| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.1.1 国内外研究现状 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 当前研究存在的问题 | 第13-14页 |
| 1.3 论文组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 相关理论基础 | 第16-28页 |
| 2.1 机器学习概述 | 第16-18页 |
| 2.1.1 机器学习之监督学习 | 第16-17页 |
| 2.1.2 机器学习之非监督学习 | 第17页 |
| 2.1.3 机器学习之神经网络分类算法 | 第17-18页 |
| 2.2 通用遥感影像信息提取理论基础 | 第18-20页 |
| 2.3 农业遥感影像处理一般流程 | 第20-24页 |
| 2.3.1 数据源选择 | 第22页 |
| 2.3.2 影像输入与浏览 | 第22页 |
| 2.3.3 影像预处理 | 第22-24页 |
| 2.3.4 影像信息提取 | 第24页 |
| 2.4 遥感影像分类中的机器学习分类方法 | 第24-25页 |
| 2.4.1 非监督分类方法 | 第24-25页 |
| 2.4.2 监督分类方法 | 第25页 |
| 2.4.3 面向对象的分类方法 | 第25页 |
| 2.5 本章小结 | 第25-28页 |
| 第三章 基于BP神经网络的遥感影像分类 | 第28-42页 |
| 3.1 研究区域选择 | 第28-29页 |
| 3.1.1 位置面积 | 第28-29页 |
| 3.1.2 自然环境 | 第29页 |
| 3.2 研究数据准备 | 第29-33页 |
| 3.2.1 对研究区域的初步目视判别 | 第29-31页 |
| 3.2.2 查看研究区域的影像数据差异 | 第31-32页 |
| 3.2.3 对研究区域和遥感影像的评价 | 第32-33页 |
| 3.3 技术路线与软件平台 | 第33页 |
| 3.4 分类实验 | 第33-40页 |
| 3.4.1 影像预处理 | 第33-34页 |
| 3.4.2 执行分类和信息提取 | 第34-38页 |
| 3.4.5 评价分类结果 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 提升遥感影像分类精度方法的研究 | 第42-70页 |
| 4.1 通过对分类方法和分类算法的对比选择以提升分类精度 | 第42-55页 |
| 4.1.1 非监督分类 | 第42-45页 |
| 4.1.2 监督分类 | 第45-50页 |
| 4.1.3 面向对象的SVM分类方法 | 第50-53页 |
| 4.1.4 对比分析与结论 | 第53-55页 |
| 4.2 通过样本数量的调整提升分类精度 | 第55-56页 |
| 4.2.1 增加样本数量 | 第55-56页 |
| 4.2.2 对比分析与结论 | 第56页 |
| 4.3 通过分类后处理提升分类精度 | 第56-62页 |
| 4.3.1 小斑块去除 | 第56-59页 |
| 4.3.2 修改颜色 | 第59-61页 |
| 4.3.3 分类统计 | 第61-62页 |
| 4.3.4 对比分析与结论 | 第62页 |
| 4.4 通过多源数据信息的辅助提升分类精度 | 第62-67页 |
| 4.4.1 查看研究区域的NDVI值 | 第63-64页 |
| 4.4.2 利用更高分辨率影像辅助辨识地物 | 第64-65页 |
| 4.4.3 利用其它相关信息帮助目视判别地物 | 第65-67页 |
| 4.5 综合分类法的实验结果精度分析 | 第67-68页 |
| 4.5.1 实验过程 | 第67页 |
| 4.5.2 对比分析与结论 | 第67-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 下一步研究工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的学术论文目录 | 第78-79页 |