| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 主要符号表 | 第13-15页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.2.1 遥感图像信息提取算法研究 | 第17-20页 |
| 1.2.2 深度学习研究进展 | 第20-21页 |
| 1.2.3 农业遥感信息提取研究进展 | 第21-23页 |
| 1.3 研究目标与技术路线 | 第23页 |
| 1.4 研究内容及章节安排 | 第23-27页 |
| 1.4.1 主要研究内容 | 第23-25页 |
| 1.4.2 论文章节安排 | 第25-27页 |
| 第二章 高分遥感图像信息提取基础 | 第27-42页 |
| 2.1 引言 | 第27-29页 |
| 2.2 高分遥感卫星及图像特点 | 第29-32页 |
| 2.2.1 高分遥感卫星载荷特点 | 第30-31页 |
| 2.2.2 高分遥感图像特性分析 | 第31-32页 |
| 2.3 机器学习方法 | 第32-40页 |
| 2.3.1 模式识别与机器学习 | 第32页 |
| 2.3.2 典型机器学习信息提取方法 | 第32-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第三章 高分遥感图像玉米区特征提取与特征集构建 | 第42-66页 |
| 3.1 玉米研究区实验数据准备 | 第42-55页 |
| 3.1.1 玉米作物生长特点 | 第42-43页 |
| 3.1.2 图像校正处理与分析 | 第43-45页 |
| 3.1.3 高分遥感图像最佳波段选择 | 第45-47页 |
| 3.1.4 高分图像融合与研究区裁剪 | 第47-54页 |
| 3.1.5 高分图像玉米研究区参考图像制作 | 第54-55页 |
| 3.2 高分遥感图像特征提取 | 第55-58页 |
| 3.2.1 光谱特征提取 | 第55-56页 |
| 3.2.2 纹理特征提取 | 第56-58页 |
| 3.3 玉米研究区图像特征分析与特征集构建 | 第58-65页 |
| 3.3.1 基于随机森林的特征重要性分析 | 第58-60页 |
| 3.3.2 权重系数和冲突概率自适应调整的证据合成 | 第60-62页 |
| 3.3.3 特征集构建结果及分析 | 第62-64页 |
| 3.3.4 特征多样性与算法选择关联 | 第64-65页 |
| 3.4 本章小结 | 第65-66页 |
| 第四章 基于同异质方法集成的玉米区高精度提取算法 | 第66-99页 |
| 4.1 集成学习基本特性 | 第66-68页 |
| 4.2 极限学习机集成提取算法 | 第68-71页 |
| 4.2.1 极限学习机网络模型参数训练 | 第68-70页 |
| 4.2.2 极限学习机集成提取算法实现 | 第70-71页 |
| 4.3 支持向量机集成提取算法 | 第71-77页 |
| 4.3.1 支持向量机训练样本规模 | 第71-72页 |
| 4.3.2 支持向量机核函数与参数优化 | 第72-76页 |
| 4.3.3 混合核支持向量机同质集成提取算法 | 第76-77页 |
| 4.4 极限学习机与支持向量机异质集成提取算法 | 第77-78页 |
| 4.4.1 极限学习机与支持向量机差异分析 | 第77-78页 |
| 4.4.2 异质集成提取算法实现 | 第78页 |
| 4.5 高分遥感图像玉米区提取实验 | 第78-98页 |
| 4.5.1 高分一号实验图像玉米区集成提取与分析 | 第80-93页 |
| 4.5.2 高分二号实验图像玉米区提取结果与分析 | 第93-98页 |
| 4.6 本章小结 | 第98-99页 |
| 第五章 基于特征学习的玉米区深度网络集成提取算法 | 第99-134页 |
| 5.1 引言 | 第99-100页 |
| 5.2 深度学习网络特性分析 | 第100-103页 |
| 5.2.1 生物学基础 | 第100-101页 |
| 5.2.2 深度学习网络模型特点 | 第101-103页 |
| 5.3 堆栈自编码玉米区集成提取算法 | 第103-107页 |
| 5.3.1 堆栈自编码器实现 | 第103-104页 |
| 5.3.2 堆栈自编码拓展 | 第104-105页 |
| 5.3.3 堆栈自编码集成提取算法构建 | 第105-107页 |
| 5.4 堆栈自编码玉米区集成提取实验 | 第107-115页 |
| 5.4.1 高分一号遥感图像提取结果与分析 | 第107-112页 |
| 5.4.2 高分二号遥感图像提取结果及分析 | 第112-115页 |
| 5.5 深度卷积神经网络集成提取算法 | 第115-121页 |
| 5.5.1 深度卷积神经网络特性与训练 | 第115-117页 |
| 5.5.2 基于像元扩展的卷积网络二维输入数据制备方法 | 第117-118页 |
| 5.5.3 深度卷积网络集成提取算法研究 | 第118-121页 |
| 5.6 深度卷积神经网络玉米区集成提取实验 | 第121-129页 |
| 5.6.1 高分一号遥感图像提取实验结果与分析 | 第121-126页 |
| 5.6.2 高分二号遥感图像提取实验结果与分析 | 第126-129页 |
| 5.7 集成算法提取结果对比与分析 | 第129-133页 |
| 5.8 本章小结 | 第133-134页 |
| 第六章 总结与展望 | 第134-137页 |
| 6.1 论文主要工作 | 第134-135页 |
| 6.2 主要创新点 | 第135-136页 |
| 6.3 未来工作展望 | 第136-137页 |
| 参考文献 | 第137-152页 |
| 攻读博士期间发表的论文及所取得的研究成果 | 第152-153页 |
| 致谢 | 第153-154页 |