| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| ·研究背景和意义 | 第11-12页 |
| ·国内外研究概况、水平和发展趋势 | 第12-15页 |
| ·统计分类方法 | 第12-13页 |
| ·正交变换识别方法 | 第13页 |
| ·神经网络识别方法 | 第13-15页 |
| ·遥感影像分类的基本理论 | 第15-16页 |
| ·遥感信息 | 第15页 |
| ·遥感影像信息特征 | 第15-16页 |
| ·研究内容 | 第16-17页 |
| 第二章 特征提取与特征选择 | 第17-31页 |
| ·引言 | 第17-18页 |
| ·特征的形成 | 第17页 |
| ·常用图像特征 | 第17-18页 |
| ·特征提取与选择在模式识别中的地位 | 第18页 |
| ·特征提取与选择原理 | 第18页 |
| ·特征选择 | 第18-21页 |
| ·特征选择算法 | 第18-20页 |
| ·特征选择标准 | 第20-21页 |
| ·特征提取 | 第21-26页 |
| ·特征提取方法 | 第21-22页 |
| ·主成分分析 | 第22-23页 |
| ·识别分析特征提取 | 第23-25页 |
| ·决策边界特征提取 | 第25-26页 |
| ·基于s_b、s_w的特征提取与选择 | 第26-31页 |
| ·常用的距离 | 第26-29页 |
| ·基于总的类间离散矩阵s_b的特征提取与选择 | 第29页 |
| ·基于总的类内离散矩阵s_w的特征提取与选择 | 第29-30页 |
| ·基于总的离散矩阵s_t的特征选择 | 第30-31页 |
| 第三章 目前遥感影像分类的方法 | 第31-41页 |
| ·引言 | 第31-33页 |
| ·模式识别理论 | 第31-32页 |
| ·模式识别系统 | 第32-33页 |
| ·传统的分类方法 | 第33-39页 |
| ·非监督分类方法 | 第33-35页 |
| ·监督分类方法 | 第35-39页 |
| ·模式分类的新方法 | 第39-41页 |
| ·模糊分类方法 | 第39页 |
| ·基于知识的影像分类方法 | 第39页 |
| ·人工神经网络分类方法 | 第39-41页 |
| 第四章 对偶神经网络(CPN)分类 | 第41-52页 |
| ·神经网络介绍 | 第41-48页 |
| ·生物学的启示 | 第41页 |
| ·神经元模型 | 第41-42页 |
| ·感知器 | 第42-43页 |
| ·多层神经网络 | 第43-44页 |
| ·Hebb学习规则及其变形 | 第44-45页 |
| ·神经网络模型的结构及分类 | 第45-46页 |
| ·神经网络模型的特点 | 第46-47页 |
| ·神经网络的应用 | 第47-48页 |
| ·对偶神经网络(CPN)算法 | 第48-52页 |
| ·算法结构 | 第48页 |
| ·算法原理 | 第48-49页 |
| ·CPN算法的改进 | 第49-50页 |
| ·改进的CPN算法在模式识别中的应用 | 第50页 |
| ·算法检验 | 第50-52页 |
| 第五章 结合erdas对遥感影像分类方法的应用及试验 | 第52-63页 |
| ·分类过程 | 第52-53页 |
| ·非监督分类法 | 第52-53页 |
| ·监督分类法 | 第53页 |
| ·遥感影像预处理 | 第53-54页 |
| ·主成分分析 | 第54-55页 |
| ·用ERDAS IMAGINE软件进行分类 | 第55-59页 |
| ·ERDAS IMAGINE软件概述 | 第55页 |
| ·非监督分类 | 第55-56页 |
| ·监督分类 | 第56-59页 |
| ·CPN算法在影像中的应用 | 第59-62页 |
| ·网络初始化 | 第59-60页 |
| ·分类结果 | 第60-61页 |
| ·分类重编码 | 第61页 |
| ·精度评估 | 第61-62页 |
| ·分类结果比较 | 第62-63页 |
| 结论与展望 | 第63-64页 |
| 结论 | 第63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读研究生期间参加的科研及发表论文情况 | 第68-69页 |
| 致谢 | 第69页 |