| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 图目录 | 第11-14页 |
| 表目录 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| ·研究背景及意义 | 第15-17页 |
| ·模式识别与遥感影像分类 | 第15-16页 |
| ·遥感影像分类的意义 | 第16-17页 |
| ·遥感影像分类方法及研究现状 | 第17-25页 |
| ·常见的遥感影像分类方法 | 第17-22页 |
| ·遥感影像分类的国内外研究现状 | 第22-25页 |
| ·本文的主要内容及章节安排 | 第25-27页 |
| ·本文的主要研究内容 | 第25-26页 |
| ·本文的章节安排 | 第26-27页 |
| ·本文的创新点 | 第27-29页 |
| 第二章 遥感影像及其特征提取方法 | 第29-50页 |
| ·遥感影像介绍 | 第29-34页 |
| ·Landsat TM影像 | 第31-32页 |
| ·QuickBird影像 | 第32-34页 |
| ·光谱特征提取 | 第34-38页 |
| ·光谱指数特征 | 第34-36页 |
| ·LBV特征 | 第36-38页 |
| ·纹理特征提取 | 第38-47页 |
| ·GLCM纹理特征 | 第39-43页 |
| ·Gabor纹理特征 | 第43-47页 |
| ·本章小结 | 第47-50页 |
| 第三章 粗糙集理论在特征选择中的应用 | 第50-56页 |
| ·粗糙集理论介绍 | 第50-54页 |
| ·粗糙集中的几个重要概念 | 第50-53页 |
| ·粗糙集的优缺点 | 第53-54页 |
| ·基于可辨识矩阵的属性约简算法 | 第54-55页 |
| ·基于属性约简的遥感影像特征选择 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第四章 支持向量机分类器算法 | 第56-80页 |
| ·统计学习理论基础 | 第56-60页 |
| ·SVM的基本思想 | 第60-72页 |
| ·最优分类面 | 第60-64页 |
| ·广义最优分类面 | 第64-68页 |
| ·核函数原理 | 第68-72页 |
| ·SVM分类器的构建 | 第72-76页 |
| ·SVM分类器的原理 | 第72-74页 |
| ·SVM多类分类问题 | 第74-75页 |
| ·SVM分类器的训练和分类过程 | 第75-76页 |
| ·SVM分类器的特点及实现 | 第76-79页 |
| ·SVM分类器的特点 | 第76-77页 |
| ·SVM分类器的实现平台 | 第77-78页 |
| ·SVM解决实际问题的步骤 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 SVM核函数及训练样本对分类器的影响 | 第80-100页 |
| ·SVM核函数选择对分类实验的影响 | 第82-90页 |
| ·基于Linear核函数的TM影像分类实验 | 第82-83页 |
| ·基于Polynomial核函数的TM影像分类实验 | 第83-86页 |
| ·基于RBF核函数的TM影像分类实验 | 第86-88页 |
| ·基于Sigmoid核函数的TM影像分类实验 | 第88-89页 |
| ·实验小结 | 第89-90页 |
| ·训练样本选择对SVM分类实验的影响 | 第90-98页 |
| ·典型训练样本的SVM分类实验 | 第91-92页 |
| ·非典型训练样本的SVM分类实验 | 第92-93页 |
| ·自动标注训练样本的SVM分类实验 | 第93-97页 |
| ·实验小结 | 第97-98页 |
| ·本章小结 | 第98-100页 |
| 第六章 不同特征组合下的TM影像分类 | 第100-124页 |
| ·光谱特征的分类实验 | 第102-108页 |
| ·基于原始光谱特征的分类实验 | 第102-104页 |
| ·基于光谱指数特征的分类实验 | 第104-106页 |
| ·基于LBV特征的分类实验 | 第106-108页 |
| ·实验小结 | 第108页 |
| ·原始光谱+纹理特征的分类实验 | 第108-118页 |
| ·3×3窗口的GLCM纹理特征分类实验 | 第108-111页 |
| ·5×5窗口的GLCM纹理特征分类实验 | 第111-113页 |
| ·7×7窗口的GLCM纹理特征分类实验 | 第113-115页 |
| ·Gabor纹理特征的分类实验 | 第115-118页 |
| ·实验小结 | 第118页 |
| ·属性约简后的多特征组合分类实验 | 第118-121页 |
| ·本章小结 | 第121-124页 |
| 第七章 遥感影像自动分类系统的实现 | 第124-144页 |
| ·分类系统的构建 | 第124-134页 |
| ·特征提取及组合模块 | 第125-128页 |
| ·特征自动筛选模块 | 第128-130页 |
| ·训练样本自动选择模块 | 第130-132页 |
| ·SVM参数寻优及分类模块 | 第132-134页 |
| ·实验验证 | 第134-143页 |
| ·TM影像分类效果对比 | 第134-139页 |
| ·最小距离分类法 | 第135-136页 |
| ·最大似然分类法 | 第136-137页 |
| ·马氏距离法分类法 | 第137页 |
| ·本系统分类方法 | 第137-139页 |
| ·QB影像分类效果对比 | 第139-143页 |
| ·最小距离分类法 | 第140-141页 |
| ·最大似然分类法 | 第141页 |
| ·马氏距离法分类法 | 第141-142页 |
| ·本系统分类方法 | 第142-143页 |
| ·本章小结 | 第143-144页 |
| 第八章 总结与展望 | 第144-148页 |
| ·论文主要工作总结 | 第144-145页 |
| ·论文不足及未来工作展望 | 第145-148页 |
| 致谢 | 第148-150页 |
| 参考文献 | 第150-156页 |
| 附录 攻读硕士期间发表的学术论文 | 第156页 |