赵春晖，男，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。黑龙江省优秀中青年专家，全国优秀教师，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。先后获得全国优秀博士学位论文、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、黑龙江省优秀博士后、黑龙江省优秀研究生导师等荣誉。入选首届“国家高层次人才特殊支持计划”领军人才。

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 最大似然分类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最大似然分类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最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 基于向量量化的图像压缩性能评价351
参考文献352
第11章 高光谱图像可视化技术354
11．1 可视化技术概述354
11．2 面向类别分析结果的可视化方法358
11．2．1 基于硬分类结果的数据可视化359
11．2．2 基于软分类结果的自动彩色分配方法361
11．3 高光谱图像可视化方法性能评价364
11．3．1 硬分类类别彩色标签的选择及分配364
11．3．2 基于光谱解混结果的可视化结果366
参考文献368
第12章 高光谱遥感应用简介369
12．1 高光谱遥感在农业方面的应用369
12．1．1 农作物疾病监测、病虫害监测以及入侵物种监测369
12．1．2 农作物产量估计370
12．1．3 农作物分类370
12．2 高光谱遥感在地质领域方面的应用370
12．2．1 高光谱矿物识别与矿物填图371
12．2．2 高光谱地质成因信息探测研究371
12．2．3 高光谱成矿预测研究371
12．2．4 高光谱植被地化信息探测研究372
12．2．5 高光谱矿山环境分析研究372
12．3 高光谱遥感在草原监测方面的应用372
12．3．1 草地生物量估算373
12．3．2 草地种类识别374
12．3．3 草地化学成分估测374
12．4 高光谱遥感在森林研究方面的应用375
12．4．1 森林调查375
12．4．2 森林生化组成与森林健康状态376
12．5 高光谱遥感在海洋研究方面的应用377
12．5．1 海洋遥感中的基础研究377
12．5．2 海洋与海岸带资源环境监测中的应用研究378
12．5．3 高光谱海洋研究国际发展相关动态378
12．6 高光谱遥感在环境监测方面的应用379
12．6．1 大气污染监测379
12．6．2 土壤侵蚀监测379
12．6．3 水环境监测379
12．7 高光谱遥感在减灾方面的应用380
12．7．1 干旱380
12．7．2 洪涝381
12．7．3 低温雨雪冰冻灾害381
12．7．4 火灾382
12．7．5 地质灾害383
12．7．6 生物灾害384
12．7．7 其他灾害384
参考文献385

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，*后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，可以使读者比较全面地了解高光谱图像处理的各个领域以及*新研究进展。

本书是作者多年研究成果的总结，内容涵盖高光谱图像处理主要方法，包括降维与数据压缩，端元提取，光谱解混，亚像元定位，分类，异常检测，可视化显示技术等，理论思想和框架体系都有鲜明特色，对光谱解混技术的变端元、多端元思想；对分类技术的全面加权思想；对端元选择的快速实现思想；对亚像元定位技术的充分贯彻空间相关性原理；对异常检测的形态学运用和核函数构造，以及实时检测思想；对降维压缩的端元提取算法借用思想等，是本书主要创新内容。

本书既可作为高等院校遥感专业相关师生的参考书，又可作为不同信息系统中对高光谱遥感进行研究的科研人员的参考书，也可供从事环境监测、农业管理、海洋开发等应用层面的决策者阅读参考。

前 言

高光谱遥感技术(Hyperspectral Remote Sensing Technology)起源于多光谱遥感，是20世纪80年代开始发展的一种新兴遥感技术，其突出的优势在于提供了丰富的地物光谱波段，较高的光谱分辨率可以解决许多在全色和多光谱遥感中无法解决的问题。高光谱图像有效地结合了代表地物辐射属性的光谱信息和反映空间几何关系的图像信息，其所携带的光谱信息提供了区别地物光谱细微差别的能力，使得许多原本在多光谱遥感图像中无法获取的光谱信息得以探测。高光谱图像的光谱分辨率为纳米级，成像光谱仪将成像传感器的空间表示与光谱仪的分析能力相结合，在可见光、近红外、短波红外以及中红外等电磁波谱范围内，利用狭窄的光谱间隔成像，可以为每个像素提供数十至数百个窄波段，从而产生一条完整而连续的光谱曲线，使得地物的精确定量分析与细节提取成为可能，为人们对各种地物的分析提供了重要的依据。

