| 中文摘要 | 第6-9页 |
| Abstract | 第9-12页 |
| 第一章 结论 | 第13-21页 |
| 1.1 选题背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 遥感图像信息提取技术发展 | 第14-15页 |
| 1.2.2 人工神经网络技术发展 | 第15-16页 |
| 1.3 遥感图像信息提取存在的主要问题 | 第16-18页 |
| 1.4 研究的目的和意义 | 第18页 |
| 1.5 研究内容与技术路线 | 第18-19页 |
| 1.6 论文结构 | 第19-21页 |
| 第二章 补偿模糊神经网络的基本原理 | 第21-35页 |
| 2.1 人工神经网络 | 第21-23页 |
| 2.1.1 人工神经元 | 第21-22页 |
| 2.1.2 人工神经网络的拓扑结构 | 第22页 |
| 2.1.3 人工神经网络的学习 | 第22-23页 |
| 2.2 模糊神经网络 | 第23-28页 |
| 2.2.1 模糊逻辑系统 | 第23-25页 |
| 2.2.2 模糊神经元 | 第25-27页 |
| 2.2.3 模糊神经网络的结构和算法 | 第27-28页 |
| 2.3 补偿模糊神经网络 | 第28-34页 |
| 2.3.1 补偿模糊神经元 | 第28-29页 |
| 2.3.2 补偿模糊神经网络的结构 | 第29-30页 |
| 2.3.3 补偿模糊神经网络的学习算法 | 第30-34页 |
| 2.4 小结 | 第34-35页 |
| 第三章 补偿模糊神经网络遥感图像信息提取方法研究 | 第35-51页 |
| 3.1 网络结构设计 | 第35-37页 |
| 3.2 网络隶属函数确定及参数的初始化 | 第37-38页 |
| 3.3 网络模糊区间分割和模糊推理规则数的确定 | 第38-39页 |
| 3.4 网络训练样本的构造 | 第39-41页 |
| 3.4.1 训练样本数量的确定 | 第39页 |
| 3.4.2 训练样本的选择 | 第39-41页 |
| 3.5 训练样本特征选择 | 第41-42页 |
| 3.6 训练样本特征提取 | 第42-50页 |
| 3.6.1 纹理特征提取 | 第42-43页 |
| 3.6.2 颜色特征提取 | 第43-45页 |
| 3.6.3 形状特征提取 | 第45-46页 |
| 3.6.4 波谱特征提取 | 第46-47页 |
| 3.6.5 特征量值的归一化处理 | 第47-48页 |
| 3.6.6 特征信息提取的精度评价 | 第48-50页 |
| 3.7 小结 | 第50-51页 |
| 第四章 补偿模糊神经网络遥感图像信息提取实验研究 | 第51-70页 |
| 4.1 实验区域概况 | 第51-52页 |
| 4.2 图像预处理 | 第52-53页 |
| 4.3 基于单一特征的信息提取实验 | 第53-57页 |
| 4.3.1 基于纹理特征的信息提取实验 | 第53-54页 |
| 4.3.2 基于颜色特征的信息提取实验 | 第54-56页 |
| 4.3.3 基于形状特征的信息提取实验 | 第56页 |
| 4.3.4 基于波谱特征的信息提取实验 | 第56-57页 |
| 4.4 基于二特征融合的信息提取实验 | 第57-62页 |
| 4.5 基于三特征融合的信息提取实验 | 第62-65页 |
| 4.6 基于四特征融合的信息提取实验 | 第65-69页 |
| 4.7 小结 | 第69-70页 |
| 第五章 补偿模糊神经网络遥感图像信息提取比较研究 | 第70-82页 |
| 5.1 基于补偿模糊神经网络的高分遥感图像信息提取 | 第70-72页 |
| 5.2 基于eCognition软件的面向对象的高分影像信息提取 | 第72-74页 |
| 5.3 基于指数法的水体遥感图像信息提取 | 第74-80页 |
| 5.4 对比分析 | 第80-81页 |
| 5.5 小结 | 第81-82页 |
| 第六章 结论及展望 | 第82-84页 |
| 6.1 本文工作小结 | 第82页 |
| 6.2 本文主要创新点 | 第82-83页 |
| 6.3 有待进一步开展的课题 | 第83-84页 |
| 参考文献 | 第84-95页 |
| 附录 | 第95-115页 |
| 附录一: 部分网络训练数据集 | 第95-105页 |
| 附录二: 信息提取部分结果图 | 第105-115页 |
| 致谢 | 第115-116页 |
| 在读期间发表论文与科研情况 | 第116页 |