基于多分类器组合的居民地提取技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 遥感图像分类算法的研究现状 | 第10-11页 |
| 1.2.2 遥感图像居民地提取的研究现状 | 第11-15页 |
| 1.3 论文的研究内容 | 第15-16页 |
| 1.4 论文的结构 | 第16-18页 |
| 第二章 基于经典分类算法的居民地提取 | 第18-32页 |
| 2.1 遥感图像分类方法概述 | 第18页 |
| 2.2 非监督分类居民地提取方法 | 第18-19页 |
| 2.3 监督分类居民地提取方法 | 第19-21页 |
| 2.3.1 最小距离法 | 第20页 |
| 2.3.2 马氏距离法 | 第20页 |
| 2.3.3 最大似然法 | 第20-21页 |
| 2.3.4 神经网络法 | 第21页 |
| 2.3.5 支持向量机（SVM） | 第21页 |
| 2.4 居民地提取结果评价标准 | 第21-22页 |
| 2.5 基于经典分类算法的居民地提取试验 | 第22-31页 |
| 2.5.1 试验结果 | 第22-29页 |
| 2.5.2 精度评价 | 第29-30页 |
| 2.5.3 分析与结论 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 多分类器组合居民地提取方法及验证 | 第32-41页 |
| 3.1 多分类器组合 | 第32页 |
| 3.2 多分类器组合算法选取 | 第32-35页 |
| 3.2.1 基于分类器试验结果进行选取 | 第33页 |
| 3.2.2 基于样本进行选取 | 第33-34页 |
| 3.2.3 基于分类器组合的形式进行选取 | 第34-35页 |
| 3.3 基分类器选择 | 第35-36页 |
| 3.3.1 对影像进行监督分类 | 第35-36页 |
| 3.3.2 根据分类结果选择基分类器 | 第36页 |
| 3.4 投票多分类器组合算法 | 第36-40页 |
| 3.4.1 投票法算法 | 第36-37页 |
| 3.4.2 投票法分类试验 | 第37-39页 |
| 3.4.3 试验结果分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 多分类器组合居民地提取优化算法 | 第41-52页 |
| 4.1 最大概率类别分类法 | 第41-44页 |
| 4.1.1 最大概率类别法的基本原理 | 第41页 |
| 4.1.2 最大概率类别法算法流程 | 第41-42页 |
| 4.1.3 分类试验及结果分析 | 第42-44页 |
| 4.2 模糊积分融合法 | 第44-48页 |
| 4.2.1 模糊积分融合分类的理论基础 | 第44-45页 |
| 4.2.2 模糊积分融合分类技术流程 | 第45-46页 |
| 4.2.3 试验结果分析 | 第46-48页 |
| 4.3 分类后处理 | 第48-51页 |
| 4.3.1 图像二值化 | 第48页 |
| 4.3.2 数学形态学后处理 | 第48-49页 |
| 4.3.3 边界跟踪 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 工作总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简历 | 第59页 |
