基于非光谱信息的龙口市土地利用遥感分类方法研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 1 绪论 | 第10-14页 |
| ·引言 | 第10-11页 |
| ·遥感技术发展状况 | 第11-13页 |
| ·国外发展状况 | 第11-12页 |
| ·国内发展状况 | 第12-13页 |
| ·图像分类的意义 | 第13-14页 |
| 2. 遥感图像分类方法 | 第14-20页 |
| ·监督分类 | 第14-17页 |
| ·最小距离法 | 第14-15页 |
| ·多级切割法 | 第15页 |
| ·特征曲线窗口法 | 第15-16页 |
| ·最大似然法 | 第16-17页 |
| ·非监督分类 | 第17-18页 |
| ·分级集群法 | 第17-18页 |
| ·动态聚类法 | 第18页 |
| ·专家分类 | 第18页 |
| ·人工神经网络分类 | 第18-19页 |
| ·模糊分类 | 第19-20页 |
| ·基于知识的遥感图像分类 | 第20页 |
| 3 研究影像特征及特征选择 | 第20-26页 |
| ·数据介绍 | 第20-21页 |
| ·数据预处理 | 第21-23页 |
| ·辐射校正 | 第22页 |
| ·噪声剔除 | 第22页 |
| ·影像纠正 | 第22-23页 |
| ·TM 影像特征及最佳波段组合 | 第23-26页 |
| ·TM 影像的特征 | 第23页 |
| ·TM 影像各波段之间的相关性 | 第23-25页 |
| ·基于信息量的 TM 波段最佳波段组合 | 第25-26页 |
| 4 研究区训练样本的选取纯化及先验概率的确定 | 第26-41页 |
| ·研究区概况 | 第26-27页 |
| ·研究区域地物类型 | 第27-28页 |
| ·研究区样本的选取 | 第28-35页 |
| ·建立目视解译标志 | 第28-31页 |
| ·实地调查采集 | 第31-32页 |
| ·高分辨率作为参考选择训练样本 | 第32-34页 |
| ·样本的选取 | 第34-35页 |
| ·训练样本的评估 | 第35-37页 |
| ·TM 影像训练样本的评估 | 第35-36页 |
| ·融合 DEM 的 TM 影像训练样本的评估 | 第36-37页 |
| ·两种训练样区选择的优劣 | 第37页 |
| ·分类方案的确定 | 第37-38页 |
| ·训练样区的纯化 | 第38-40页 |
| ·先验概率的确定 | 第40-41页 |
| 5. 监督分类 | 第41-51页 |
| ·分类模板的评价 | 第42-43页 |
| ·最大似然法分类 | 第43-45页 |
| ·分类结果评价 | 第45-51页 |
| ·误差的产生 | 第45页 |
| ·精度评价方法 | 第45-51页 |
| 6 引入非光谱信息的遥感影像分类 | 第51-61页 |
| ·最大似然法分类 | 第51-56页 |
| ·引入 DEM 信息的最大似然法分类 | 第51-54页 |
| ·引入坡度的最大似然法分类 | 第54-55页 |
| ·引入坡度变化的最大似然法分类 | 第55页 |
| ·各地形因子对分类的重要性分析 | 第55-56页 |
| ·决策树分类方法 | 第56-58页 |
| ·决策树的算法 | 第56-57页 |
| ·地物波谱特征分析 | 第57-58页 |
| ·决策树判别规则与建立 | 第58页 |
| ·神经网络分类 | 第58-60页 |
| ·神经网络的构成 | 第58-59页 |
| ·神经网络的设计 | 第59-60页 |
| ·引入 DEM 的神经网络分类 | 第60页 |
| ·精度分析 | 第60-61页 |
| ·分类后的综合处理 | 第61页 |
| 7 结论与展望 | 第61-64页 |
| ·结论 | 第61-63页 |
| ·不足与展望 | 第63-64页 |
| ·不足 | 第63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68页 |