随着高光谱遥感技术光谱分辨率的不断递增，人们对地物光谱属性特征的认知也不断随之深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21世纪遥感技术领域重要的研究方向之一。与多光谱遥感相比，高光谱遥感提供了更加丰富的地物光谱，其较宽的波谱覆盖范围使得高光谱数据处理时，可以根据需要选择特定的波段突显地物特征，为高光谱数据处理算法提供更多的地物原始数据，因此，高光谱遥感技术被广泛应用在矿物成分含量识别、植被识别与分类、植物的长势与化学成分估测、大气中各成分含量分析、水域环境污染程度分析、土壤调查、城市监测和规划等方面，且取得了显著成果。

高光谱遥感成像是一门新兴的交叉学科，以计算机、传感器、航空航天等技术为基础，涉及电磁波理论、物理科学、光谱学与几何光学、信息学、电子工程、地质学、地理与地球科学、大气科学、海洋科学、农学和林学等多个学科。其中，电磁波理论是最重要的基础，通过准确接收和记录电磁波与地物间复杂的相互作用，可以提供丰富的地物信息，进而得到高光谱图像数据立方体。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪，在光谱分光方式、空间成像方式和光电转换探测器的研究中不断深入，逐步从地面遥感发展到与航空、航天遥感应用平台相结合的阶段。另外，高光谱遥感技术在与全球定位系统融合的过程中，形成新型的地物信息获取与对地信息观测平台，极大地拓展了高光谱遥感技术的应用领域，为地学的研究提供了新的技术支持和科研方法。

全书共分12章，分别讲述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，最后概括地介绍了高光谱遥感在农作物病虫害检测、农作物产量估计、矿物识别和矿物填图、草地监测及草地种类识别、森林调查、海洋环境监测、大气污染监测，土壤侵蚀监测、水环境监测、灾害的预警分析和实时监测等方面的应用。本书以主要篇幅论述高光谱遥感图像处理过程和信息处理过程中出现的各种问题，对高光谱数据在各个应用领域的处理方法提出改进措施，在高光谱遥感处理的理论基础、成像机理、处理算法、应用领域及各种困难都进行了较为详细和全面的阐述。

本书为工业和信息化部“十二五”规划专著，是在著者承担国家自然科学基金(61077079、61275010、61405041、61571145)，高等学校博士学科点专项基金(20062302170021、20102304110013、20132304110007)，黑龙江省自然科学基金重点项目(ZJG0606-01、ZD201216)，中国博士后基金(2014M551221)，黑龙江省博士后基金(LBH-Z13057)，黑龙江省博士后科研启动金(LBH-Q15025)和黑龙江省留学归国人员科学基金资助项目(JJ2016LX0051)所取得成果的基础上撰写而成的。博士生刘春红、王玉磊、梅峰、李晓慧、成宝芝、刘丹凤、郝思媛为本书的算法设计及仿真实验做了大量工作，在此表示感谢。另外，本书撰写过程中，参阅了有关书籍和文献，同时也向这些作者致以诚挚的谢意！最后，感谢电子工业出版社对本书的出版给予的配合与支持。

由于著者水平有限，以及研究内容跨度大、编程软硬件条件差异大、涉及研究人员多等实际问题，在理论和技术方面还有很多不足、还未能将国内外更多的最新研究成果涵盖其中，衷心希望广大读者批评指正和不吝赐教，著者将在后续的工作中进一步完善。

著 者

2015年7月于哈尔滨