| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究意义 | 第8-9页 |
| ·研究背景 | 第9-13页 |
| ·传统遥感影像信息提取方法存在的主要问题 | 第9-10页 |
| ·高分辨率遥感影像信息提取的现状 | 第10-12页 |
| ·高分辨率遥感影像信息提取技术的难点 | 第12-13页 |
| ·研究目的、内容、方法和结构安排 | 第13-16页 |
| ·研究目标 | 第13页 |
| ·研究内容 | 第13-14页 |
| ·研究方法 | 第14-15页 |
| ·结构安排 | 第15-16页 |
| 第二章 面向对象的信息提取技术研究 | 第16-34页 |
| ·影像分割 | 第16-20页 |
| ·基于边界的分割方法 | 第17页 |
| ·基于区域的分割方法 | 第17-18页 |
| ·多尺度分割技术 | 第18-20页 |
| ·面向对象分类 | 第20-28页 |
| ·常规分类方法 | 第20-21页 |
| ·新型分类方法 | 第21-28页 |
| ·实验与讨论 | 第28-33页 |
| ·实验目的 | 第28页 |
| ·数据准备 | 第28-29页 |
| ·实验方案 | 第29-31页 |
| ·结果分析 | 第31-33页 |
| ·小结 | 第33-34页 |
| 第三章 集成学习技术研究 | 第34-51页 |
| ·简介 | 第34-35页 |
| ·集成学习有效性分析 | 第35页 |
| ·集成学习方法介绍 | 第35-41页 |
| ·成员分类器之间的关系 | 第35-36页 |
| ·不同成员分类器的获得方式 | 第36-40页 |
| ·成员分类器分类结果的整合方式 | 第40-41页 |
| ·实验与讨论 | 第41-50页 |
| ·实验目的 | 第41-42页 |
| ·实验数据 | 第42页 |
| ·实验方案 | 第42-47页 |
| ·结果分析 | 第47-50页 |
| ·小结 | 第50-51页 |
| 第四章 影像对象特征与特征选择研究 | 第51-68页 |
| ·影像对象的特征 | 第51-55页 |
| ·原始光谱统计特征 | 第51-52页 |
| ·形状特征 | 第52-53页 |
| ·空间纹理特征 | 第53-55页 |
| ·对象特征统计与存储 | 第55页 |
| ·特征选择概述 | 第55-58页 |
| ·遗传算法概述 | 第58-59页 |
| ·基于遗传算法的集成神经网络特征选择方法 | 第59-67页 |
| ·算法设计思路 | 第59页 |
| ·算法思想及步骤 | 第59-62页 |
| ·算法理论分析 | 第62-64页 |
| ·实验及结果分析 | 第64-67页 |
| ·小结 | 第67-68页 |
| 第五章 基于集成学习的对象级高分辨率影像地物要素半自动提取框架研究及集成特征选择实现 | 第68-78页 |
| ·基于集成学习的对象级高分辨率遥感影像地物要素半自动提取框架 | 第68-70页 |
| ·集成学习模块实现的关键技术及类结构设计 | 第70-74页 |
| ·训练样本特征子集选择 | 第70-71页 |
| ·成员神经网络的构建 | 第71-73页 |
| ·成员神经网络的选取 | 第73-74页 |
| ·集成特征选择模块类结构设计 | 第74页 |
| ·应用实例分析 | 第74-76页 |
| ·小结 | 第76-78页 |
| 第六章 总结与展望 | 第78-81页 |
| ·总结 | 第78-79页 |
| ·展望 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 发表论文及参加项目 | 第86-87页 |
| 致谢 | 第87页 |