基于纹理分析的溢油SAR图像分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-18页 |
| ·海面溢油遥感监测手段 | 第10-13页 |
| ·光学遥感 | 第10-12页 |
| ·微波遥感器 | 第12-13页 |
| ·国内外溢油SAR检测方法 | 第13-15页 |
| ·本文的思路与篇章结构 | 第15-18页 |
| 第2章 溢油SAR图像预处理与解译 | 第18-31页 |
| ·数据源 | 第18-19页 |
| ·图像预处理 | 第19-28页 |
| ·辐射校正 | 第19-21页 |
| ·几何校正 | 第21-23页 |
| ·滤波 | 第23-28页 |
| ·目视解译 | 第28-30页 |
| ·小结 | 第30-31页 |
| 第3章 溢油SAR图像纹理特征提取 | 第31-41页 |
| ·纹理的描述方法 | 第31-33页 |
| ·纹理特征提取及筛选过程 | 第33-40页 |
| ·方向确定 | 第34-36页 |
| ·统计量筛选 | 第36-38页 |
| ·纹理窗口大小确定 | 第38-40页 |
| ·小结 | 第40-41页 |
| 第4章 溢油SAR图像分类技术 | 第41-51页 |
| ·遥感图像信息提取识别分类 | 第41-44页 |
| ·目视解译 | 第41-42页 |
| ·计算机自动识别分类 | 第42-43页 |
| ·基于监督分类的识别算法 | 第43-44页 |
| ·溢油SAR图像监督分类方法 | 第44-45页 |
| ·最小距离分类方法 | 第44页 |
| ·最大似然分类方法 | 第44页 |
| ·人工神经网络识别技术 | 第44-45页 |
| ·经典人工神经网络模型 | 第45-51页 |
| ·人工神经网络的特点 | 第46-47页 |
| ·人工神经网络用于遥感图像分析与处理的优势 | 第47-48页 |
| ·BP神经网络 | 第48-51页 |
| 第5章 基于图像纹理的分类模型 | 第51-66页 |
| ·最小距离分类模型 | 第51页 |
| ·最大似然分类模型 | 第51-53页 |
| ·基于图像纹理的最大似然分类溢油信息提取流程 | 第52页 |
| ·模型应用 | 第52-53页 |
| ·神经网络分类模型 | 第53-61页 |
| ·基于图像纹理的神经网络模型 | 第54-57页 |
| ·模型应用 | 第57-61页 |
| ·分类模型评价 | 第61-66页 |
| ·基于全域检验的客观定量分析 | 第62-64页 |
| ·讨论 | 第64-65页 |
| ·小结 | 第65-66页 |
| 第6章 结论与进一步工作 | 第66-68页 |
| ·结论 | 第66-67页 |
| ·进一步的工作 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间公开发表论文 | 第71-72页 |
| 致谢 | 第72-73页 |
| 研究生履历 | 第73页 |
