| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究目的和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 基于像元分类的国内外研究现状 | 第8-9页 |
| 1.2.2 面向对象分类的国内外研究现状 | 第9页 |
| 1.3 主要研究内容和章节安排 | 第9-11页 |
| 第二章 基于像元的地物信息分类方法 | 第11-26页 |
| 2.1 监督分类方法 | 第11-22页 |
| 2.1.1 最小距离法 | 第12-13页 |
| 2.1.2 最大似然法 | 第13-14页 |
| 2.1.3 BP神经网络法 | 第14-17页 |
| 2.1.4 支持向量机法 | 第17-22页 |
| 2.2 非监督分类方法 | 第22-25页 |
| 2.2.1 ISODATA算法 | 第22-24页 |
| 2.2.2 K-means算法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 面向对象的地物信息分类方法 | 第26-35页 |
| 3.1 影像特征 | 第26-29页 |
| 3.1.1 光谱特征 | 第26-27页 |
| 3.1.2 形状特征 | 第27-28页 |
| 3.1.3 纹理特征 | 第28-29页 |
| 3.2 影像分割理论 | 第29-30页 |
| 3.3 影像融合理论 | 第30页 |
| 3.4 影像信息提取理论 | 第30-34页 |
| 3.4.1 隶属函数 | 第31-32页 |
| 3.4.2 模糊分类 | 第32-33页 |
| 3.4.3 模糊分类流程 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 实验结果与数据分析 | 第35-48页 |
| 4.1 分类精度评价方法 | 第35-37页 |
| 4.2 基于监督分类的长春市典型地物信息提取 | 第37-40页 |
| 4.2.1 选取地物训练样本 | 第37页 |
| 4.2.2 监督分类法效果及精度评价 | 第37-40页 |
| 4.3 基于非监督分类的长春市典型地物信息提取 | 第40-41页 |
| 4.4 面向对象分类的长春市典型地物信息提取 | 第41-46页 |
| 4.4.1 遥感影像基于Sobel边缘算子分割 | 第41-42页 |
| 4.4.2 基于Full Lambda Schedule算法的影像融合 | 第42-43页 |
| 4.4.3 遥感影像信息提取 | 第43-46页 |
| 4.4.4 面向对象分类方法精度评价 | 第46页 |
| 4.5 基于像元分类方法与面向对象分类方法分类精度比较 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 结论与展望 | 第48-50页 |
| 5.1 结论 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 作者简介及科研成果 | 第52-53页 |
| 致谢 | 第53页 |