基于高分辨率遥感影像的大麻作物信息提取方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 基于像元的分类方法研究现状 | 第12-16页 |
| 1.2.1 基于像元的遥感影像分类理论 | 第12-15页 |
| 1.2.2 决策树分类 | 第15-16页 |
| 1.3 面向对象的分类方法研究现状 | 第16-21页 |
| 1.3.1 常用分割算法原理 | 第17-20页 |
| 1.3.2 面向对象的影像分类理论 | 第20-21页 |
| 1.4 研究内容与技术路线 | 第21-23页 |
| 1.4.1 研究内容 | 第21-22页 |
| 1.4.2 技术路线 | 第22-23页 |
| 第2章 研究区概况与数据准备 | 第23-30页 |
| 2.1 研究区介绍 | 第23-24页 |
| 2.2 数据介绍 | 第24-26页 |
| 2.2.1 地面实测高光谱数据 | 第24-26页 |
| 2.2.2 实验数据 | 第26页 |
| 2.2.3 验证数据 | 第26页 |
| 2.3 数据预处理 | 第26-30页 |
| 2.3.1 辐射校正 | 第27-28页 |
| 2.3.2 正射校正 | 第28页 |
| 2.3.3 影像融合 | 第28-29页 |
| 2.3.4 几何精校正 | 第29页 |
| 2.3.5 影像裁剪 | 第29-30页 |
| 第3章 基于像元的大麻地块信息提取 | 第30-38页 |
| 3.1 决策树分类特征选择 | 第30-34页 |
| 3.1.1 光谱特征 | 第31-33页 |
| 3.1.2 特征变换 | 第33-34页 |
| 3.2 基于决策树分类器的大麻提取 | 第34-38页 |
| 3.2.1 训练样本的选择及特征统计 | 第34-36页 |
| 3.2.2 人工设计决策树分类器 | 第36-38页 |
| 第4章 面向对象的大麻地块信息提取 | 第38-53页 |
| 4.1 影像分割 | 第38-47页 |
| 4.1.1 eCognition常用分割算法 | 第38-41页 |
| 4.1.2 基于FNEA算法的改进分割方法 | 第41-42页 |
| 4.1.3 分割实验 | 第42-47页 |
| 4.2 影像分类特征选择 | 第47-50页 |
| 4.2.1 光谱特征 | 第47-48页 |
| 4.2.2 纹理特征 | 第48-49页 |
| 4.2.3 形状特征 | 第49-50页 |
| 4.3 对象提取 | 第50-53页 |
| 4.3.1 提取层次及规则建立 | 第50-53页 |
| 第5章 精度评价 | 第53-57页 |
| 5.1 精度评价方法介绍 | 第53-54页 |
| 5.1.1 误差矩阵法 | 第53页 |
| 5.1.2 模糊分析法 | 第53-54页 |
| 5.1.3 像元尺度上的不确定评价法 | 第54页 |
| 5.2 精度评价的影响因素 | 第54页 |
| 5.3 实验结果分析 | 第54-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
