特征值间隔方法 46
2.2.4 基于低秩表示的信号子空间数目估计 47
2.2.5 基于最近邻距离比的本征维度估计 48
2.3 端元提取方法 50
2.3.1 基于单形体几何特性的方法 50
2.3.2 融合空间信息的端元提取方法 59
2.3.3 基于统计学的端元提取方法 64
2.4 丰度估计方法 67
2.4.1 最小二乘法 68
2.4.2 基于单形体几何性质的快速丰度估计 70
2.4.3 利用稀疏性与空间关系的线性光谱解混 74
参考文献 82
第3章 无监督的线性光谱解混方法 85
3.1 无监督线性解混的统计学方法 85
3.1.1 同时估计端元和丰度的贝叶斯方法 85
3.1.2 基于依赖成分分析的无监督线性解混 87
3.2 基于独立成分分析的解混方法 90
3.2.1 独立成分分析原理 90
3.2.2 基于ICA的光谱解混方法 92
3.3 基于约束非负矩阵分解的解混方法 97
3.3.1 NMF原理与一般算法 97
3.3.2 端元约束的NMF 100
3.3.3 丰度稀疏约束的NMF 103
3.3.4 空间信息混合约束的NMF 105
3.3.5 基于非负张量分解的解混方法 111
3.4 基于凸几何理论的解混方法 117
3.4.1 基于分裂增广拉格朗日的单形体识别算法 118
3.4.2 最小体积单形体分析 120
3.4.3 最小体积闭合单形体分析 122
参考文献 124
第4章 线性光谱解混的其他方法 127
4.1 考虑端元光谱变异性的解混方法 127
4.1.1 光谱变异性 127
4.1.2 端元束方法 129
4.1.3 基于Fisher判别零空间的线性变换方法 131
4.1.4 扰动与扩展的线性混合模型 132
4.2 基于启发式优化方法的光谱解混 137
4.2.1 基于神经网络的混合像元分解 137
4.2.2 自适应差分进化端元提取算法 139
4.2.3 基于粒子群优化的约束非负矩阵分解 141
4.3 时变的光谱解混方法 147
4.3.1 基于解混的高光谱图像变化检测 148
4.3.2 多时相高光谱图像的动态解混 148
4.4 高性能并行计算的解混方法 151
4.4.1 VCA和SUnSAL算法的GPU并行加速 151
4.4.2 基于OpenCL的完整线性解混链的并行实现 153
参考文献 154
第5章 非线性光谱混合理论与模型 156
5.1 观测场景中的非线性混合现象 156
5.1.1 砂石矿物地表 156
5.1.2 植被覆盖与城市区域 157
5.2 非线性光谱混合模型 160
5.2.1 传统非线性物理模型 161
5.2.2 Hapke模型 162
5.2.3 双线性混合模型 166
5.2.4 高阶线性混合模型 170
5.2.5 基于核函数的模型 173
5.3 植被覆盖区域的模型解混分析比较 174
参考文献 177
第6章 非线性光谱解混方法 180
6.1 非线性端元提取算法 180
6.1.1 基于数据测地线流形的方法 180
6.1.2 非线性混合物中端元物质的检测 182
6.2 基于非线性混合模型的解混算法 185
6.2.1 最小二乘规则下的泰勒展开与梯度下降方法 185
6.2.2 贝叶斯统计学方法 187
6.2.3 基于半非负矩阵分解的丰度估计 189
6.2.4 利用稀疏性与空间信息的改进方法 190
6.2.5 克服共线性效应的方法 197
6.3 数据驱动的非线性解混算法 204
6.3.1 流形学习方法 204
6.3.2 基于核函数的非线性光谱解混算法 207
参考文献 214
第7章 无监督的非线性光谱解混方法 216
7.1 基于数据流形距离的方法 216
7.2 基于高斯过程与蒙特卡洛的方法 218
7.2.1 高斯过程方法 218
7.2.2 基于PPNM与蒙特卡洛的方法 220
7.3 基于非负矩阵分解的方法 223
7.3.1 非线性混合模型与NMF的结合 223
7.3.2 核函数与NMF的结合 225
7.4 其他基于非线性混合模型的盲解混方法 226
7.4.1 基于几何投影和约束NMF的非线性解混 226
7.4.2 基于MLM的无监督非线性解混 229
参考文献 230
第8章 非线性光谱解混的其他方法 232
8.1 与波段选择结合的非线性光谱解混 232
8.2 基于启发式优化方法的非线性光谱解混 235
8.2.1 基于集成极限学习回归的方法 235
8.2.2 基于Hopfield神经网络的方法 236
8.3 波长依赖的非线性光谱解混 238
8.3.1 矢量核模型方法 239
8.3.2 扩展的多线性混合模型方法 241
8.4 考虑光谱变异性的非线性光谱解混 244
8.5 非线性混合检测方法 246
8.5.1 基于PPNM的非线性探测 246
8.5.2 非线性混合像元的非参数检验与端元提取 247
8.5.3 线性混合物检测的预解混框架 249
参考文献 251
书单推荐
