| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第14-28页 |
| 1.1 引言 | 第14-15页 |
| 1.2 机器学习 | 第15-16页 |
| 1.3 遥感分类方法的研究进展 | 第16-22页 |
| 1.3.1 传统分类方法 | 第16页 |
| 1.3.2 神经网络分类方法 | 第16-17页 |
| 1.3.3 支持向量机分类方法 | 第17-18页 |
| 1.3.4 集成学习分类 | 第18-19页 |
| 1.3.5 半监督学习遥感分类研究进展 | 第19-20页 |
| 1.3.6 主动学习遥感分类研究进展 | 第20-22页 |
| 1.4 遥感图像分类所存在的问题 | 第22-23页 |
| 1.5 研究内容和方法 | 第23-28页 |
| 1.5.1 研究内容 | 第23-24页 |
| 1.5.2 主要研究方法 | 第24页 |
| 1.5.3 技术路线 | 第24-25页 |
| 1.5.4 研究地点及数据 | 第25-26页 |
| 1.5.5 研究的实验方法 | 第26-28页 |
| 2 遥感图像分类基础 | 第28-46页 |
| 2.1 遥感图像分类概述 | 第28-30页 |
| 2.1.1 遥感图像的光谱特征 | 第28页 |
| 2.1.2 遥感图像的纹理特征 | 第28-30页 |
| 2.2 常用遥感图像分类方法 | 第30-34页 |
| 2.2.1 BP神经网络遥感图像分类 | 第30-31页 |
| 2.2.2 RBF神经网络遥感图像分类 | 第31-32页 |
| 2.2.3 决策树遥感图像分类 | 第32-33页 |
| 2.2.4 支持向量机SVM分类 | 第33-34页 |
| 2.3 集成学习分类技术 | 第34-37页 |
| 2.3.1 集成学习概述 | 第34-35页 |
| 2.3.2 集成学习的方法 | 第35-37页 |
| 2.4 半监督学习分类 | 第37-40页 |
| 2.4.1 半监督学习概述 | 第37-38页 |
| 2.4.2 半监督协同训练方法 | 第38-40页 |
| 2.5 主动学习 | 第40-42页 |
| 2.6 半监督与主动学习集成 | 第42-43页 |
| 2.7 多视图学习 | 第43-45页 |
| 2.7.1 多视图学习的原则 | 第44-45页 |
| 2.7.2 多视图的构建 | 第45页 |
| 2.8 本章小结 | 第45-46页 |
| 3 集成学习遥感分类技术 | 第46-64页 |
| 3.1 不同分类器集成的模型 | 第46-52页 |
| 3.1.1 差异性的产生 | 第46-47页 |
| 3.1.2 差异性度量 | 第47-49页 |
| 3.1.3 组合方法 | 第49-50页 |
| 3.1.4 多分类器集成拓扑结构 | 第50-52页 |
| 3.2 实验结果分析 | 第52-63页 |
| 3.2.1 实验数据 | 第52页 |
| 3.2.2 差异性度量实验 | 第52-53页 |
| 3.2.3 集成方法的比较实验 | 第53-57页 |
| 3.2.4 随机森林对遥感图像分类性能分析 | 第57-59页 |
| 3.2.5 SVM分类参数寻优 | 第59-62页 |
| 3.2.6 随机森林与SVM分类性能比较 | 第62-63页 |
| 3.3 本章小结 | 第63-64页 |
| 4 半监督集成学习遥感分类技术 | 第64-77页 |
| 4.1 半监督分类集成学习 | 第64-68页 |
| 4.1.1 集成的自训练E_Self-training方法 | 第64-65页 |
| 4.1.2 Tri-Training基分类器的集成 | 第65-66页 |
| 4.1.3 基于半监督的随机森林 | 第66-68页 |
| 4.2 数据编辑技术 | 第68-69页 |
| 4.3 实验结果与分析 | 第69-76页 |
| 4.3.1 实验数据 | 第69-70页 |
| 4.3.2 E_Self-training实验结果 | 第70-71页 |
| 4.3.3 Tri-Training分类的集成实验 | 第71-73页 |
| 4.3.4 数据编辑实验结果 | 第73-74页 |
| 4.3.5 半监督随机森林SSLRF实验结果 | 第74-76页 |
| 4.4 本章小结 | 第76-77页 |
