| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究意义及应用 | 第12-13页 |
| 1.1.1 军事意义 | 第12页 |
| 1.1.2 民用价值 | 第12-13页 |
| 1.2 研究的难点和挑战 | 第13-14页 |
| 1.3 本文主要研究内容及贡献 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 主要贡献 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-17页 |
| 第2章 目标检测与分类识别方法综述 | 第17-25页 |
| 2.1 目标检测 | 第17-19页 |
| 2.1.1 边缘检测算子 | 第17-18页 |
| 2.1.2 局部边缘特征法 | 第18页 |
| 2.1.3 最大的有向边界法 | 第18-19页 |
| 2.2 图像分割 | 第19-20页 |
| 2.2.1 阈值分割法 | 第19页 |
| 2.2.2 模糊差影滤波分割方法 | 第19-20页 |
| 2.2.3 局部特征分割法 | 第20页 |
| 2.2.4 马尔科夫随机场分割法 | 第20页 |
| 2.3 特征提取 | 第20-22页 |
| 2.3.1 光谱特征 | 第20-21页 |
| 2.3.2 纹理特征 | 第21页 |
| 2.3.3 形状特征 | 第21页 |
| 2.3.4 结构特征 | 第21-22页 |
| 2.4 分类识别 | 第22-24页 |
| 2.4.1 神经网络 | 第22-23页 |
| 2.4.2 贝叶斯网络 | 第23页 |
| 2.4.3 支持向量机 | 第23页 |
| 2.4.4 AdaBoost算法 | 第23-24页 |
| 2.4.5 模板匹配 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于分层的BOF-SIFT特征的分类识别算法研究 | 第25-36页 |
| 3.1 BOF-SIFT特征提取算法 | 第25-29页 |
| 3.1.1 SIFT特征提取 | 第25-27页 |
| 3.1.2 BoF-SIFT描述子的生成 | 第27-28页 |
| 3.1.3 基于空间金字塔的分层特征构建 | 第28-29页 |
| 3.2 识别算法 | 第29-32页 |
| 3.2.1 支持向量机原理简介 | 第29-31页 |
| 3.2.2 基于支持向量机的AdaBoost识别算法 | 第31-32页 |
| 3.3 实验测试及算法的有效性分析 | 第32-35页 |
| 3.3.1 数据库介绍 | 第32-33页 |
| 3.3.2 参数测试 | 第33-34页 |
| 3.3.3 最优参数下的识别结果比较 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于多特征的决策级融合分类识别算法研究 | 第36-46页 |
| 4.1 多特征选取 | 第37-40页 |
| 4.1.1 分层的BoF-SIFT特征 | 第37-38页 |
| 4.1.2 改进的SC特征 | 第38-39页 |
| 4.1.3 Hu不变矩特征 | 第39-40页 |
| 4.2 决策级融合 | 第40-42页 |
| 4.3 实验结果 | 第42-45页 |
| 4.3.1 最优参数下的特征测试结果 | 第42-43页 |
| 4.3.2 多特征决策级融合结果 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于遥感图像的多目标分割与识别算法框架设计及实现 | 第46-52页 |
| 5.1 局部自适应阈值分割算法简介 | 第46-48页 |
| 5.2 功能实现 | 第48-51页 |
| 5.3 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第59页 |
