| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.1.1 遥感影像特点 | 第10-11页 |
| 1.1.2 机器学习概述 | 第11页 |
| 1.2 研究现状以及成果 | 第11-13页 |
| 1.3 本文主要研究内容与结构安排 | 第13-15页 |
| 第二章 基于朴素贝叶斯的全监督遥感影像分类 | 第15-25页 |
| 2.1 朴素贝叶斯网络 | 第15-16页 |
| 2.2 全监督学习 | 第16-18页 |
| 2.3 实验样本数据预处理 | 第18-22页 |
| 2.3.1 训练样本数据归一化处理 | 第18页 |
| 2.3.2 先验概率的选择 | 第18-22页 |
| 2.4 基于朴素贝叶斯的全监督学习遥感影像分类实验 | 第22-24页 |
| 2.4.1 实验设计 | 第22页 |
| 2.4.2 实验结果及实验分析 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 自我学习与协同学习 | 第25-42页 |
| 3.1 自我学习 | 第25-32页 |
| 3.1.1 自我训练算法 | 第25-27页 |
| 3.1.2 基于自我训练算法的半监督遥感影像分类过程 | 第27-28页 |
| 3.1.3 实验设计与参数配置 | 第28-29页 |
| 3.1.4 基于自我训练算法的半监督遥感影像分类实验与分析 | 第29-32页 |
| 3.2 协同训练 | 第32-41页 |
| 3.2.1 协同学习算法 | 第33-36页 |
| 3.2.2 基于协同学习训练算法的半监督遥感影像分类过程 | 第36页 |
| 3.2.3 标注置信度、迭代算法过程中未标注样本池的样本数量 | 第36-37页 |
| 3.2.4 实验设计与参数配置 | 第37-38页 |
| 3.2.5 基于协同学习训练算法的半监督遥感影像分类实验与分析 | 第38-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 低密度分割 | 第42-55页 |
| 4.1 低密度分割介绍 | 第42-43页 |
| 4.2 算法 | 第43-52页 |
| 4.2.1 基于图的相似度 | 第43-46页 |
| 4.2.2 边缘阈值最大化 | 第46-48页 |
| 4.2.3 算法运用 | 第48-52页 |
| 4.3 基于低密度分割的半监督遥感影像分类实验及分析 | 第52-54页 |
| 4.3.1 实验设计与参数配置 | 第52-53页 |
| 4.3.2 实验结果与实验分析 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间已发表或录用的论文 | 第63-66页 |
| 上海交通大学学位论文答辩决议书 | 第66页 |
