| 第一章 概述 | 第1-24页 |
| 1．1 研究背景 | 第13页 |
| 1．2 数据挖掘与空间数据挖掘 | 第13-15页 |
| 1．2．1 数据挖掘 | 第13-14页 |
| 1．2．1．1 数据挖掘的定义 | 第13-14页 |
| 1．2．1．2 数据挖掘的研究现状 | 第14页 |
| 1．2．2 空间数据挖掘 | 第14-15页 |
| 1．2．2．1 数据挖掘的定义 | 第14-15页 |
| 1．2．2．2 空间数据挖掘的研究现状 | 第15页 |
| 1．3 空间数据挖掘与遥感影像数据挖掘 | 第15-17页 |
| 1．3．1 关于空间数据的有关知识 | 第15-16页 |
| 1．3．1．1 地球空间信息学 | 第15-16页 |
| 1．3．1．2 数字地球 | 第16页 |
| 1．3．2 地理信息技术与遥感 | 第16-17页 |
| 1．3．2．1 地理信息技术 | 第16页 |
| 1．3．2．2 遥感 | 第16-17页 |
| 1．3．2．3 地理信息技术与遥感的集成 | 第17页 |
| 1．4 图像挖掘与遥感影像数据挖掘 | 第17-19页 |
| 1．4．1 图像数据挖掘 | 第17-18页 |
| 1．4．2 图像数据挖掘与知识发现 | 第18页 |
| 1．4．3 遥感影像数据挖掘 | 第18页 |
| 1．4．4 图像挖掘与其它相关学科的关系 | 第18-19页 |
| 1．5 空间数据库与遥感影像数据挖掘 | 第19页 |
| 1．6 遥感数据与遥感信息 | 第19-20页 |
| 1．6．1 遥感影像数据 | 第19页 |
| 1．6．2 遥感影像信息 | 第19页 |
| 1．6．3 遥感信息的复杂性和不确定性 | 第19-20页 |
| 1．6．4 遥感数据与信息间的知识间隙 | 第20页 |
| 1．7 遥感影像信息提取与挖掘发展阶段 | 第20-21页 |
| 1．8 论文研究内容和创新点 | 第21-22页 |
| 1．8．1 本文的主要研究工作包括 | 第21-22页 |
| 1．8．2 创新点 | 第22页 |
| 1．9 论文结构和内容组织 | 第22-24页 |
| 第二章 遥感影像数据挖掘的框架 | 第24-40页 |
| 2．1 遥感影像数据挖掘的目标 | 第24-25页 |
| 2．2．1 研究目标 | 第24页 |
| 2．2．2 挖掘过程 | 第24-25页 |
| 2．2 遥感影像数据挖掘的框架结构 | 第25-28页 |
| 2．2．1 功能驱动的影像挖掘系统框架 | 第26页 |
| 2．2．2 信息驱动的影像挖掘系统框架 | 第26-28页 |
| 2．3 遥感影像数据挖掘的技术 | 第28-34页 |
| 2．3．1 目标识别 | 第28页 |
| 2．3．2 影像检索 | 第28-29页 |
| 2．3．3 影像索引 | 第29-30页 |
| 2．3．4 影像分类和聚类 | 第30页 |
| 2．3．5 关联规则挖掘 | 第30-31页 |
| 2．3．6 神经网络 | 第31-32页 |
| 2．3．7 空间分析方法 | 第32页 |
| 2．3．8 空间统计学 | 第32-33页 |
| 2．3．9 Rough集方法 | 第33页 |
| 2．3．10 模糊集理论 | 第33页 |
| 2．3．11 决策树 | 第33-34页 |
| 2．3．12 证据理论 | 第34页 |
| 2．3．13 遗传算法 | 第34页 |
| 2．3．14 可视化技术 | 第34页 |
| 2．4 遥感图像挖掘系统的设计 | 第34-39页 |
| 2．4．1 系统功能的设计 | 第35页 |
| 2．4．2 开发工具的设计 | 第35页 |
| 2．4．3 影像的描述 | 第35-36页 |
| 2．4．4 依据的标准 | 第36页 |
| 2．4．5 系统的原型结构 | 第36页 |
| 2．4．6 遥感影像信息挖掘系统的流程图 | 第36-39页 |
| 2．5 遥感影像数据挖掘的未来的发展方向 | 第39页 |
| 2．6 本章小结 | 第39-40页 |
| 第三章 基于传统统计模式识别方法的数据挖掘技术 | 第40-56页 |
| 3．1 常规统计分析量 | 第40-42页 |
| 3．1．1 基本统计分析量 | 第40页 |
