首页--天文学、地球科学论文--海洋学论文--海洋调查与观测论文--调查与观测技术设备论文--遥测技术设备论文

基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究

摘要第5-8页
ABSTRACT第8-11页
第1章 绪论第23-41页
    1.1 研究背景和意义第23-25页
        1.1.1 研究背景第23-24页
        1.1.2 选题意义第24-25页
    1.2 国内外研究进展第25-36页
        1.2.1 遥感多时相影像分类应用研究现状第25-26页
        1.2.2 遥感图像分类技术研究进展第26-31页
        1.2.3 多分类器集成相关研究进展第31-32页
        1.2.4 随机森林算法相关研究进展第32-34页
        1.2.5 指纹识别技术相关研究进展第34-35页
        1.2.6 目前研究存在的问题第35-36页
    1.3 论文研究思路和流程第36-37页
    1.4 论文主要研究内容第37-38页
    1.5 论文章节安排第38-41页
第2章 研究数据与方法第41-49页
    2.1 研究区概况第41-43页
    2.2 研究数据获取及预处理第43-45页
        2.2.1 多时相影像获取及其特征第43页
        2.2.2 影像数据预处理第43-44页
        2.2.3 野外观测数据预处理第44-45页
        2.2.4 北部湾遥感影像分类体系第45页
    2.3 分类精度评价方法第45-47页
        2.3.1 生产者精度第46页
        2.3.2 用户精度第46页
        2.3.3 总体精度第46-47页
        2.3.4 Kappa系数第47页
    2.4 本章小结第47-49页
第3章 基于稳定权重加权投票的多分类器融合算法第49-75页
    3.1 单分类器分类结果对比及多分类器融合提升潜力分析第49-53页
    3.2 基于多种模式投票的多分类器融合算法对比分析第53-61页
        3.2.1 基于多种模式投票的多分类器融合算法原理及流程第54-58页
        3.2.2 基于多种模式投票的多分类器融合对比分析第58-60页
        3.2.3 基于精度权值加权投票的多分类器融合算法的稳定性分析第60-61页
    3.3 基于稳定权重加权投票的多分类器融合算法第61-66页
        3.3.1 稳定权重值的算法第61-62页
        3.3.2 稳定权重值可能存在的问题第62-63页
        3.3.3 稳定权重值的修正算法第63-65页
        3.3.4 基于稳定权重加权投票的多分类器融合算法分类结果精度分析第65-66页
    3.4 基于稳定权重加权投票的多分类器迭代融合算法第66-73页
        3.4.1 多分类器迭代融合算法原理第67-69页
        3.4.2 多分类器迭代融合算法验证分析第69-73页
    3.5 本章小结第73-75页
第4章 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法第75-113页
    4.1 遥感图像分类算法结果影响因素分析第75页
    4.2 基于稳定性权重投票的多训练样本集分类结果融合算法第75-85页
        4.2.1 单个训练样本集分类局限性分析第75-79页
        4.2.2 多训练样本集分类结果融合分类算法第79-80页
        4.2.3 分类结果精度分析第80-85页
    4.3 基于稳定权重加权投票的多时相影像多分类器二重融合算法第85-95页
        4.3.1 单时相影像分类的局限性分析第85页
        4.3.2 多时相影像分类结果差异分析第85-89页
        4.3.3 多时相影像传统分类应用分析第89页
        4.3.4 多时相影像多分类器二重融合算法原理第89-92页
        4.3.5 分类结果分析第92-95页
    4.4 基于稳定权重加权投票的多训练样本集多时相影像多分类器三重融合分类算法第95-110页
        4.4.1 三重融合算法原理及流程第95-97页
        4.4.2 算法验证第97-98页
        4.4.3 算法分类精度提升效果分析第98-110页
    4.5 本章小结第110-113页
第5章 基于像元图像指纹识别的多时相影像分类识别算法第113-131页
    5.1 指纹识别技术及其应用第113-114页
    5.2 基于像元图像指纹识别的多时相遥感图像分类算法构建第114-118页
        5.2.1 分类算法原理第114页
        5.2.2 分类算法流程第114-117页
        5.2.3 分类算法初次测试结果与精度分析第117-118页
    5.3 基于像元图像指纹识别的多时相遥感图像目标地物识别算法构建第118-122页
        5.3.1 识别算法原理第118-119页
        5.3.2 识别算法流程第119-120页
        5.3.3 识别算法初次测试结果及精度分析第120-122页
    5.4 分类与识别算法影响因素及精度提升分析第122-126页
        5.4.1 算法本身的影响分析及算法改进第123页
        5.4.2 多时相影像特征波段数量的影响分析第123-124页
        5.4.3 标准训练样本质量和数量的影响分析第124-126页
    5.5 分类与识别算法最终测试结果分析第126-129页
        5.5.1 分类算法最终测试结果与精度分析第126-127页
        5.5.2 识别算法最终测试结果分析第127-129页
    5.6 本章小结第129-131页
第6章 结论与展望第131-135页
    6.1 研究结论第131-132页
    6.2 创新点第132-133页
    6.3 研究展望第133-135页
主要参考文献第135-145页
附录: 算法部分源代码第145-155页
    附录A 基于精度权值加权投票模式的多分类器融合算法部分源代码第145-146页
    附录B 基于精度权值优选投票模式的多分类器融合算法程序部分源代码第146-148页
    附录C 基于稳定性权值加权投票的多分类器融合算法程序部分源代码第148-149页
    附录D 基于像元图像指纹识别的多时相遥感影像分类算法部分源代码第149-151页
    附录E 基于像元图像指纹识别的多时相遥感影像目标地物识别算法部分源代码第151-155页
附表第155-169页
附图第169-173页
攻读学位期间参与的科研项目和研究成果第173-175页
致谢第175-176页

论文共176页,点击 下载论文
上一篇:冬季北太平洋风暴轴变化及其与中高纬大气环流的联系
下一篇:矿物固溶体热力学性质计算模拟