| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 高分辨率遥感影像变化检测现状 | 第11-12页 |
| 1.2.2 随机森林分类方法研究现状 | 第12-13页 |
| 1.2.3 特征选择的算法发展现状 | 第13-15页 |
| 1.3 研究内容及论文组织结构 | 第15-18页 |
| 1.3.1 存在的问题 | 第15-16页 |
| 1.3.2 论文主要研究内容 | 第16-17页 |
| 1.3.3 论文组织结构 | 第17-18页 |
| 2 高分辨率遥感影像面向对象变化检测理论基础 | 第18-31页 |
| 2.1 图像分割 | 第18-21页 |
| 2.1.1 多尺度分割的定义 | 第18-19页 |
| 2.1.2 分割参数的设置 | 第19-21页 |
| 2.1.3 变化检测分割策略 | 第21页 |
| 2.2 影像特征 | 第21-26页 |
| 2.2.1 光谱特征 | 第22页 |
| 2.2.2 纹理特征 | 第22-23页 |
| 2.2.3 对象邻域特征 | 第23-26页 |
| 2.3 特征融合 | 第26-27页 |
| 2.3.1 变化矢量特征融合 | 第26页 |
| 2.3.2 卡方变换特征融合 | 第26-27页 |
| 2.4 最终变化区域获取 | 第27-28页 |
| 2.4.1 阈值分割 | 第27-28页 |
| 2.4.2 基于分类的方法 | 第28页 |
| 2.5 精度评价 | 第28-30页 |
| 2.6 小结 | 第30-31页 |
| 3 基于SVDD特征选择的随机森林分类算法 | 第31-42页 |
| 3.1 基于SVDD算法的特征选择 | 第31-34页 |
| 3.1.1 SVM算法介绍 | 第31-32页 |
| 3.1.2 SVDD算法原理 | 第32-33页 |
| 3.1.3 基于SVDD特征选择算法(SVDD-RFE) | 第33-34页 |
| 3.2 随机森林的分类算法原理 | 第34-38页 |
| 3.2.1 集成学习 | 第34-35页 |
| 3.2.2 决策树算法原理 | 第35-37页 |
| 3.2.3 随机森林构建 | 第37-38页 |
| 3.3 SVDD特征选择的随机森林分类算法 | 第38-41页 |
| 3.3.1 叠加式的SVDD特征选择随机森林分类算法 | 第38-39页 |
| 3.3.2 融合的SVDD特征选择随机森林分类算法 | 第39-41页 |
| 3.4 小结 | 第41-42页 |
| 4 实验与分析 | 第42-58页 |
| 4.1 实验数据及实验流程 | 第42-45页 |
| 4.1.1 实验数据及预处理 | 第42-44页 |
| 4.1.2 实验流程 | 第44-45页 |
| 4.2 特征提取与样本自动选择 | 第45-49页 |
| 4.2.1 特征提取 | 第45-48页 |
| 4.2.2 样本自动选择 | 第48-49页 |
| 4.3 实验结果及精度评价 | 第49-56页 |
| 4.3.1 实验结果 | 第49-55页 |
| 4.3.2 精度评价 | 第55-56页 |
| 4.4 实验结果分析 | 第56页 |
| 4.5 小结 | 第56-58页 |
| 5 结论 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.1.1 成果 | 第58页 |
| 5.1.2 不足 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间的研究成果 | 第66页 |
