| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 文献综述 | 第8-22页 |
| ·遥感图像分类技术研究动态 | 第8-12页 |
| ·监督分类方法 | 第8-10页 |
| ·非监督分类法 | 第10页 |
| ·遥感图像分类的新技术 | 第10-12页 |
| ·决策树分类算法研究 | 第12-18页 |
| ·决策树基本概念 | 第12-14页 |
| ·决策树生长算法 | 第14-17页 |
| ·用生成的决策树模型对待分数据进行分类 | 第17-18页 |
| ·决策树在遥感影像分类中的研究进展 | 第18-20页 |
| ·课题研究的目的和意义 | 第20-22页 |
| 第二章 研究区概况及研究资料 | 第22-24页 |
| ·研究区位置 | 第22页 |
| ·研究资料 | 第22-23页 |
| ·研究方法及技术路线 | 第23-24页 |
| 第三章 研究区遥感数据处理 | 第24-42页 |
| ·遥感数据简介 | 第24-25页 |
| ·遥感影像正射校正 | 第25-26页 |
| ·遥感影像正射校正的原因 | 第25页 |
| ·遥感影像正射校正过程及其流程图 | 第25-26页 |
| ·遥感信息的融合处理 | 第26-27页 |
| ·植被指数图像的生成 | 第27-30页 |
| ·纹理特征影像的生成 | 第30-32页 |
| ·各影像波段可分性分析 | 第32-42页 |
| ·变换生成的所有波段及其序号对应表 | 第32-33页 |
| ·各影像波段统计特征参数分析 | 第33-39页 |
| ·最佳分类波段的选择 | 第39-42页 |
| 第四章 基于决策树技术的遥感图像分类 | 第42-86页 |
| ·分类类别的确定 | 第42页 |
| ·训练样本的选取 | 第42-44页 |
| ·CART决策树 | 第44-56页 |
| ·CART决策树的建立 | 第44-46页 |
| ·CART决策树的修剪 | 第46-50页 |
| ·研究区CART决策树模型的生成及判决规则的建立 | 第50-56页 |
| ·CHAID决策树 | 第56-64页 |
| ·CHAID决策树生长算法 | 第56-57页 |
| ·研究区CHAID决策树模型的生成及判决规则的建立 | 第57-64页 |
| ·EXHAUSTIVE CHAID决策树 | 第64-65页 |
| ·Exhaustive CHAID决策树生长算法 | 第64-65页 |
| ·研究区Exhaustive CHAID决策树模型的生成及判决规则的建立 | 第65页 |
| ·QUEST决策树 | 第65-75页 |
| ·QUEST决策树生长算法 | 第65-70页 |
| ·研究区QUEST决策树模型的生成及判决规则的建立 | 第70-75页 |
| ·TREEBOOST模型 | 第75-78页 |
| ·TreeBoost模型的概念及生成算法 | 第75-76页 |
| ·研究区TreeBoost模型的生成和分析 | 第76-78页 |
| ·决策树森林(DECISIONTREEFORESTS)模型 | 第78-81页 |
| ·决策树森林的概念及算法 | 第78-80页 |
| ·研究区决策树森林模型的生成 | 第80-81页 |
| ·决策树分类精度计算 | 第81-83页 |
| ·决策树分类算法评价 | 第83-86页 |
| 第五章 与其它遥感影像分类方法的比较 | 第86-97页 |
| ·人工神经元网络分类 | 第86-94页 |
| ·神经网络概述 | 第86页 |
| ·神经网络模型构成 | 第86-90页 |
| ·神经网络模型的运行及BP网络的训练 | 第90-91页 |
| ·研究区BP神经网络分类的实现及精度评价 | 第91-94页 |
| ·最大似然法分类 | 第94-95页 |
| ·各种分类方法的比较 | 第95-97页 |
| 第六章 结论与研究展望 | 第97-99页 |
| ·研究结论 | 第97-98页 |
| ·研究展望 | 第98-99页 |
| 参考文献 | 第99-105页 |
| 详细摘要 | 第105-108页 |
