基于支持向量机的Landsat8影像分类应用研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 支持向量机及其发展简史 | 第15-17页 |
| 1.2.1 统计学习理论 | 第15-16页 |
| 1.2.2 支持向量机及其发展进程 | 第16-17页 |
| 1.2.3 支持向量机的优点 | 第17页 |
| 1.3 遥感影像分类方法的研究进展 | 第17-19页 |
| 1.3.1 传统分类方法 | 第17-18页 |
| 1.3.2 支持向量机分类方法 | 第18-19页 |
| 1.3.3 神经网络分类方法 | 第19页 |
| 1.4 论文研究内容及安排 | 第19-21页 |
| 第二章 遥感影像的自动识别分类的基本原理及方法 | 第21-30页 |
| 2.1 遥感技术的发展 | 第21-25页 |
| 2.1.1 遥感系统 | 第21-22页 |
| 2.1.2 遥感的特点 | 第22-23页 |
| 2.1.3 遥感的物理基础 | 第23-24页 |
| 2.1.4 遥感数据的获取 | 第24-25页 |
| 2.2 遥感影像分类的基本原理 | 第25-26页 |
| 2.3 遥感影像自动识别分类的方法 | 第26-27页 |
| 2.3.1 ISODATA分类算法 | 第26页 |
| 2.3.2 最小距离分类法 | 第26页 |
| 2.3.3 最大似然分类法 | 第26-27页 |
| 2.4 遥感影像分类精度的评定方法 | 第27-30页 |
| 第三章 基于最大似然法的遥感影像分类 | 第30-38页 |
| 3.1 遥感影像的分类过程 | 第30-31页 |
| 3.2 原始影像的预处理 | 第31-33页 |
| 3.2.1 大气校正 | 第31-32页 |
| 3.2.2 辐射定标 | 第32页 |
| 3.2.3 FLAASH大气校正模型 | 第32-33页 |
| 3.3 特征判别与类别定义 | 第33-34页 |
| 3.4 特征选择、特征提取 | 第34页 |
| 3.5 影像分类 | 第34-36页 |
| 3.6 精度验证 | 第36-38页 |
| 第四章 SVM分类器的基础理论及分类原理 | 第38-47页 |
| 4.1 SVM的基本思想 | 第38页 |
| 4.2 线性分类器 | 第38-42页 |
| 4.2.1 线性可分的最优分类面 | 第38-40页 |
| 4.2.2 线性不可分的最优分类面 | 第40-42页 |
| 4.3 核函数 | 第42-44页 |
| 4.3.1 利用核函数进行非线性映射 | 第42-43页 |
| 4.3.2 常用的核函数 | 第43-44页 |
| 4.4 多类分类SVM | 第44-47页 |
| 4.4.1 一对一分类法 | 第44-45页 |
| 4.4.2 一对多分类法 | 第45页 |
| 4.4.3 有向无环图分类法 | 第45-47页 |
| 第五章 基于SVM分类算法的遥感影像分类 | 第47-57页 |
| 5.1 分类流程简介 | 第47-48页 |
| 5.2 样本数据的采集、特征选择和特征提取 | 第48-53页 |
| 5.2.1 颜色特征向量的提取 | 第48-50页 |
| 5.2.2 纹理特征向量的提取 | 第50-52页 |
| 5.2.3 特征向量归一化 | 第52-53页 |
| 5.3 分类器的训练 | 第53-54页 |
| 5.4 图像分类 | 第54-56页 |
| 5.5 精度对比 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 存在的问题 | 第57页 |
| 6.3 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 在读期间发表的学术论文及研究成果 | 第65页 |
