| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景以及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 章节内容安排 | 第11-13页 |
| 第二章 基于支持向量机的高空间分辨率遥感影像分类 | 第13-30页 |
| 2.1 统计学习理论 | 第13-14页 |
| 2.2 支持向量机方法 | 第14-21页 |
| 2.2.1 基本的支持向量机 | 第14-17页 |
| 2.2.2 支持向量机解决非线性问题 | 第17-19页 |
| 2.2.3 松弛变量的引入 | 第19-20页 |
| 2.2.4 支持向量机结合高空间分辨率遥感影像 | 第20-21页 |
| 2.3 支持向量机核函数的选择 | 第21-22页 |
| 2.3.1 线性核函数 | 第21页 |
| 2.3.2 多项式核函数 | 第21页 |
| 2.3.3 径向基核函数 | 第21-22页 |
| 2.3.4 多层感知器 | 第22页 |
| 2.4 支持向量机的多分类问题 | 第22-25页 |
| 2.4.1 “一对多”方法 | 第23页 |
| 2.4.2 “一对一”方法 | 第23-24页 |
| 2.4.3 DAG方法 | 第24-25页 |
| 2.5 实验部分 | 第25-30页 |
| 2.5.1 实验数据 | 第25-26页 |
| 2.5.2 训练样本选择 | 第26-27页 |
| 2.5.3 支持向量机分类 | 第27-30页 |
| 第三章 像元形状指数方法 | 第30-48页 |
| 3.1 像元形状指数 | 第30-33页 |
| 3.1.1 方向线的提取 | 第30-31页 |
| 3.1.2 PSI特征的提取 | 第31-32页 |
| 3.1.3 PSI方法的参数 | 第32-33页 |
| 3.2 用于对比的特征提取方法 | 第33-35页 |
| 3.2.1 小波纹理特征方法 | 第33-34页 |
| 3.2.2 多尺度区域特征方法 | 第34-35页 |
| 3.3 实验部分 | 第35-48页 |
| 3.3.1 PSI方法实验 | 第35-38页 |
| 3.3.2 小波纹理特征方法与多尺度区域特征方法实验 | 第38-46页 |
| 3.3.3 三种特征提取方法的比较分析 | 第46-48页 |
| 第四章 基于自适应带宽的均值漂移算法的面向对象分类 | 第48-64页 |
| 4.1 从面向像元到面向对象 | 第48-49页 |
| 4.2 MS方法 | 第49-54页 |
| 4.2.1 MS向量 | 第49-51页 |
| 4.2.2 MS向量与非参数概率密度估计的关系 | 第51-52页 |
| 4.2.3 MS聚类方法 | 第52-53页 |
| 4.2.4 MS算法应用于遥感影像聚类 | 第53-54页 |
| 4.3 自适应带宽的MS方法 | 第54-56页 |
| 4.4 实验部分 | 第56-64页 |
| 第五章 总结与展望 | 第64-65页 |
| 5.1 本文的总结 | 第64页 |
| 5.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |