| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 注释表 | 第11-12页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 遥感影像分类的研究现状和所面临的问题 | 第13-15页 |
| 1.2.2 影像分割研究现状 | 第15-16页 |
| 1.3 论文主要工作及章节安排 | 第16-18页 |
| 第2章 高分辨率遥感影像分类与评价体系 | 第18-32页 |
| 2.1 高分辨率遥感影像的特点和面向对象分析 | 第18-19页 |
| 2.1.1 高分辨率遥感影像的特点 | 第18-19页 |
| 2.1.2 高分辨率遥感影像的理解和面向对象分析 | 第19页 |
| 2.2 高分辨率影像分割理论 | 第19-24页 |
| 2.2.1 影像分割原理 | 第19-20页 |
| 2.2.2 基于阈值的分割方法 | 第20页 |
| 2.2.3 基于边缘的分割方法 | 第20-22页 |
| 2.2.4 基于区域生长的分割方法 | 第22页 |
| 2.2.5 多尺度分割方法 | 第22-24页 |
| 2.3 经典的遥感影像分类算法 | 第24-26页 |
| 2.3.1 k均值聚类 | 第24-25页 |
| 2.3.2 最小距离法 | 第25页 |
| 2.3.3 极大似然法 | 第25-26页 |
| 2.4 智能化分类器和机器学习算法 | 第26-30页 |
| 2.4.1 人工神经网络 | 第26页 |
| 2.4.2 SVM | 第26-28页 |
| 2.4.3 决策树分类器 | 第28-30页 |
| 2.5 影像分类精度评价准则 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于均值漂移和区域合并的分割优化算法 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 均值漂移多尺度分割算法 | 第32-36页 |
| 3.2.1 均值漂移分割算法原理 | 第32-35页 |
| 3.2.2 基于Mean Shift算法的影像多尺度分割 | 第35-36页 |
| 3.3 带宽自适应的均值漂移分割算法 | 第36-39页 |
| 3.3.1 基于灰度空间直方图的带宽自适应 | 第36-37页 |
| 3.3.2 实验结果与分析 | 第37-39页 |
| 3.4 基于区域合并的影像分割优化算法 | 第39-42页 |
| 3.5 影像分割实验结果与分析 | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于集成学习的遥感影像地物分类 | 第46-64页 |
| 4.1 引言 | 第46页 |
| 4.2 特征提取 | 第46-50页 |
| 4.2.1 光谱特征 | 第47页 |
| 4.2.2 形状特征 | 第47-48页 |
| 4.2.3 纹理特征 | 第48-49页 |
| 4.2.4 专题指数 | 第49-50页 |
| 4.3 集成学习 | 第50-54页 |
| 4.3.1 集成学习算法 | 第50-52页 |
| 4.3.2 基学习器的结合策略 | 第52-53页 |
| 4.3.3 基于选择性集成的多分类器集成 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-63页 |
| 4.4.1 影像预处理 | 第54-55页 |
| 4.4.2 实验结果及分析 | 第55-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第74页 |