Hyperspectral Data Exploitation Theory and Applications由Chein-I Chang撰写。

本书由13个章节，由在高光谱数据挖掘领域不同分支的专家研究学者完成。每个章节均陈述特定的问题。具体来讲：13个章节划分为3大部分，第Ⅰ部分：教程，第Ⅱ部分：理论和第Ⅲ部分：应用。

Part Ⅰ：教程

教程部分由两个章节组成，回顾了高光谱数据挖掘方面的一些基础知识，高光谱成像系统，目标探测和分类算法设计的基本原理。第2章节中，Kerekes和Schott非常好的介绍了高光谱成像系统，包括两个非常出名的机载高光谱成像仪，分别是机载可见光近红外成像光谱仪（AVIRIS）和高光谱数字图像采集科研仪器（HYDICE）；除此之外，还有基于卫星的HYPERION。随后，Chang编写的第3章节中介绍了基于匹配滤波的目标探测和分类算法。

Part Ⅱ：理论

理论部分由8个章节组成，阐述了有关数据模型方面的关键问题和不同方法概述：使用确定性端元的线性混合模型（LMM）（4章），随机端元的线性混合模型（5章和6章），端元提取（7章），降维（8章），波段选择（9章），波段分类（10章），和半监督支持向量机（11章）。

第4章中，Bowles和Gillis描述了由海军研究实验室研发的光学实时自适应光谱识别系统——ORASIS，它是一个算法的集合来顺序处理一系列的任务，包括样本集选择，基准选择，端元选择，和光谱解混。第4章中的光谱解混考虑的端元是确定性的，Eismann和Stein编写的第5章中提出了一种随机混合模型（SMM）来描述高光谱数据的统计表示，模型中使用的端元是有限高斯混合的用概率密度函数描述的随机向量。作为第5章中随机混合模型的备选方案，Nascimento和Dias在第6章中提出了光谱解混的独立组分分析（ICA）和独立因子分析（IFA），在这里ICA/IFA的线性混合模型使用的冗余端元被描述成狄利克雷密度的混合，是第五章SMM中假设的高斯密度混合的对立面。4-6章中涉及的共同和关键的问题是：（1）找出一个合适的端元集合来构成线性混合模型，（2）实行数据降维来降低计算的复杂度。为了阐述第一个问题，Winter在第7章中重新回顾了他的著名端元提取算法，N-finder算法（N-FINDER），此外提出了N-FINDER的改进版本，称为最大体积转换（maximum volumetransform，MVT）。Jia和Richards在第8章中阐述了第二个问题，通过研究高光谱数据的数据表示来处理所谓的维数灾难，在这里特征提取成为有力且有效的方法来解决这个问题。例如PCA中用到的方差，Fisher比，Fisher的线性判别分析（FLDA）使用的Rayleigh商。另一种来阐述数据降维问题的方法是波段选择。第9章中Shen提出了基于熵的基因算法来选择光谱成像系统——包括五个已有的多光谱成像系统和在目标探测和物质识别具体应用中的最佳波段集合。作为波段选择的备选方案，Serpico等人在第10章中提出了一个方法，波段分类——基于特定分类应用的特征提取/选择。最后，在11章中，Bruzzone等人改进了著名的监督分类器——支持向量机（SVM），介绍了高光谱遥感图像分类中的半监督SVM方法。

Part Ⅲ：应用

应用部分包括三个章节，阐述了不同方法的分类应用中的数据挖掘问题。12章中Benediktsson与同事一起提出了高光谱分类中多分类器融合的通用框架，包括基于形态的分类器，神经网络分类器和SVM。13章中Plaza提出了基于形态的分类方法以及它的并行计算的潜力。最后，这本书总结了高光谱数据挖掘中最重要的应用，即高光谱数据压缩。14章中，Fowler和Rucker回顾了基于小波的3-D高光谱数据压缩在分类中的应用。

附下载地址：

链接：https://pan.baidu.com/s/1RCnoBCIQYoZeao_6VXF0xg 

提取码：q9sh

点滴分享，福泽你我！Add oil！