基于半监督学习的遥感影像分类技术研究

摘要	第1-7页
Abstract	第7-12页
前言	第12-16页
1 半监督学习与遥感影像分类	第16-28页
·半监督学习方法概述	第16-20页
·半监督学习	第16-19页
·研究现状	第19-20页
·遥感影像分类	第20-25页
·人工解译	第21页
·计算机分类	第21-23页
·遥感影像分类的发展趋势	第23-25页
·基于半监督学习的遥感影像分类	第25-28页
·人为选择样本代表性不好的问题	第25-28页
2 基于生成模型的遥感影像半监督分类技术	第28-50页
·生成模型和EM算法	第28-33页
·概率生成模型和最大似然法	第28-31页
·包含不完全数据的似然函数	第31-32页
·EM算法	第32-33页
·适用于遥感影像的生成模型半监督学习方法	第33-40页
·一个类别对应一个混合成分	第36-38页
·一个类别对应多个混合成分	第38-40页
·实验应用及结果分析	第40-48页
·数据	第40-41页
·实验设计	第41-42页
·结果与分析	第42-48页
·小结	第48-50页
3 基于直推式学习的遥感影像半监督分类技术	第50-76页
·问题的提出	第50-52页
·一种直推式支持向量机的未标记样本标注方法	第52-55页
·直推式支持向量机简介	第52-53页
·TSVM中一种未标记样本标注方法	第53-55页
·中低分辨率遥感影像的直推式半监督分类方法	第55-56页
·高分辨率遥感影像的直推式半监督分类方法	第56-62页
·影像分割方法	第59-60页
·基于分割对象的半监督学习方法	第60-61页
·分类结果二次检验方法	第61-62页
·方法应用和结果分析	第62-72页
·中低分辨率遥感影像分类	第62-65页
·高分辨率遥感影像分类	第65-72页
·直推式方法和生成模型方法对比	第72-75页
·数据和区域	第72页
·实验设计	第72-73页
·结果和分析	第73-75页
·小结	第75-76页
4 基于半监督学习的遥感影像自动分类方法	第76-94页
·需求分析	第76-78页
·基于半监督学习的遥感影像自动分类方法	第78-82页
·已知样本集建立	第78-81页
·半监督学习方法	第81-82页
·胶东半岛区域影像植被与水体自动分类应用	第82-86页
·研究区域和数据	第82页
·分类实验及结果	第82-86页
·海岸带滩涂围垦信息自动提取方法	第86-93页
·滩涂围垦自动提取方法	第87-89页
·数据和分类结果	第89-93页
·小结	第93-94页
5 基于半监督学习的遥感影像分类样本拓展技术	第94-110页
·需求分析	第94-96页
·基于半监督学习的遥感影像分类样本拓展方法	第96-99页
·胶东半岛分类样本拓展应用	第99-102页
·数据和实验设计	第99-100页
·结果与分析	第100-102页
·同纬度国际间样本拓展	第102-108页
·意义	第102-104页
·拓展方法	第104页
·实验数据和结果	第104-108页
·小结	第108-110页
6 总结与展望	第110-112页
·总结	第110-111页
·讨论与展望	第111-112页
参考文献	第112-118页
附录A 最大似然参数估计	第118-121页
A.1 概念	第118页
A.2 参数估计	第118-121页
附录B 不完全数据的EM算法估计	第121-125页
B.1 不完全数据	第121页
B.2 不完全数据的参数估计	第121-125页
附录C 支持向量机	第125-132页
C.1 最优可分超平面	第125-128页
C.2 广义最优可分超平面	第128-130页
C.3 高维特征空间中的最优可分超平面	第130-132页
致谢	第132-133页
个人简历	第133页
第一作者发表的学术论文	第133页