| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第14-27页 |
| 1.1 课题背景及研究的目的和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-25页 |
| 1.2.1 多角度立体信息优化获取技术研究现状 | 第16-19页 |
| 1.2.2 遥感立体特征提取技术研究现状 | 第19-22页 |
| 1.2.3 遥感领域目标识别技术研究现状 | 第22-25页 |
| 1.3 本文的主要研究内容及结构安排 | 第25-27页 |
| 第2章 目标遥感立体信息优化获取及识别基础理论 | 第27-49页 |
| 2.1 目标遥感立体信息的定义 | 第27-28页 |
| 2.2 遥感立体信息优化获取技术 | 第28-35页 |
| 2.2.1 遥感立体信息获取基本原理 | 第28-34页 |
| 2.2.2 遥感立体信息优化获取基本原理 | 第34-35页 |
| 2.3 遥感立体特征提取技术 | 第35-40页 |
| 2.3.1 遥感光学图像特征提取 | 第36-39页 |
| 2.3.2 遥感三维特征提取 | 第39-40页 |
| 2.4 遥感领域的目标识别技术 | 第40-48页 |
| 2.4.1 目标识别基本问题 | 第40-44页 |
| 2.4.2 支持向量机 | 第44-48页 |
| 2.5 本章小结 | 第48-49页 |
| 第3章 基于多角度的目标立体信息优化获取技术 | 第49-72页 |
| 3.1 引言 | 第49-51页 |
| 3.1.1 关于观测角度的说明 | 第49-50页 |
| 3.1.2 多角度立体信息优化获取的基本流程及问题 | 第50-51页 |
| 3.2 多角度目标立体信息获取充分性评估模型 | 第51-57页 |
| 3.2.1 多角度目标立体信息获取约束条件分析 | 第51-53页 |
| 3.2.2 目标立体信息的多面化分解 | 第53-54页 |
| 3.2.3 面向多角度目标立体信息获取充分性评估的AE-MSIA模型 | 第54-57页 |
| 3.3 基于人工蜂群算法的AE-MSIA模型求解 | 第57-70页 |
| 3.3.1 人工蜂群算法 | 第59-62页 |
| 3.3.2 多角度目标遥感立体信息优化获取实验 | 第62-70页 |
| 3.4 本章小结 | 第70-72页 |
| 第4章 基于目标遥感立体信息的特征提取技术 | 第72-97页 |
| 4.1 引言 | 第72-73页 |
| 4.2 基于球谐函数的目标三维特征提取 | 第73-88页 |
| 4.2.1 球谐函数与球谐描述子 | 第73-81页 |
| 4.2.2 3D-Zernike描述子 | 第81-88页 |
| 4.3 目标立体特征的性能比较和分析 | 第88-95页 |
| 4.3.1 3D-Zernike描述子与传统三维特征的性能比较分析 | 第88-91页 |
| 4.3.2 图像特征对三维特征的补充作用分析 | 第91-95页 |
| 4.4 本章小结 | 第95-97页 |
| 第5章 基于立体特征和优化分类器的目标识别技术 | 第97-117页 |
| 5.1 引言 | 第97页 |
| 5.2 面向精确目标识别的分类器优化需求分析 | 第97-102页 |
| 5.2.1 基于高性能立体特征的目标识别的优势分析 | 第97-100页 |
| 5.2.2 基于低性能立体特征的目标识别对分类器优化的需求分析 | 第100-102页 |
| 5.3 面向两类识别问题的分类器优化 | 第102-108页 |
| 5.3.1 基于人工蜂群算法的SVM参数优化 | 第102-105页 |
| 5.3.2 不同核函数类型的SVM优化及分析 | 第105-108页 |
| 5.4 面向多类识别问题的分类器优化 | 第108-116页 |
| 5.4.1 面向多类目标识别的SVM参数优化问题分析 | 第108-109页 |
| 5.4.2 动态人工蜂群算法 | 第109-111页 |
| 5.4.3 面向多类问题的SVM优化及目标识别实验 | 第111-116页 |
| 5.5 本章小结 | 第116-117页 |
| 结论 | 第117-119页 |
| 参考文献 | 第119-131页 |
| 攻读博士学位期间发表的论文及其它成果 | 第131-133页 |
| 致谢 | 第133-134页 |
| 个人简历 | 第134页 |
