基于高分影像矿山信息的提取
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 引言 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 遥感信息提取研究现状 | 第11-14页 |
| 1.3 高分辨率遥感影像发展现状 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 2 遥感影像信息提取的基本原理 | 第18-32页 |
| 2.1 传统的监督分类方法 | 第18-20页 |
| 2.1.1 监督分类流程 | 第19页 |
| 2.1.2 最大似然分类 | 第19-20页 |
| 2.2 传统的非监督分类方法 | 第20-21页 |
| 2.2.1 非监督分类流程 | 第20-21页 |
| 2.2.2 ISODATA分类法 | 第21页 |
| 2.3 决策树分类方法相关理论 | 第21-23页 |
| 2.3.1 决策树分类概述 | 第21-22页 |
| 2.3.2 决策树分类C4.5 方法概述 | 第22-23页 |
| 2.3.3 决策树分类算法的优缺点 | 第23页 |
| 2.4 均值漂移聚类算法 | 第23-29页 |
| 2.4.1 均值漂移聚类算法的概述 | 第23-27页 |
| 2.4.2 核函数的选择 | 第27-29页 |
| 2.5 遥感影像分类精度评价 | 第29-32页 |
| 2.5.1 评价的标准 | 第29-30页 |
| 2.5.2 误差矩阵 | 第30-32页 |
| 3 遥感影像分类的实现和精度评价 | 第32-55页 |
| 3.1 研究区概况 | 第32-33页 |
| 3.1.1 矿产资源分布与开发利用概况 | 第33页 |
| 3.2 遥感影像的获取与处理 | 第33页 |
| 3.3 野外踏勘及矿山解译标志建立 | 第33-34页 |
| 3.4 ISODATA分类法 | 第34-36页 |
| 3.5 最大似然分类 | 第36-38页 |
| 3.5.1 训练样本提纯 | 第37-38页 |
| 3.6 决策树分类方法的实现 | 第38-42页 |
| 3.6.1 主成分分析（PCA） | 第39-40页 |
| 3.6.2 主成分变换分析统计 | 第40-42页 |
| 3.7 决策树规则的建立 | 第42-48页 |
| 3.7.1 不同地物光谱响应特征分析统计 | 第42-44页 |
| 3.7.2 NDVI植被指数分析统计 | 第44-48页 |
| 3.8 均值漂移决策树分类方法的实现 | 第48-53页 |
| 3.9 分类方法的精度分析与评价 | 第53-55页 |
| 4 结论与展望 | 第55-57页 |
| 4.1 结论 | 第55页 |
| 4.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63页 |
