| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究目的与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·传统的方法 | 第12页 |
| ·多种数据相结合的方法 | 第12页 |
| ·面向对象的方法 | 第12-13页 |
| ·基于人工神经网络的方法 | 第13页 |
| ·研究的主要内容及方法 | 第13-15页 |
| ·主要研究内容 | 第13-14页 |
| ·研究方法及技术路线 | 第14-15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 GOOGLE EARTH 影像获取及图像预处理 | 第17-23页 |
| ·实验数据来源及研究区域介绍 | 第17-18页 |
| ·Google Earth 数据来源介绍 | 第17页 |
| ·研究区域介绍 | 第17-18页 |
| ·图像预处理 | 第18-21页 |
| ·辐射校正 | 第18-19页 |
| ·几何校正 | 第19-20页 |
| ·图像去噪、滤波 | 第20-21页 |
| ·图象增强 | 第21页 |
| ·本章小结 | 第21-23页 |
| 第三章 图像特征提取及优选 | 第23-32页 |
| ·特征提取 | 第23-30页 |
| ·灰度特征 | 第23页 |
| ·纹理特征 | 第23-24页 |
| ·灰度共生矩阵概述 | 第24-29页 |
| ·基于灰度共生矩阵的纹理特征提取 | 第29-30页 |
| ·特征优选 | 第30-31页 |
| ·主成分分析法 | 第30页 |
| ·主成分分析方法步骤 | 第30页 |
| ·特征量优选结果 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于BP 网络的乡镇土地分类方法 | 第32-41页 |
| ·人工神经网络概述 | 第32页 |
| ·BP 神经网络概述 | 第32-35页 |
| ·BP 神经网络基本原理 | 第32-34页 |
| ·BP 神经网络的优劣点 | 第34-35页 |
| ·基于BP 网络的乡镇土地分类方法 | 第35-37页 |
| ·BP 网络结构参数设置 | 第35-36页 |
| ·BP 网络分类流程 | 第36-37页 |
| ·分类结果与精度评价 | 第37-39页 |
| ·分类结果 | 第37页 |
| ·精度评价 | 第37-39页 |
| ·分析比较 | 第39页 |
| ·本章小结 | 第39-41页 |
| 第五章 基于K-MEANS 算法的乡镇土地分类方法 | 第41-48页 |
| ·K-MEANS 算法介绍 | 第41-42页 |
| ·K-means 算法原理 | 第41页 |
| ·K-means 算法步骤 | 第41-42页 |
| ·实验数据与实验流程 | 第42-43页 |
| ·实验数据 | 第42-43页 |
| ·实验流程 | 第43页 |
| ·RGB 颜色空间转换成CIE LAB 颜色空间 | 第43-44页 |
| ·RGB 颜色空间 | 第43页 |
| ·CIE Lab 颜色空间 | 第43-44页 |
| ·RGB 颜色空间转换成CIE L*a*b*颜色空间 | 第44页 |
| ·CIE LAB 空间K-MEANS 聚类 | 第44-46页 |
| ·Hill-climbing 算法 | 第45页 |
| ·K-means 聚类过程 | 第45-46页 |
| ·聚类结果与精度评价 | 第46-47页 |
| ·聚类结果 | 第46-47页 |
| ·精度评价 | 第47页 |
| ·分析比较 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第六章 结论与展望 | 第48-50页 |
| ·结论 | 第48页 |
| ·展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
