本书全面探讨高光谱影像处理的核心技术及其应用，涵盖分类、光谱解混、亚像元定位、异常/变化检测及可视化五大方向。在传统方法基础上，深度融合深度学习与空谱协同理论，提出非平行SVM分类模型、基于LSVM的光谱解混不确定性分析、多位移图像亚像元定位等创新算法，并系统构建面向任务的可视化评价体系。全书以作者团队原创成果为主线，结合国内外最新研究进展，通过大量实验验证与工程案例，深入解析技术原理与实现细节。书中不仅包含监督与非监督学习方法的对比分析，还特别关注高光谱影像的物理特性与实际应用场景的适配性，为读者提供从理论推导到代码实现的完整技术链路。无论是对高光谱技术的研究者，还是对遥感应用领域的从业者，本书均是一本兼具深度与广度的实用工具书。
王立国，男，1974年生，大连民族大学教授（特聘二级），国家民委领军人才。担任第四届全国成像光谱学术研讨会执行主席、中国遥感应用协会高光谱遥感技术与应用专业委员会委员、国际数字地球学会(ISDE)中国国家委员会-成像光谱对地观测专业委员会委员、国家科技奖励评审专家、国家自然科学基金评审专家。主持多项国家自然科学基金、教育部博士点基金、中国博士后基金等科研项目的研究，参研多项863重点项目、省自然科学基金重点项目、国家自然科学基金等课题若干。获得省科技奖二等奖2项，省科技奖三等奖1项，省高校科学技术奖一等奖2项、二等奖1项。
目 录
第1章 高光谱遥感的基本理论及高光谱影像处理技术简介 1
1.1 高光谱遥感的基本理论 1
1.1.1 电磁波理论基础 1
1.1.2 太阳辐射与物质的相互作用 2
1.1.3 高光谱成像技术及高光谱成像仪 2
1.1.4 高光谱影像的数据特点 4
1.2 高光谱影像的分类 4
1.2.1 监督分类与非监督分类 5
1.2.2 参数分类与非参数分类 6
1.2.3 确定性分类与非确定性分类 8
1.2.4 其他分类 8
1.3 高光谱影像的光谱解混 9
1.3.1 非线性光谱混合模型 10
1.3.2 线性光谱混合模型 10
1.3.3 线性光谱混合模型的多端元模式 13
1.4 高光谱影像的亚像元定位 15
1.4.1 先初始化后优化的亚像元定位方法 16
1.4.2 软硬属性转换的亚像元定位方法 16
1.4.3 其他类型的亚像元定位方法 18
1.5 高光谱影像的异常检测与变化检测 19
1.5.1 高光谱影像的异常检测 19
1.5.2 高光谱影像的变化检测 22
1.6 高光谱影像的彩色可视化 25
1.6.1 高光谱影像的特点及传统显示空间 25
1.6.2 图像空间的常用彩色可视化技术 26
1.6.3 提取三波段的彩色可视化技术 27
1.6.4 基于原始高光谱影像的彩色可视化技术 27
1.6.5 基于像元分析结果的彩色可视化技术 29
参考文献 30
第2章 高光谱影像的分类方法 32
2.1 SVM分类方法 32
2.1.1 理论基础 32
2.1.2 分类原理 34
2.1.3 SVM分类性能评价 38
2.2 非平行SVM分类方法 41
2.2.1 添加额外经验风险最小化的非平行SVM分类方法 41
2.2.2 添加约束偏置项的额外经验风险最小化非平行SVM分类方法 44
2.2.3 最小二乘的约束偏置额外经验风险最小化非平行SVM分类方法 46
2.2.4 非平行SVM分类方法的分类性能评价 48
2.3 深度学习分类方法 50
2.3.1 正则化光谱空间全局学习框架 52
2.3.2 统计损失 56
2.3.3 早期停止策略 57
2.3.4 深度学习分类方法性能评价 58
2.4 本章小结 61
参考文献 62
第3章 高光谱影像的光谱解混方法 64
3.1 基于LSMM的解混方法 64
3.2 全约束LSMM的几何求解方法 66
3.2.1 方法的建立 66
3.2.2 快速方法：距离尺度替换体积尺度 68
3.3 基于LSVM的解混原理 70
3.3.1 LSVM与LSMM的等效性证明 70
3.3.2 LSVM的独特优势 71
3.3.3 带解混残差约束条件的LSSVM解混方法 71
3.4 基于最小二乘孪生支持向量机的高光谱影像解混方法 77
3.4.1 最小二乘孪生支持向量机基础理论 77
3.4.2 最小二乘孪生支持向量机解混方法 80
3.5 最小二乘孪生支持向量机解混的不确定性分析 81
