| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题背景、来源及意义 | 第8-9页 |
| 1.2 国内外研究发展现状与分析 | 第9-15页 |
| 1.2.1 天基大气背景测量发展现状 | 第9-11页 |
| 1.2.2 遥感图像特征表达方法 | 第11-13页 |
| 1.2.3 基于支持向量机的图像分类 | 第13-14页 |
| 1.2.4 基于BP神经网络的图像分类 | 第14-15页 |
| 1.3 主要研究内容及结构安排 | 第15-17页 |
| 第2章 红外云背景图像特征表达方法 | 第17-30页 |
| 2.1 云图像分类有效特征分析 | 第17-18页 |
| 2.2 红外云背景图像统计特征提取 | 第18-25页 |
| 2.2.1 灰度直方图 | 第18-21页 |
| 2.2.2 灰度差分向量 | 第21-22页 |
| 2.2.3 和差直方图 | 第22-25页 |
| 2.3 红外云背景图像分形特征提取 | 第25-27页 |
| 2.4 红外云背景图像小波特征提取 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 面向分类试验的数据预处理方法 | 第30-47页 |
| 3.1 针对实测数据的有效性筛选 | 第30-42页 |
| 3.1.1 测量相机工作原理及无效数据产生原因 | 第30-32页 |
| 3.1.2 无效数据特征分析 | 第32-38页 |
| 3.1.3 无效数据剔除方法 | 第38页 |
| 3.1.4 无效数据剔除结果 | 第38-42页 |
| 3.2 基于风云卫星云分类产品的数据初步分类 | 第42-45页 |
| 3.2.1 风云卫星云分类产品数据格式及数据库的构建 | 第42-43页 |
| 3.2.2 风云卫星分类数据与实测数据的时空匹配方法 | 第43-44页 |
| 3.2.3 匹配结果分析 | 第44-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第4章 红外云背景图像的分类方法 | 第47-60页 |
| 4.1 基于支持向量机的云图像分类 | 第47-50页 |
| 4.1.1 基于支持向量机的红外云背景分类方法 | 第47-48页 |
| 4.1.2 投票决策模型在多分类问题中的应用 | 第48-49页 |
| 4.1.3 分类试验结果及分析 | 第49-50页 |
| 4.2 基于BP神经网络的云图像分类 | 第50-54页 |
| 4.2.1 基于神经网络的红外云背景分类方法 | 第50-52页 |
| 4.2.2 云背景图像神经网络分类器的设计与实现 | 第52-53页 |
| 4.2.3 分类试验结果及分析 | 第53-54页 |
| 4.3 一种基于SOM和SVM的主动学习方法 | 第54-59页 |
| 4.3.1 基于SOM的红外云图像聚类方法 | 第54-56页 |
| 4.3.2 主动学习方法的实现 | 第56-58页 |
| 4.3.3 分类试验结果及分析 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 基于分类结果的云场景仿真应用 | 第60-68页 |
| 5.1 基于实测数据的云分类知识库构建 | 第60-61页 |
| 5.2 基于重投影模型的背景图像拼接 | 第61-65页 |
| 5.2.1 重投影模型的建立 | 第61-62页 |
| 5.2.2 快速空间变换方法 | 第62-64页 |
| 5.2.3 图像重采样 | 第64-65页 |
| 5.3 红外云场景图像仿真实例 | 第65-67页 |
| 5.4 本章小节 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间发表的学术论文及科研成果 | 第72-74页 |
| 致谢 | 第74页 |