| 3．1．2 图像的直方图 | 第40-41页 |
| 3．1．3 灰度的分布特征 | 第41页 |
| 3．1．4 多波段的统计特征 | 第41-42页 |
| 3．2 纹理特征 | 第42-44页 |
| 3．3 统计变换 | 第44页 |
| 3．4 空间结构和空间关系 | 第44-47页 |
| 3．4．1 邻域空间关联 | 第44页 |
| 3．4．2 目标的形状、大小和内部结构 | 第44-45页 |
| 3．4．3 目标间的空间关系 | 第45-47页 |
| 3．4．3．1 图像中对象之间的拓扑关系 | 第45页 |
| 3．4．3．2 图像中对象的方向关系 | 第45-47页 |
| 3．5 分类与聚类 | 第47-55页 |
| 3．5．1 聚类中的相似性度量 | 第47-48页 |
| 3．5．2 C-均值方法(C-means) | 第48页 |
| 3．5．3 迭代自组织聚类(ISODATA) | 第48-50页 |
| 3．5．4 bayes监督分类 | 第50-55页 |
| 3．5．4．1 bayes分类器 | 第51-52页 |
| 3．5．4．2 实际的应用 | 第52-53页 |
| 3．5．4．3 上下文关系的Bayes表示模型 | 第53-54页 |
| 3．5．4．4 算法的改进 | 第54-55页 |
| 3．6 本章小结 | 第55-56页 |
| 第四章 基于几种空间数据挖掘理论的遥感影像挖掘技术 | 第56-95页 |
| 4．1 模糊分类法 | 第56-61页 |
| 4．1．1 模糊分类法的概念 | 第57页 |
| 4．1．1．1 模糊集的基本知识 | 第57页 |
| 4．1．1．2 模糊分类法 | 第57页 |
| 4．1．2 模糊C均值(Fuzzy C-means)聚类方法 | 第57-58页 |
| 4．1．3 模糊迭代自组织数据分析算法(Fuzzy-ISODATA) | 第58-60页 |
| 4．1．4 模糊极大似然分类算法 | 第60-61页 |
| 4．2 证据理论 | 第61-66页 |
| 4．2．1 D_S理论原理 | 第62-63页 |
| 4．2．2 D_S理论的推理模型 | 第63-64页 |
| 4．2．3 实例 | 第64-66页 |
| 4．2．4 应用推广 | 第66页 |
| 4．2．5 小结 | 第66页 |
| 4．3 神经网络 | 第66-78页 |
| 4．3．1 人工神经网络的一般原理 | 第67页 |
| 4．3．2 BPNN | 第67-74页 |
| 4．3．2．1 BPNN的原理 | 第67-68页 |
| 4．3．2．2 算法分析 | 第68-69页 |
| 4．3．2．3 BP算法存在的问题 | 第69-70页 |
| 4．3．2．4 BP算法的改进 | 第70页 |
| 4．3．2．5 BP权值调节的全局优化算法 | 第70-74页 |
| 4．3．2．5．1 模拟退火算法 | 第70-71页 |
| 4．3．2．5．2 模拟退火神经网络权值优化算法 | 第71-72页 |
| 4．3．2．5．3 遗传算法 | 第72-73页 |
| 4．3．2．5．4 基于遗传算法的神经网络权值优化模型 | 第73-74页 |
| 4．3．2．6 BP算法的应用 | 第74页 |
| 4．3．2．6．1 应用方法 | 第74页 |
| 4．3．2．6．2 GIS数据的加入 | 第74页 |
| 4．3．3 自组织特征映射 | 第74-78页 |
| 4．3．3．1 SOM网络 | 第74-75页 |
| 4．3．3．2 SOM网络的原理 | 第75页 |
| 4．3．3．3 二维自组织特征映射数学模型 | 第75页 |
| 4．3．3．4 SOM模型的学习过程 | 第75-77页 |
| 4．3．3．4．1 学习过程 | 第75-76页 |
| 4．3．3．4．2 最佳匹配神经元的选择 | 第76页 |
| 4．3．3．4．3 权系数的自组织过程 | 第76-77页 |
| 4．3．3．5 SOM模型学习的具体算法 | 第77页 |
| 4．3．3．6 SOM网络的分类原理 | 第77-78页 |
| 4．3．3．7 遥感图像分类步骤 | 第78页 |
| 4．4 支持向量机 | 第78-82页 |
| 4．4．1 支持向量机基本原理 | 第78-82页 |
