基于小波域隐马尔可夫树模型的遥感图像纹理分类研究
| 第一章 引言 | 第1-18页 |
| 1．1 纹理图像 | 第7-11页 |
| 1．1．1 什么是纹理图像 | 第7-8页 |
| 1．1．2 遥感中的纹理图像 | 第8-9页 |
| 1．1．3 纹理分析是遥感应用的基础性研究工作 | 第9-10页 |
| 1．1．4 选题依据 | 第10-11页 |
| 1．2 纹理分析技术现状、应用及发展趋势 | 第11-15页 |
| 1．2．1 纹理分析方法综述 | 第11-12页 |
| 1．2．2 基于小波域隐马尔可夫树模型研究状况 | 第12-13页 |
| 1．2．3 纹理在遥感图像分类中的应用 | 第13-14页 |
| 1．2．4 目前存在的问题及纹理分析发展趋势 | 第14-15页 |
| 1．3 本文研究的主要内容 | 第15页 |
| 1．3．1 本文研究主要内容及目标 | 第15页 |
| 1．3．2 论文组织 | 第15页 |
| 1．3．3 论文章节安排 | 第15页 |
| 1．4 与本研究有关的相关概念 | 第15-18页 |
| 第二章 本研究相关理论基础 | 第18-51页 |
| 2．1 纹理及相关理论基础 | 第18-25页 |
| 2．1．1 纹理的描述及性质 | 第18-20页 |
| 2．1．2 纹理特征抽取及主要分析方法 | 第20-22页 |
| 2．1．3 几种常用的算法 | 第22-25页 |
| 2．2 纹理的多分辨率特性及描述方法研究 | 第25-30页 |
| 2．2．1 图像的多分辨率性质 | 第25-26页 |
| 2．2．2 图像多分辨表示与人类视觉机理的关系 | 第26-27页 |
| 2．2．3 图像的多分辨率表示方法 | 第27-29页 |
| 2．2．4 遥感影象中的多分辨率特点 | 第29-30页 |
| 2．3 小波变换基本理论 | 第30-39页 |
| 2．3．1 引言 | 第30-31页 |
| 2．3．2 小波变换 | 第31-33页 |
| 2．3．3 小波变换中的多分辨分析 | 第33-35页 |
| 2．3．4 二维小波变换 | 第35-37页 |
| 2．3．5 常用小波函数比较 | 第37-39页 |
| 2．3．6 小波变换在图像处理中的作用 | 第39页 |
| 2．4 马尔可夫随机场及其应用 | 第39-44页 |
| 2．4．1 一维Markov过程 | 第40页 |
| 2．4．2 二维Markov随机场 | 第40-41页 |
| 2．4．3 Gibbs分布 | 第41-42页 |
| 2．4．4．马尔可夫随机场基本性质 | 第42-44页 |
| 2．5 隐马尔可夫模型 | 第44-50页 |
| 2．5．1 引言 | 第44-45页 |
| 2．5．2 马尔可夫链 | 第45-46页 |
| 2．5．3 隐马尔可夫链 | 第46-47页 |
| 2．5．4 HMM基本算法 | 第47-49页 |
| 2．5．4．1 前向-后向算法 | 第47-48页 |
| 2．5．4．2 Baum-Welch算法 | 第48-49页 |
| 2．5．5 HMM算法中的若干问题 | 第49页 |
| 2．5．6 HMM建模的优点 | 第49-50页 |
| 2．6 本章小结 | 第50-51页 |
| 第三章 基于小波域隐马尔可夫树的模型理论 | 第51-78页 |
| 3．1 引言 | 第51页 |
| 3．2 小波信号模型分析 | 第51-53页 |
| 3．3 小波变换的压缩性分析及其表示 | 第53-55页 |
| 3．4 小波变换的系数相关性分析 | 第55-58页 |
| 3．4．1 概率图模型 | 第56-57页 |
| 3．4．2 基于概率图的三种模型 | 第57-58页 |
| 3．5 小波域HMT建模原理 | 第58-65页 |
| 3．5．1 小波变换特性简要分析 | 第59页 |
| 3．5．2 二维离散小波变换及多尺度树图表示 | 第59-60页 |
| 3．5．3 小波域HMT概率模型 | 第60-63页 |
| 3．5．4 小波系数的“捆绑” | 第63-65页 |
| 3．6 小波域隐马尔可夫树模型的三个典型问题 | 第65-66页 |
| 3．7 使用EM算法的模型参数估计和似然函数计算 | 第66-72页 |
| 3．7．1 单个小波树的E步骤(上向-下向算法) | 第67-69页 |
| 3．7．2 M步骤 | 第69-70页 |
| 3．7．3 多个小波树的E步骤 | 第70-72页 |
| 3．8 模型训练的稳健性 | 第72-73页 |
| 3．9 数据块分类实现 | 第73-74页 |
| 3．10 图像中的上下文约束关系 | 第74-77页 |
| 3．10．1 上下文关系涵义 | 第74-75页 |
| 3．10．2 上下文关系在图像多尺度分割中的作用 | 第75-76页 |
| 3．10．3 上下文关系分析与描述 | 第76-77页 |
| 3．11 本章小节 | 第77-78页 |
| 第四章 基于HMT的纹理分割及遥感图像分类 | 第78-105页 |
| 4．1 HMT实现中的问题 | 第79-91页 |
| 4．1．1 基于HMT模型的监督分类基本思想流程 | 第79-82页 |
| 4．1．2 HMT模型分割研究及样本对其影响 | 第82-91页 |
| 4．2 HMT模型改进 | 第91-105页 |
| 4．2．1 HMT非监督分类模型基本思想及流程 | 第91-96页 |
| 4．2．2 非监督HMT模型分割结果及分析 | 第96-99页 |
| 4．2．3 组合遥感图像多波段信息的纹理分割 | 第99-105页 |
| 第五章 HMT分类结果精度评价及工作总结 | 第105-113页 |
| 5．1 混淆矩阵 | 第105页 |
| 5．2 Kappa统计系数 | 第105-106页 |
| 5．3 伴随着混淆矩阵的问题 | 第106页 |
| 5．4 本文中采用的参考数据 | 第106-107页 |
| 5．5 精度评价结果 | 第107-111页 |
| 5．6 主要工作与创新点 | 第111页 |
| 5．7 结语及未来工作展望 | 第111-113页 |
| 参考文献 | 第113-121页 |
| 攻读博士学位期间发表的主要论文 | 第121-122页 |
| 附录 | 第122-123页 |
| 致谢 | 第123-124页 |