3.5.1 相关基础理论 81
3.5.2 ULSTSVM中的端元光谱可变性 82
3.5.3 两种不确定性模型：丰度重叠和模型重叠 83
3.5.4 ULSTSVM不确定性的计算分析相关算法 87
3.5.5 ULSTSVM中的不确定性处理 88
3.5.6 最小二乘孪生支持向量机解混的性能评估及不确定性分析实验 89
3.6 解混的模糊精度评价方法 102
3.6.1 模糊精度评价方法 102
3.6.2 模糊精度评价方法在具体实验中的应用 103
3.7 本章小结 107
参考文献 108
第4章 高光谱影像的亚像元定位方法 110
4.1 亚像元定位方法的基本原理及评价方法 110
4.1.1 亚像元锐化方法 110
4.1.2 类别分配方法 112
4.1.3 亚像元定位精度的评价方法 114
4.2 基于更多监督信息Hopfield神经网络的亚像元定位方法 116
4.2.1 传统的基于Hopfield神经网络的亚像元定位方法 117
4.2.2 I-HNN 118
4.2.3 性能评价 119
4.3 基于具有空-谱信息的多位移图像亚像元定位方法 121
4.3.1 MSI-SS 122
4.3.2 性能评价 124
4.4 基于并行处理路径的高光谱影像亚像元定位方法 130
4.4.1 融合路径 130
4.4.2 深度学习路径 131
4.4.3 DPP 132
4.4.4 性能评价 134
4.5 本章小结 142
参考文献 142
第5章 高光谱影像的异常检测与变化检测方法 145
5.1 基于加权核范数、全变分正则化和稀疏背景字典的异常检测方法 145
5.1.1 LRSMD的理论基础 146
5.1.2 加权核范数和全变分正则化 146
5.1.3 稀疏背景字典构造方法 147
5.1.4 WNNSDAD 147
5.2 基于局部空-谱信息整合的半监督双流网络的异常检测方法 149
5.2.1 背景训练样本的提取 149
5.2.2 LS3T-Net 150
5.3 基于残差自注意力模块自动编码器网络的异常检测方法 153
5.3.1 自动编码器网络 154
5.3.2 残差网络（ResNet） 154
5.3.3 残差自注意力（RSA）模块 154
5.3.4 基于残差自注意力模块的自动编码器（RSAAE）网络 155
5.4 基于多尺度中心差分卷积网络的异常检测方法 157
5.4.1 中心差分卷积 157
5.4.2 MSCDC网络结构 158
5.5 异常检测方法性能评价 160
5.5.1 异常检测方法的评价指标 160
5.5.2 WNNSDAD的性能评价 160
5.5.3 LS3T-Net的性能评价 162
5.5.4 RSAAE的性能评价 164
5.5.5 MSCDC的性能评价 166
5.6 基于空-谱注意力机制孪生网络的变化检测方法 168
5.6.1 网络结构 168
5.6.2 孪生网络 169
5.6.3 空-谱注意力机制 170
5.6.4 加权对比损失函数 171
5.7 基于残差自校准网络的变化检测方法 172
5.7.1 网络结构 173
5.7.2 改进的残差网络 173
5.7.3 自校准卷积 174
5.7.4 残差自校准模块 175
5.8 高光谱影像变化检测方法的性能评价 176
5.8.1 SSA-SiamNet的性能评价 176
5.8.2 RSCNet的性能评价 177
5.9 本章小结 178
参考文献 179
第6章 高光谱影像的彩色可视化方法 181
6.1 高光谱影像彩色可视化评价标准 181
6.1.1 无监督数据的彩色可视化客观评价标准 181
6.1.2 有监督数据的彩色可视化客观评价标准 182
6.1.3 其他评价标准 183
6.2 面向像元分析结果的彩色可视化方法 183
6.2.1 面向硬分类结果的彩色可视化方法 184
6.2.2 面向软分类结果的彩色可视化方法 186
6.3 面向原始高光谱影像的彩色可视化方法 191
6.3.1 面向类别的有监督流形彩色可视化方法 191
6.3.2 快速动态彩色可视化方法 194
6.3.3 交互式多图像彩色可视化方法 195
6.4 高光谱影像的多级彩色可视化方法 197
6.5 本章小结 198
参考文献 199
附录A 著者主要相关文章 201
书单推荐