| 4．4．1．1 分类超平面的结构 | 第79页 |
| 4．4．1．2 最优分类超平面 | 第79-80页 |
| 4．4．1．3 非线性支持矢量机:核函数替代 | 第80-81页 |
| 4．4．1．4 多值分类 | 第81-82页 |
| 4．4．2 支持向量机在遥感影像数据挖掘中的应用 | 第82页 |
| 4．5 关联规则挖掘 | 第82-90页 |
| 4．5．1 关联规则的基本概念 | 第82-83页 |
| 4．5．2 关联规则的一般步骤 | 第83页 |
| 4．5．4 关联规则的度量方法 | 第83页 |
| 4．5．5 关联规则经典算法——Apriori | 第83-84页 |
| 4．5．6 FP增长算法 | 第84-85页 |
| 4．5．6．1 FP增长算法的基本思想 | 第85页 |
| 4．5．6．2 FP增长算法 | 第85页 |
| 4．5．7 空间关联规则 | 第85-86页 |
| 4．5．8 其它各种变异算法 | 第86-87页 |
| 4．5．8．1 多循环方式的挖掘算法 | 第86页 |
| 4．5．8．2 增量式更新算法 | 第86-87页 |
| 4．5．8．3 多层关联规则 | 第87页 |
| 4．5．8．4 量化属性关联规则 | 第87页 |
| 4．5．8．5 基于约束的关联规则 | 第87页 |
| 4．5．8．6 基于距离的关联规则 | 第87页 |
| 4．5．9 关联规则在遥感影像数据挖掘中的应用 | 第87-90页 |
| 4．5．9．1 关联规则的优势 | 第88页 |
| 4．5．9．2 应用的一般模型 | 第88页 |
| 4．5．9．3 讨论 | 第88-90页 |
| 4．6 决策树 | 第90-94页 |
| 4．6．1 判定树算法的总体框架 | 第90页 |
| 4．6．2 基于判定树归纳分类算法 | 第90-93页 |
| 4．6．3 树的剪裁算法 | 第93页 |
| 4．6．4 规则提取 | 第93页 |
| 4．6．5 遥感影像分类中的决策树应用 | 第93-94页 |
| 4．6．6 决策树技术的发展趋势 | 第94页 |
| 4．7 本章小结 | 第94-95页 |
| 第五章 面向对象的遥感影像数据挖掘技术 | 第95-105页 |
| 5．1 图像的表示 | 第95-96页 |
| 5．1．1 图像向量空间模型 | 第95-96页 |
| 5．1．2 基于MPEG-7的面向对象的图像内容描述模型 | 第96页 |
| 5．2 面向对象的遥感影像数据挖掘 | 第96-99页 |
| 5．2．1 多尺度分割方法(Multiresolution segmentation) | 第96-97页 |
| 5．2．2 区域生长算法(Region Growing) | 第97-99页 |
| 5．2．2．1 一般算法步骤 | 第97-98页 |
| 5．2．2．2 估计对象内部异构性的标准 | 第98-99页 |
| 5．3 影像对象的层次结构 | 第99-100页 |
| 5．4 影像多分辨率的层次结构 | 第100页 |
| 5．5 类的层次结构 | 第100-101页 |
| 5．6 类的描述 | 第101页 |
| 5．7 分类 | 第101-103页 |
| 5．7．1 模糊分类法 | 第101-102页 |
| 5．7．2 最临近分类法 | 第102-103页 |
| 5．7．3 挖掘中应用的分类方法-模糊最临近分类法 | 第103页 |
| 5．7．4 基于特征提取的分类方案 | 第103页 |
| 5．8 实验结果 | 第103-104页 |
| 5．9 本章小结 | 第104-105页 |
| 第六章 基于知识规则的遥感影像数据挖掘技术 | 第105-128页 |
| 6．1 知识与知识源的选择 | 第105页 |
| 6．1．1 知识的解释 | 第105页 |
| 6．1．2 知识源的选择 | 第105页 |
| 6．2 地学知识的表示 | 第105-106页 |
| 6．3 空间数据 | 第106-110页 |
| 6．3．1 空间数据库的组成 | 第106-107页 |
| 6．3．2 空间数据的作用 | 第107页 |
| 6．3．3 直接简单的应用 | 第107-110页 |
| 6．3．3．1 点二系列相关系数 | 第107-108页 |
