面向地表分类的支持向量机（SVM）主动学习方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·选题的背景及意义 | 第7-8页 |
| ·国内外的研究现状 | 第8页 |
| ·主动学习的提出 | 第8-9页 |
| ·本论文的研究内容和结构安排 | 第9-11页 |
| 2 图像的特征提取 | 第11-20页 |
| ·颜色特征 | 第11-14页 |
| ·颜色空间的选择 | 第12-13页 |
| ·颜色空间的变换 | 第13-14页 |
| ·颜色矩 | 第14页 |
| ·纹理特征 | 第14-19页 |
| ·图像灰度转换 | 第15页 |
| ·图像的傅里叶变换 | 第15-17页 |
| ·基于傅里叶变换的纹理特征提取 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 3 统计学习理论与支持向量机 | 第20-36页 |
| ·统计学习理论的基本思想 | 第20-22页 |
| ·经验风险最小化原理 | 第20页 |
| ·VC维的概念 | 第20-21页 |
| ·结构风险最小化原理 | 第21-22页 |
| ·支持向量机的工作原理 | 第22-30页 |
| ·线性支持向量机 | 第22-27页 |
| ·非线性支持向量机 | 第27-30页 |
| ·多类分类问题 | 第30-32页 |
| ·一对一组合分类法 | 第30页 |
| ·一对多组合分类法 | 第30-31页 |
| ·有向无环图多类分类法 | 第31-32页 |
| ·支持向量机的训练算法 | 第32-35页 |
| ·分块算法与分解算法 | 第32-33页 |
| ·序贯最小优化算法 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于SVM的地表分类 | 第36-46页 |
| ·实验所用的图像 | 第36-37页 |
| ·图像的特征提取与标记 | 第37-39页 |
| ·样本数据的标记 | 第37-38页 |
| ·图像特征提取 | 第38-39页 |
| ·归一化处理 | 第39页 |
| ·SVM的训练 | 第39-42页 |
| ·多类别分类的实现策略 | 第39页 |
| ·分类性能的评定标准 | 第39页 |
| ·参数的选择 | 第39-42页 |
| ·实验结果与数据分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于主动学习SVM的地表分类 | 第46-54页 |
| ·主动学习简介 | 第46-47页 |
| ·主动学习与SVM相结合 | 第47-48页 |
| ·主动学习SVM实现算法 | 第48-50页 |
| ·基于主动学习SVM的地表分类实验 | 第50-53页 |
| ·实验描述 | 第50-51页 |
| ·实验结果与分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
