| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究动态 | 第12-13页 |
| 1.3 存在的问题 | 第13页 |
| 1.4 论文的总体结构 | 第13-15页 |
| 第2章 分类器集成基本原理 | 第15-23页 |
| 2.1 机器学习与图像分类技术 | 第15-16页 |
| 2.2 分类器集成关键技术和方法 | 第16-17页 |
| 2.2.1 分类器集成 | 第16页 |
| 2.2.2 多分类器集成的系统架构 | 第16-17页 |
| 2.2.3 多分类器集成方式 | 第17页 |
| 2.3 多分类器集差异性度量 | 第17-20页 |
| 2.3.1 多分类器差异性 | 第17-18页 |
| 2.3.2 差异性度量方法 | 第18-20页 |
| 2.4 多分类器集成精度评价方法 | 第20-22页 |
| 2.4.1 交叉验证 | 第20-21页 |
| 2.4.2 分类精度的评价标准 | 第21-22页 |
| 2.5 小结 | 第22-23页 |
| 第3章 遥感影像分类方法研究 | 第23-40页 |
| 3.1 遥感影像分类算法研究 | 第23-31页 |
| 3.1.1 决策树分类 | 第23-25页 |
| 3.1.2 SVM 分类算法 | 第25-27页 |
| 3.1.3 神经网络算法 | 第27-29页 |
| 3.1.4 贝叶斯分类 | 第29-30页 |
| 3.1.5 K 邻近分类算法 | 第30-31页 |
| 3.2 面向对象分类技术 | 第31-35页 |
| 3.2.1 面向对象分类的基本概念 | 第31页 |
| 3.2.2 影像分割原理 | 第31-33页 |
| 3.2.3 影像分割常用方法 | 第33-34页 |
| 3.2.4 面向对象分类流程 | 第34-35页 |
| 3.3 实验分析 | 第35-39页 |
| 3.4 小结 | 第39-40页 |
| 第4章 基于投票方法的多分类器集成研究 | 第40-55页 |
| 4.1 投票法多分类器集成的基本原理 | 第40-42页 |
| 4.2 改进的 AdaBoosting 算法分类器加权投票集成 | 第42-47页 |
| 4.2.1 抽样方法的改进 | 第42-43页 |
| 4.2.2 投票方法的改进 | 第43-46页 |
| 4.2.3 改进方法的特点 | 第46-47页 |
| 4.3 基于类别信息分类器投票集成 | 第47-50页 |
| 4.3.1 基于识别性能矩阵投票集成 | 第47-49页 |
| 4.3.2 基于类别权重的加权投票集成 | 第49-50页 |
| 4.4 基于全信息相关度的多分类器投票集成 | 第50-54页 |
| 4.4.1 全信息矩阵 | 第51页 |
| 4.4.2 待测样本有效邻域 | 第51-52页 |
| 4.4.3 全信息相关度 | 第52-53页 |
| 4.4.4 基于全信息相关度分类器组合 | 第53-54页 |
| 4.5 小结 | 第54-55页 |
| 第5章 实验分析 | 第55-72页 |
| 5.1 实验目的 | 第55页 |
| 5.2 数据准备 | 第55-56页 |
| 5.2.1 研究区域概况 | 第55-56页 |
| 5.2.2 影像分割 | 第56页 |
| 5.2.3 样本采集 | 第56页 |
| 5.3 实验流程 | 第56-70页 |
| 5.3.1 基分类器选择 | 第56-61页 |
| 5.3.2 组合分类器遥感影像分类 | 第61-67页 |
| 5.3.3 基于改进 AdaBoosting 算法遥感影像分类 | 第67-70页 |
| 5.4 分析与结论 | 第70-72页 |
| 第6章 结论与展望 | 第72-75页 |
| 6.1 主要工作和结论 | 第72-73页 |
| 6.2 创新点 | 第73-74页 |
| 6.3 展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读学位期间的研究成果 | 第78-79页 |
| 致谢 | 第79页 |