基于局部支持向量机的高分辨率遥感图像分类
| 作者简介 | 第6-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第16-29页 |
| §1.1 研究的背景和意义 | 第16-17页 |
| §1.2 传统的遥感图像分类方法 | 第17-23页 |
| 1.2.1 遥感图像分类技术发展 | 第17-18页 |
| 1.2.2 基于监督学习的遥感图像分类方法 | 第18-22页 |
| 1.2.3 基于非监督学习的遥感图像分类方法 | 第22-23页 |
| §1.3 遥感图像分类的新方法 | 第23-25页 |
| 1.3.1 多特征融合的遥感图像分类方法 | 第24页 |
| 1.3.2 多分类器融合的遥感图像分类方法 | 第24-25页 |
| §1.4 论文的研究工作与结构安排 | 第25-29页 |
| 1.4.1 课题来源 | 第25-26页 |
| 1.4.2 研究目的 | 第26页 |
| 1.4.3 研究内容 | 第26-27页 |
| 1.4.4 研究方法 | 第27页 |
| 1.4.5 论文的组织结构 | 第27-29页 |
| 第二章 机器学习与支持向量机理论 | 第29-48页 |
| §2.1 机器学习相关理论 | 第29-33页 |
| 2.1.1 机器学习模型 | 第29-30页 |
| 2.1.2 机器学习的发展 | 第30页 |
| 2.1.3 经验风险最小化 | 第30-31页 |
| 2.1.4 统计学习理论 | 第31-33页 |
| §2.2 支持向量机基本理论 | 第33-42页 |
| 2.2.1 线性分类器 | 第33-35页 |
| 2.2.2 分类器求解 | 第35-36页 |
| 2.2.3 核函数 | 第36-38页 |
| 2.2.4 不可分问题 | 第38-39页 |
| 2.2.5 支持向量机的特点 | 第39-42页 |
| §2.3 局部支持向量机 | 第42-47页 |
| 2.3.1 基于局部乘子的支持向量机 | 第42-43页 |
| 2.3.2 SVM-KNN算法 | 第43页 |
| 2.3.3 KNNSVM算法 | 第43-44页 |
| 2.3.4 LSVM算法 | 第44页 |
| 2.3.5 PSVM | 第44-45页 |
| 2.3.6 FSVM | 第45-47页 |
| §2.4 本章小节 | 第47-48页 |
| 第三章 基于多特征融合的高分辨率遥感图像特征提取 | 第48-62页 |
| §3.1 高分辨率遥感图像的颜色特征 | 第48-51页 |
| 3.1.1 RGB颜色空间 | 第48-49页 |
| 3.1.2 HSV颜色空间 | 第49-50页 |
| 3.1.3 RGB到HSV的转换 | 第50-51页 |
| §3.2 高分辨率遥感图像纹理特征 | 第51-55页 |
| 3.2.1 纹理特征 | 第51页 |
| 3.2.2 提取纹理特征的方法 | 第51-52页 |
| 3.2.3 灰度共生矩阵 | 第52-55页 |
| §3.3 基于特征融合的高分辨率遥感图像特征提取 | 第55-57页 |
| 3.3.1 特征提取与融合 | 第55-56页 |
| 3.3.2 特征值归一化 | 第56-57页 |
| §3.4 遥感图像处理软件 | 第57-61页 |
| 3.4.1 软件操作流程 | 第57-60页 |
| 3.4.2 实验用数据 | 第60-61页 |
| §3.5 本章小节 | 第61-62页 |
| 第四章 改进的局部支持向量机算法 | 第62-80页 |
| §4.1 KNNSVM算法 | 第62-66页 |
| 4.1.1 KNNSVM的算法描述 | 第62-63页 |
| 4.1.2 KNNSVM存在的不足 | 第63-66页 |
| §4.2 Beta分布 | 第66-67页 |
| 4.2.1 Beta分布定义 | 第66页 |
| 4.2.2 二项式分布与Beta分布 | 第66-67页 |
| 4.2.3 Beta分布的性质 | 第67页 |
| §4.3 基于不确定性的BKNNSVM算法 | 第67-70页 |
| 4.3.1 基于Beta分布的不确定性计算 | 第67-68页 |
| 4.3.2 BKNNSVM算法描述 | 第68-70页 |
| §4.4 实验及实验结果分析 | 第70-79页 |
| 4.4.1 实验数据 | 第70-71页 |
| 4.4.2 实验方案 | 第71页 |
| 4.4.3 实验结果 | 第71-79页 |
| §4.5 本章小结 | 第79-80页 |
| 第五章 基于距离感知的局部支持向量机 | 第80-96页 |
| §5.1 支持向量机特点分析 | 第80-83页 |
| 5.1.1 算法运行时间对比 | 第80-81页 |
| 5.1.2 算法分类精度对比 | 第81页 |
| 5.1.3 SVM的错分样本特征 | 第81-83页 |
| §5.2 主动学习方法 | 第83-87页 |
| 5.2.1 主动学习方法概述 | 第84页 |
| 5.2.2 主动学习方法的流程 | 第84-85页 |
| 5.2.3 主动学习的采样策略 | 第85-87页 |
| §5.3 DLSVM | 第87-89页 |
| 5.3.1 DLSVM算法描述 | 第87页 |
| 5.3.2 DLSVM算法流程 | 第87-88页 |
| 5.3.3 DLSVM算法特点 | 第88-89页 |
| §5.4 实验结果 | 第89-95页 |
| 5.4.1 实验数据 | 第89页 |
| 5.4.2 实验方案 | 第89页 |
| 5.4.3 实验结果 | 第89-95页 |
| §5.5 本章小结 | 第95-96页 |
| 第六章 基于局部支持向量机的多类分类 | 第96-111页 |
| §6.1 SVM多类分类方法 | 第96-100页 |
| 6.1.1 直接法 | 第96-97页 |
| 6.1.2 一对多分类法 | 第97页 |
| 6.1.3 一对一分类法 | 第97-98页 |
| 6.1.4 有向无环图支持向量机 | 第98-99页 |
| 6.1.5 二叉树SVM多类分类算法 | 第99-100页 |
| 6.1.6 SVM多类分类的新方法 | 第100页 |
| §6.2 基于局部支持向量机的多类分类算法 | 第100-103页 |
| 6.2.1 传统多分类SVM分类器的不足 | 第100-101页 |
| 6.2.2 DAGLSVM算法原理 | 第101-102页 |
| 6.2.3 DAGLSVM算法描述 | 第102-103页 |
| §6.3 实验结果分析 | 第103-110页 |
| 6.3.1 实验数据 | 第103-104页 |
| 6.3.2 实验方案 | 第104页 |
| 6.3.3 实验结果 | 第104-110页 |
| §6.4 本章小结 | 第110-111页 |
| 第七章 总结与展望 | 第111-113页 |
| §7.1 全文总结 | 第111-112页 |
| §7.2 研究展望 | 第112-113页 |
| 致谢 | 第113-114页 |
| 参考文献 | 第114-125页 |
| 附录1 | 第125页 |
