基于支持向量机的高分遥感影像分类技术研究与应用
| 摘要 | 第5-6页 |
| 英文摘要 | 第6-7页 |
| 第1章 引言 | 第9-24页 |
| 1.1 研究的背景和意义 | 第9-13页 |
| 1.2 SVM算法的基本思想 | 第13-22页 |
| 1.3 研究内容和论文结构 | 第22-24页 |
| 第2章 支持向量机遥感图像分类的理论技术基础 | 第24-38页 |
| 2.1 遥感图像分类技术 | 第25-26页 |
| 2.2 支持向量机算法的数学基础 | 第26-38页 |
| 2.2.1 盒约束 | 第26-28页 |
| 2.2.2 序贯最小优化的基本算法 | 第28-32页 |
| 2.2.3 序贯最小优化的快速算法 | 第32-38页 |
| 第3章 支持向量机遥感影像分类 | 第38-46页 |
| 3.1 分类流程简介 | 第39-41页 |
| 3.2 样本采集 | 第41-42页 |
| 3.3 训练分类器 | 第42-43页 |
| 3.4 图像分类 | 第43-44页 |
| 3.5 图像显示 | 第44-46页 |
| 第4章 组合光谱信息与纹理特征的分类 | 第46-57页 |
| 4.1 纹理特征提取 | 第46-48页 |
| 4.2 融入纹理特征的分类流程与实现 | 第48-52页 |
| 4.3 试验结果与分析 | 第52-57页 |
| 第5章 分类结果的评价 | 第57-69页 |
| 5.1 实验区地面资料分析 | 第57-59页 |
| 5.2 参数调节及对性能的影响 | 第59-62页 |
| 5.3 三种核函数的分类结果比较 | 第62-65页 |
| 5.4 与其它分类算法的结果比较 | 第65-69页 |
| 第6章 并行优化 | 第69-74页 |
| 6.1 并行原理简介 | 第69页 |
| 6.2 并行优化实现及结果分析 | 第69-71页 |
| 6.3 试验结果与分析 | 第71-74页 |
| 结论及展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-79页 |
