| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| Contents | 第10-12页 |
| 图清单 | 第12-14页 |
| 表清单 | 第14-16页 |
| 1 绪论 | 第16-24页 |
| ·研究背景与研究意义 | 第16-17页 |
| ·国内外研究现状 | 第17-21页 |
| ·研究内容与技术路线 | 第21-24页 |
| 2 RapidEye 高分影像预处理 | 第24-30页 |
| ·RapidEye 影像特性 | 第24-25页 |
| ·RapidEye 预处理模型 | 第25-27页 |
| ·RapidEye 彩色合成权重优选模型 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 3 面向对象分类方法与关键技术 | 第30-43页 |
| ·影像分割 | 第30-36页 |
| ·基于 AdaBoost 算法的 GLC 决策树分类器 | 第36-39页 |
| ·支持向量机分类法 | 第39-41页 |
| ·分类后精度评价 | 第41页 |
| ·本章小结 | 第41-43页 |
| 4 特征分析与特征选择 | 第43-63页 |
| ·高分影像分类常用特征分析 | 第43-47页 |
| ·针对 RapidEye 影像的特征选择 | 第47-54页 |
| ·RapidEye 影像中红边波段对分类精度的影响分析 | 第54-59页 |
| ·基于多时相 RapidEye 影像的分类研究 | 第59-60页 |
| ·基于纹理特征的 RapidEye 影像分类研究 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 5 基于特征选择的 RapiEeye 影像分类应用实例 | 第63-69页 |
| ·数据选择与处理 | 第63-64页 |
| ·样本选择方案 | 第64-66页 |
| ·影像分割与特征提取 | 第66页 |
| ·分类结果与分析 | 第66-69页 |
| 6 结论与展望 | 第69-71页 |
| ·结论 | 第69页 |
| ·展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者简历 | 第75-77页 |
| 学位论文数据集 | 第77页 |
