| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 遥感分类方法的研究现状 | 第11-12页 |
| 1.2.2 遥感特征提取方法研究现状 | 第12-13页 |
| 1.3 本文的主要内容及章节安排 | 第13-16页 |
| 第2章 遥感影像分类的基本理论 | 第16-24页 |
| 2.1 遥感影像数据简介 | 第16-19页 |
| 2.1.1 Landsat TM/ETM+遥感影像数据 | 第16-17页 |
| 2.1.2 MODIS影像数据 | 第17页 |
| 2.1.3 SPOT-5 影像数据 | 第17-18页 |
| 2.1.4 ALOS影像数据 | 第18-19页 |
| 2.2 遥感影像的分类原理 | 第19-22页 |
| 2.2.1 监督分类与非监督分类 | 第19-20页 |
| 2.2.2 分类的评价方法 | 第20-22页 |
| 2.3 多特征遥感影像的分类方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 纹理特征选择及优化 | 第24-42页 |
| 3.1 纹理及其相关理论 | 第24-25页 |
| 3.1.1 纹理的定义 | 第24页 |
| 3.1.2 纹理分类的发展趋势 | 第24-25页 |
| 3.2 纹理的描述方法 | 第25-32页 |
| 3.2.1 纹理的基本描述方法 | 第25-26页 |
| 3.2.2 基于灰度共生矩阵的纹理特征方法 | 第26-30页 |
| 3.2.3 基于Gabor滤波器的Gist纹理特征方法 | 第30-32页 |
| 3.3 实验选取的纹理特征及提取 | 第32-37页 |
| 3.3.1 实验区域的选择及预处理 | 第32-33页 |
| 3.3.2 灰度共生矩阵方法提取纹理特征结果 | 第33-35页 |
| 3.3.3 基于Gabor滤波器的Gist纹理特征提取 | 第35-37页 |
| 3.4 最优纹理特征组合的选择 | 第37-41页 |
| 3.4.1 最佳指数法 | 第38页 |
| 3.4.2 最佳纹理特征的选取结果 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 最佳分类特征集构建 | 第42-50页 |
| 4.1 光谱特征提取 | 第42-45页 |
| 4.1.1 植被指数(NDVI)特征 | 第42-43页 |
| 4.1.2 缨帽变换(K-T变换)特征 | 第43页 |
| 4.1.3 主成分变换(K-L变换)特征 | 第43-45页 |
| 4.1.4 高程特征 | 第45页 |
| 4.2 J-M距离原理 | 第45-46页 |
| 4.3 多特征波段组合的选取及分析结果 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 多特征融合遥感影像的分类 | 第50-64页 |
| 5.1 遥感影像的分类方法 | 第50-56页 |
| 5.1.1 最大似然分类法 | 第50页 |
| 5.1.2 支持向量机分类法 | 第50-53页 |
| 5.1.3 决策树分类法 | 第53-56页 |
| 5.2 多特征遥感图像与TM图像的分类结果对比 | 第56-62页 |
| 5.2.1 多特征图像与原始图像最大似然分类法的结果分析 | 第57-59页 |
| 5.2.2 多特征图像与TM图像SVM分类法的结果分析 | 第59-60页 |
| 5.2.3 遥感图像决策树分类法的结果分析 | 第60-62页 |
| 5.3 三种分类方法的结果对比分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
