基于改进随机聚类决策森林算法的遥感影像分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-27页 |
| ·选题背景与意义 | 第10-13页 |
| ·遥感分类的研究现状 | 第13-24页 |
| ·基于像元分类算法 | 第13-15页 |
| ·子像元分类算法 | 第15-19页 |
| ·基于图斑分类方法 | 第19-20页 |
| ·基于知识发现的分类方法 | 第20-21页 |
| ·基于上下文分类方法 | 第21-22页 |
| ·多种分类器结合的分类方法 | 第22-23页 |
| ·特征提取与选择 | 第23-24页 |
| ·论文主要研究内容 | 第24-25页 |
| ·结构安排 | 第25-27页 |
| 第二章 决策树分类理论与算法 | 第27-44页 |
| ·决策树分类算法概述 | 第27-32页 |
| ·决策树分类的步骤 | 第28页 |
| ·决策树的测试属性选择 | 第28-30页 |
| ·决策树的剪枝 | 第30-31页 |
| ·由决策树提取规则 | 第31-32页 |
| ·决策树的特点 | 第32-33页 |
| ·决策树算法的发展 | 第33-37页 |
| ·随机聚类决策森林理论 | 第37-43页 |
| ·随机聚类决策森林算法描述 | 第38-41页 |
| ·随机聚类决策森林算法存在的问题及改进 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第三章 算法在多光谱遥感影像分类中的应用 | 第44-60页 |
| ·多光谱遥感概述 | 第44-47页 |
| ·多光谱遥感系统的组成 | 第44-45页 |
| ·多光谱数据的描述与数学模型 | 第45-47页 |
| ·多光谱遥感的发展 | 第47-49页 |
| ·研究方法 | 第49-51页 |
| ·数据预处理 | 第49-51页 |
| ·分类模型构建 | 第51页 |
| ·实验与分析 | 第51-57页 |
| ·研究区与数据概况 | 第51-52页 |
| ·实验流程 | 第52-57页 |
| ·分类结果与精度评价 | 第57页 |
| ·普遍适应性研究 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 算法在高光谱遥感影像分类中的应用 | 第60-77页 |
| ·高光谱遥感概述 | 第60-61页 |
| ·高光谱遥感研究现状 | 第61-63页 |
| ·高光谱遥感应用现状 | 第61-63页 |
| ·分类方法 | 第63-68页 |
| ·最优波段选择方法 | 第63-67页 |
| ·随机决策聚类森林算法分类的优点 | 第67-68页 |
| ·分类模型构建 | 第68页 |
| ·实验与分析 | 第68-75页 |
| ·研究区概况 | 第68-69页 |
| ·分类体系和样本选择 | 第69页 |
| ·实验流程 | 第69-71页 |
| ·结果与分析 | 第71-75页 |
| ·普遍适应性研究 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 算法在面向对象遥感影像分类中的应用 | 第77-92页 |
| ·面向对象分类技术 | 第78-80页 |
| ·研究意义 | 第78-79页 |
| ·研究进展 | 第79-80页 |
| ·图像分割 | 第80-84页 |
| ·图像分割的定义 | 第81-82页 |
| ·遥感图像分割技术研究 | 第82-84页 |
| ·实验与分析 | 第84-90页 |
| ·实验区与数据概况 | 第84-85页 |
| ·样本选取 | 第85-86页 |
| ·实验流程 | 第86-90页 |
| ·结果与分析 | 第90页 |
| ·普遍适应性研究 | 第90-91页 |
| ·本章小结 | 第91-92页 |
| 第六章 结论与展望 | 第92-94页 |
| ·主要研究结论 | 第92-93页 |
| ·研究创新点 | 第93页 |
| ·研究展望 | 第93-94页 |
| 参考文献 | 第94-111页 |
| 致谢 | 第111-112页 |
| 攻读博士学位期间主要研究成果 | 第112页 |