| 6．3．3．2 地形数据的量化 | 第108-109页 |
| 6．3．3．3 应用模型 | 第109-110页 |
| 6．3．4 基于空间数据库的系统化应用 | 第110页 |
| 6．4 基于空间数据库的遥感图像数据挖掘 | 第110-123页 |
| 6．4．1 从空间数据库中挖掘的知识 | 第110页 |
| 6．4．2 系统框架结构 | 第110-111页 |
| 6．4．3 语义和特征提取 | 第111-115页 |
| 6．4．3．1 颜色特征提取 | 第111-112页 |
| 6．4．3．2 纹理特征提取 | 第112-114页 |
| 6．4．3．3 边缘特征提取 | 第114-115页 |
| 6．4．4 高维数据的特征提取 | 第115-120页 |
| 6．4．3．1 辨别分析特征提取DAFE | 第116页 |
| 6．4．3．2 决策界特征提取DBFE | 第116-117页 |
| 6．4．3．3 实际应用 | 第117-118页 |
| 6．4．3．4 基于DAFE分类实验 | 第118-119页 |
| 6．4．3．5 基于DBFE分类实验 | 第119-120页 |
| 6．4．4 混合光谱特征分析 | 第120-121页 |
| 6．4．5 图像检索 | 第121-122页 |
| 6．4．5．1 图像形状、亮度、颜色、纹理的相似性 | 第121页 |
| 6．4．5．2 图像属性关系图 | 第121页 |
| 6．4．5．3 图像数据检索的步骤 | 第121-122页 |
| 6．4．6 GIS数据特征提取 | 第122页 |
| 6．4．7 挖掘查询语言 | 第122-123页 |
| 6．4．8 数据挖掘功能 | 第123页 |
| 6．5 知识库 | 第123-125页 |
| 6．5．1 知识库的几种表示方法 | 第123-124页 |
| 6．5．1．1 决策树形式 | 第123-124页 |
| 6．5．1．2 模型化形式 | 第124页 |
| 6．5．2 推理机 | 第124-125页 |
| 6．6 实验 | 第125-127页 |
| 6．6．1 实验区的选择 | 第125页 |
| 6．6．2 建立的规则 | 第125-126页 |
| 6．6．3 实验结果 | 第126-127页 |
| 6．7 本章小结 | 第127-128页 |
| 第七章 网络环境下遥感影像数据挖掘技术 | 第128-135页 |
| 7．1 Web数据挖掘 | 第128-129页 |
| 7．1．1 Web数据挖掘是KDD应用于Web数据的扩展 | 第128页 |
| 7．1．2 Web数据挖掘的分类 | 第128-129页 |
| 7．1．2．1 Web内容挖掘 | 第129页 |
| 7．1．2．2 Web结构挖掘 | 第129页 |
| 7．1．2．3 Web访问信息的挖掘 | 第129页 |
| 7．2．1．4 三种Web数据挖掘的比较 | 第129页 |
| 7．2 Web数据挖掘现状 | 第129-131页 |
| 7．2．1 国外的研究现状 | 第129-131页 |
| 7．2．1．1 Web内容挖掘 | 第129-130页 |
| 7．2．1．2 Web结构挖掘 | 第130页 |
| 7．2．1．3 Web访问信息的挖掘 | 第130-131页 |
| 7．2．2 国内的研究现状 | 第131页 |
| 7．3 Web图像挖掘的相关理论与技术 | 第131-132页 |
| 7．3．1 数据挖掘 | 第131页 |
| 7．3．2 WEB上的信息检索 | 第131页 |
| 7．3．3 基于内容的图像检索 | 第131页 |
| 7．3．4 MPEG4对基于内容的视频检索的影响 | 第131-132页 |
| 7．4 Web图像数据挖掘 | 第132-133页 |
| 7．4．1 定义 | 第132页 |
| 7．4．2 系统结构 | 第132-133页 |
| 7．5 遥感影像网络挖掘的系统框架 | 第133页 |
| 7．6 遥感影像网络挖掘今后的研究方向 | 第133页 |
| 7．7 本章小结 | 第133-135页 |
| 第八章 总结与展望 | 第135-137页 |
| 参考文献 | 第137-148页 |
| 攻读博士学位期间主要研究成果 | 第148-149页 |
| 致谢 | 第149页 |