| 5 主动学习遥感分类技术 | 第77-94页 |
| 5.1 主动学习的采样方法 | 第77-83页 |
| 5.1.1 随机采样技术 | 第77-78页 |
| 5.1.2 主动学习EPS方法 | 第78-80页 |
| 5.1.3 主动学习SDS方法 | 第80-81页 |
| 5.1.4 基于多类SVM的主动学习 | 第81-83页 |
| 5.2 实验结果与分析 | 第83-92页 |
| 5.2.1 实验数据 | 第83页 |
| 5.2.2 随机采样主动学习实验结果 | 第83-84页 |
| 5.2.3 EPS主动学习实验结果 | 第84-85页 |
| 5.2.4 SDS主动学习实验结果 | 第85-87页 |
| 5.2.5 SVMAL主动学习实验结果 | 第87-92页 |
| 5.3 本章小结 | 第92-94页 |
| 6 半监督与主动学习的集成遥感分类技术 | 第94-106页 |
| 6.1 基于半监督的主动学习 | 第94-95页 |
| 6.1.1 半监督主动学习Tri-SDS方法 | 第95页 |
| 6.1.2 半监督主动学习Tri-EPS方法 | 第95页 |
| 6.2 置信度的计算 | 第95-97页 |
| 6.2.1 基于投票熵的置信度计算 | 第95-96页 |
| 6.2.2 基于近邻相似度的置信度计算 | 第96-97页 |
| 6.3 基于主动学习的半监督遥感图像分类 | 第97-98页 |
| 6.4 实验结果与分析 | 第98-103页 |
| 6.4.1 实验数据描述 | 第98页 |
| 6.4.2 Tri-SDS实验 | 第98-99页 |
| 6.4.3 Tri-EPS实验 | 第99-101页 |
| 6.4.4 Semi-AL实验 | 第101-103页 |
| 6.5 分类方法对比分析 | 第103-105页 |
| 6.6 本章小结 | 第105-106页 |
| 7 多视图的遥感图像分类技术 | 第106-123页 |
| 7.1 遥感图像多视图的构建 | 第106-108页 |
| 7.1.1 纹理特征的提取 | 第106-107页 |
| 7.1.2 多视图的构建 | 第107-108页 |
| 7.2 基于主动学习的多视图分类 | 第108-111页 |
| 7.2.1 多视图单分类器MVSL | 第108-109页 |
| 7.2.2 多视图多分类器MVML | 第109-111页 |
| 7.3 基于半监督和主动学习的多视图分类 | 第111-113页 |
| 7.4 实验结果与分析 | 第113-122页 |
| 7.4.1 实验数据 | 第113-114页 |
| 7.4.2 多视图MV-SDS算法实验 | 第114-116页 |
| 7.4.3 多视图MV-EPS算法实验 | 第116-119页 |
| 7.4.4 多视图MV-SemiAL算法实验 | 第119-122页 |
| 7.5 本章小结 | 第122-123页 |
| 8 遥感图像并行分类 | 第123-132页 |
| 8.1 基于网格的遥感图像并行处理模型 | 第123-124页 |
| 8.2 遥感影像分类并行处理流程 | 第124-125页 |
| 8.3 构建遥感图像并行分类处理平台的关键技术 | 第125-127页 |
| 8.3.1 网格服务 | 第125-127页 |
| 8.3.2 任务的调度 | 第127页 |
| 8.4 并行遥感分类实验与结果分析 | 第127-131页 |
| 8.4.1 实验平台的搭建 | 第127-128页 |
| 8.4.2 Globus Toolkit 4软件部署 | 第128页 |
| 8.4.3 并行处理的性能指标 | 第128-129页 |
| 8.4.4 实验结果与分析 | 第129-131页 |
| 8.5 本章小结 | 第131-132页 |
| 9 结论与讨论 | 第132-137页 |
| 9.1 结论 | 第132-133页 |
| 9.2 讨论 | 第133-135页 |
| 9.3 展望 | 第135-136页 |
| 9.4 创新点 | 第136-137页 |
| 参考文献 | 第137-145页 |
| 个人简介 | 第145-146页 |
| 导师简介 | 第146-147页 |
| 攻读博士学位期间发表和录用的论文 | 第147-148页 |
| 致谢 | 第148页 |
