| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 引言 | 第9-17页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 遥感影像分类的国内外研究现状 | 第10-12页 |
| 1.2.2 多特征遥感影像分类国内外研究现状 | 第12-13页 |
| 1.2.3 基于SVM的遥感影像分类国内外研究现状 | 第13-14页 |
| 1.2.4 存在问题 | 第14页 |
| 1.3 本文研究内容及技术路线 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线图 | 第15-17页 |
| 2 支持向量机相关理论 | 第17-29页 |
| 2.1 支持向量机基本理论 | 第17-26页 |
| 2.1.1 最优分类超平面 | 第17-22页 |
| 2.1.2 SVM核函数 | 第22-23页 |
| 2.1.3 参数优化算法 | 第23-26页 |
| 2.1.4 PCA降维算法 | 第26页 |
| 2.2 基于SVM的多分类问题 | 第26-27页 |
| 2.2.1 基于“一对一”的多分类SVM | 第27页 |
| 2.2.2 基于“一对多”的多分类SVM | 第27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 基于多特征的SVM影像分类 | 第29-46页 |
| 3.1 基于多特征的SVM影像分类流程 | 第29-30页 |
| 3.2 数据来源及研究区概况 | 第30-32页 |
| 3.2.1 数据来源 | 第30-31页 |
| 3.2.2 研究区概况 | 第31-32页 |
| 3.3 影像预处理 | 第32-35页 |
| 3.3.1 正射校正 | 第32-33页 |
| 3.3.2 影像融合 | 第33-34页 |
| 3.3.3 影像大气校正 | 第34-35页 |
| 3.4 分类体系 | 第35页 |
| 3.5 影像特征提取 | 第35-39页 |
| 3.5.1 光谱特征 | 第35-37页 |
| 3.5.2 纹理特征 | 第37-39页 |
| 3.6 训练样本的选取 | 第39-40页 |
| 3.7 SVM分类器构造 | 第40-41页 |
| 3.8 基于多特征融合的SVM分类结果及精度评价 | 第41-45页 |
| 3.8.1 基于多特征融合的SVM的分类结果 | 第41-42页 |
| 3.8.2 精度评价 | 第42-45页 |
| 3.9 本章小结 | 第45-46页 |
| 4 方法对比及结果分析 | 第46-57页 |
| 4.1 基于其他方法的影像分类结果 | 第46-49页 |
| 4.1.1 最大似然法 | 第46页 |
| 4.1.2 人工神经网络分类法 | 第46-47页 |
| 4.1.3 精度评价 | 第47-49页 |
| 4.2 结果分析 | 第49-55页 |
| 4.3 本章小结 | 第55-57页 |
| 5 结论与展望 | 第57-59页 |
| 5.1 结论 | 第57-58页 |
| 5.2 研究不足与展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |