基于支持向量机的多特征融合云检测研究
致谢 | 第4-5页 |
摘要 | 第5-6页 |
Abstract | 第6页 |
1 绪论 | 第9-16页 |
1.1 研究的背景与意义 | 第9页 |
1.2 国内外研究现状 | 第9-13页 |
1.2.1 云检测现有方法 | 第10-12页 |
1.2.2 云检测现存问题 | 第12-13页 |
1.3 论文的主要研究工作 | 第13-14页 |
1.4 技术路线 | 第14-16页 |
2 基本理论 | 第16-31页 |
2.1 云的形成原理与成像特性分析 | 第16-19页 |
2.1.1 云的物理特性分析 | 第16-17页 |
2.1.2 云的成像特性分析 | 第17页 |
2.1.3 典型云特征 | 第17-19页 |
2.2 分形维数理论 | 第19-20页 |
2.3 多尺度理论与原理 | 第20-24页 |
2.3.1 多尺度表达 | 第20-21页 |
2.3.2 检测基本原理 | 第21-22页 |
2.3.3 检测流程 | 第22-24页 |
2.3.4 分块处理 | 第24页 |
2.4 支持向量机 | 第24-29页 |
2.4.1 线性支持向量机 | 第26页 |
2.4.2 非线性支持向量机 | 第26-28页 |
2.4.3 分类器设计 | 第28-29页 |
2.5 分类精度评价指标 | 第29-30页 |
2.6 本章小结 | 第30-31页 |
3 传统云检测算法分析 | 第31-42页 |
3.1 数据定标 | 第31-33页 |
3.2 传统云检测算法 | 第33-38页 |
3.2.1 多尺度阈值云检测 | 第35-36页 |
3.2.2 光谱特征法云检测 | 第36页 |
3.2.3 NDVI法云检测 | 第36-37页 |
3.2.4 基于面向对象的云检测 | 第37-38页 |
3.3 传统云检测结果定量分析 | 第38-41页 |
3.4 本章小结 | 第41-42页 |
4 支持向量机多特征融合云检测 | 第42-63页 |
4.1 云检测方法选择依据 | 第42-44页 |
4.1.1 分类器的选择 | 第42-43页 |
4.1.2 特征选择 | 第43-44页 |
4.2 云识别分类原则 | 第44-45页 |
4.3 SVM多特征云检测 | 第45-53页 |
4.3.1 特征提取 | 第45-47页 |
4.3.2 多特征融合 | 第47-50页 |
4.3.3 面向对象的后处理 | 第50-53页 |
4.4 云检测结果质量评定 | 第53-58页 |
4.4.1 STN与单一特征对比分析 | 第54-56页 |
4.4.2 STN与传统云检测算法对比分析 | 第56-58页 |
4.5 扩展性实验 | 第58-62页 |
4.5.1 Landsat影像云检测 | 第59-60页 |
4.5.2 Spot影像云检测 | 第60-62页 |
4.6 本章小结 | 第62-63页 |
5 结论与展望 | 第63-65页 |
5.1 结论 | 第63-64页 |
5.2 展望 | 第64-65页 |
参考文献 | 第65-69页 |
作者简历 | 第69-71页 |
学位论文数据集 | 第71页 |