| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·引言 | 第8-9页 |
| ·国内外研究现状 | 第9-13页 |
| ·遥感图像分类方法 | 第9-11页 |
| ·纹理提取的方法 | 第11-13页 |
| ·研究目的和意义 | 第13-14页 |
| ·研究内容 | 第14-15页 |
| ·小结 | 第15-16页 |
| 2 变差函数基本理论及其在遥感图像分类中的应用 | 第16-28页 |
| ·变差函数的基本理论 | 第16-22页 |
| ·区域化变量 | 第16页 |
| ·变差函数的定义 | 第16-17页 |
| ·变差函数的性质 | 第17-19页 |
| ·变差函数的结构分析 | 第19-21页 |
| ·变差函数的理论模型 | 第21-22页 |
| ·基于变差函数纹理信息提取的影响因素分析 | 第22-24页 |
| ·窗口的选择 | 第22-23页 |
| ·计算方向 | 第23-24页 |
| ·计算方式 | 第24页 |
| ·变差函数在纹理信息分析中的应用 | 第24-26页 |
| ·常用的三种地统计学变差函数的计算方法 | 第25-26页 |
| ·改进的加权变差函数的计算方法 | 第26页 |
| ·基于变差函数纹理提取的程序设计流程 | 第26-28页 |
| 3 遥感图像分类理论研究 | 第28-37页 |
| ·遥感图像分类概述 | 第28-29页 |
| ·最大似然法分类方法 | 第29-31页 |
| ·神经网络分类方法 | 第31页 |
| ·B-P 神经网络分类方法介绍 | 第31-36页 |
| ·BP 网络模型 | 第32页 |
| ·神经元 | 第32-33页 |
| ·BP 神经网络训练 | 第33-35页 |
| ·BP 神经网络模型构造 | 第35-36页 |
| ·小结 | 第36-37页 |
| 4 基于纹理信息的最大似然法和BP 神经网络分类法 | 第37-53页 |
| ·研究区概述 | 第37-38页 |
| ·技术流程 | 第38页 |
| ·遥感图像预处理 | 第38-41页 |
| ·遥感图像的几何纠正 | 第38-39页 |
| ·主成分分析 | 第39-41页 |
| ·基于变差函数的纹理提取 | 第41-42页 |
| ·加入纹理信息的两种分类方法 | 第42-53页 |
| ·训练样本的可分性检验 | 第42-44页 |
| ·神经网络结构设计和参数设置 | 第44页 |
| ·分类及精度评定 | 第44-53页 |
| 5 结论 | 第53-54页 |
| ·结论 | 第53页 |
| ·展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 附录 | 第57页 |