| 摘要 | 第1-9页 |
| Abstract | 第9-13页 |
| 目录 | 第13-17页 |
| 第一章 绪论 | 第17-34页 |
| ·研究目的与意义 | 第17-19页 |
| ·高分辨率影像处理面临的问题与研究现状 | 第19-29页 |
| ·高分辨率数据的特点与面临的挑战 | 第19-21页 |
| ·研究现状与存在的问题 | 第21-29页 |
| ·论文的研究内容与章节安排 | 第29-34页 |
| ·研究内容 | 第30-32页 |
| ·章节安排 | 第32-34页 |
| 第二章 基于机器学习的高分辨率影像解译 | 第34-70页 |
| ·遥感影像的分类方法概述 | 第34-39页 |
| ·非监督分类方法 | 第35-36页 |
| ·监督分类方法 | 第36-38页 |
| ·监督分类和非监督分类的比较 | 第38页 |
| ·本章的目的与构架 | 第38-39页 |
| ·传统的遥感影像分类器 | 第39-42页 |
| ·K均值法(K-Means) | 第39-40页 |
| ·ISODATA算法 | 第40页 |
| ·最小距离分类(MDM,Minimum Distance to Means) | 第40-41页 |
| ·极大似然分类(MLC,Maximum Likelihood Classification) | 第41-42页 |
| ·光谱角制图(SAM,Spectral Angular Mapper) | 第42页 |
| ·智能化分类器和机器学习算法 | 第42-51页 |
| ·多层感知器MLP及其训练 | 第43-46页 |
| ·概率神经网络PNN(Probability Neural Network) | 第46-48页 |
| ·支持向量机SVM(Support Vector Machines) | 第48-49页 |
| ·关系向量机RVM(Relevance Vector Machines) | 第49-51页 |
| ·实验 | 第51-67页 |
| ·数据与研究区 | 第51-53页 |
| ·统计分类器的测试结果 | 第53-58页 |
| ·智能化分类器与机器学习方法的测试结果 | 第58-67页 |
| ·本章总结 | 第67-70页 |
| 第三章 高分辨率遥感影像纹理分析 | 第70-94页 |
| ·高分辨率影像的纹理特征提取 | 第70-84页 |
| ·灰度共生矩阵 | 第71-74页 |
| ·空间自相关纹理分析 | 第74-76页 |
| ·基于Wavelet的纹理特征提取 | 第76-82页 |
| ·基于Contourlet的影像纹理特征提取 | 第82-84页 |
| ·实验与分析 | 第84-93页 |
| ·GLCM纹理测试 | 第84-85页 |
| ·空间自相关纹理测试 | 第85-86页 |
| ·小波纹理测试 | 第86-88页 |
| ·Contourlet多方向纹理测试 | 第88-91页 |
| ·比较与分析 | 第91-93页 |
| ·结论与展望 | 第93-94页 |
| 第四章 像元形状指数及其扩展模型 | 第94-126页 |
| ·像元形状指数(Pixel Shape Index,PSI) | 第94-99页 |
| ·像元形状指数的计算 | 第95-97页 |
| ·基于支持向量机的光谱-形状特征融合 | 第97-98页 |
| ·PSI与GLCM的比较 | 第98-99页 |
| ·PSI的扩展:结构特征集合(Structural Feature Set,SFS) | 第99-105页 |
| ·结构特征提取 | 第99-101页 |
| ·自适应特征选择与维数减少 | 第101-104页 |
| ·非参数化分类器 | 第104-105页 |
| ·实验 | 第105-124页 |
| ·PSI实验与分析 | 第105-111页 |
| ·SFS实验与分析 | 第111-124页 |
| ·本章小结 | 第124-126页 |
| 第五章 基于自适应均值移动模型的面向对象分析 | 第126-157页 |
| ·面向对象分析方法(OBIA) | 第126-129页 |
| ·面向对象分析思想 | 第126-127页 |
| ·分形网络进化算法FNEA | 第127-129页 |
| ·基于均值漂移(Mean Shift)的特征空间分析 | 第129-138页 |
| ·概率密度估计(PDE)与均值漂移(MS) | 第129-131页 |
| ·基于均值移动的对象提取与分类模型 | 第131-135页 |
| ·自适应均值移动模型的带宽选择 | 第135-138页 |
| ·实验分析 | 第138-154页 |
| ·华盛顿市政大厅HYDICE航空影像实验 | 第139-151页 |
| ·Purdue大学HYMAP航空数据实验 | 第151-154页 |
| ·本章小结 | 第154-157页 |
| 第六章 高分辨率影像多尺度特征提取与融合 | 第157-208页 |
| ·概述 | 第157-161页 |
| ·多尺度特征提取 | 第161-171页 |
| ·基于形态学的多尺度结构特征序列 | 第161-167页 |
| ·基于均值移动(Mean Shift)的多尺度特征 | 第167-169页 |
| ·基于分形网络进化的多尺度特征 | 第169-171页 |
| ·多尺度特征融合 | 第171-177页 |
| ·实验与分析 | 第177-204页 |
| ·实验区域与数据特点 | 第177-184页 |
| ·实验一:不同融合方法的比较 | 第184-197页 |
| ·实验二:尺度数对融合结果的影响分析 | 第197-201页 |
| ·实验三:分类器对融合结果的影响分析 | 第201-202页 |
| ·综合分析与评价 | 第202-204页 |
| ·本章小结与展望 | 第204-208页 |
| ·实验总结 | 第204-207页 |
| ·将来的研究 | 第207-208页 |
| 第七章 高分辨率遥感综合应用实例 | 第208-230页 |
| ·LiDAR与航空影像的信息融合 | 第208-218页 |
| ·实验区域与数据 | 第208-209页 |
| ·算法设计与实验分析 | 第209-217页 |
| ·综合比较与结论 | 第217-218页 |
| ·Panama,Caribbean海岸带红树林树种识别 | 第218-224页 |
| ·实验区域与数据 | 第218-219页 |
| ·算法设计与实验分析 | 第219-224页 |
| ·常州市夏桥农业区域精细农业制图 | 第224-230页 |
| ·实验区域与数据 | 第224-225页 |
| ·算法设计与实验分析 | 第225-230页 |
| 第八章 总结与展望 | 第230-233页 |
| ·本文总结 | 第230-232页 |
| ·研究展望 | 第232-233页 |
| 参考文献 | 第233-241页 |
| 攻读博士学位期间完成的论文 | 第241-243页 |
| 参加的科研项目 | 第243页 |
| 获得国家专利 | 第243页 |
| 获奖情况 | 第243-244页 |
| 致谢 | 第244页 |
