基于SVM的高分图像自动分类算法研究与系统实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的背景与研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 研究的主要内容 | 第12-13页 |
| 1.4 论文的章节安排 | 第13-15页 |
| 第2章 支持向量机高分图像分类的理论基础 | 第15-31页 |
| 2.1 统计学习理论概述 | 第15-18页 |
| 2.1.1 VC维 | 第16-17页 |
| 2.1.2 结构风险最小化准则 | 第17-18页 |
| 2.2 支持向量机的基本思想 | 第18-28页 |
| 2.2.1 线性可分情况 | 第18-21页 |
| 2.2.2 近似线性可分情况 | 第21-22页 |
| 2.2.3 非线性情况 | 第22-23页 |
| 2.2.4 C-支持向量机 | 第23-24页 |
| 2.2.5 SVM多类分类法 | 第24页 |
| 2.2.6 核函数和参数的选取 | 第24-28页 |
| 2.3 分类评价指标 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 支持向量机高分图像分类 | 第31-49页 |
| 3.1 分类流程 | 第31页 |
| 3.2 训练样本选择 | 第31-32页 |
| 3.3 特征提取 | 第32-36页 |
| 3.3.1 光谱特征提取与改进 | 第32-33页 |
| 3.3.2 纹理特征提取与改进 | 第33-36页 |
| 3.4 分类器设计与仿真 | 第36-47页 |
| 3.4.1 分类器性能提升 | 第38-40页 |
| 3.4.2 可视化分析 | 第40页 |
| 3.4.3 基于光谱特征的仿真与分析 | 第40-44页 |
| 3.4.4 基于纹理特征的仿真与分析 | 第44-45页 |
| 3.4.5 基于光谱和纹理特征的仿真与分析 | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 高分图像分类系统设计与实现 | 第49-63页 |
| 4.1 需求分析 | 第49-50页 |
| 4.2 方案设计 | 第50-52页 |
| 4.2.1 总体思路 | 第50-51页 |
| 4.2.2 界面设计 | 第51-52页 |
| 4.2.3 模块划分 | 第52页 |
| 4.3 功能模块设计与实现 | 第52-59页 |
| 4.3.1 特征提取 | 第52页 |
| 4.3.2 训练过程 | 第52-57页 |
| 4.3.3 预测过程 | 第57-58页 |
| 4.3.4 分类效果评估 | 第58-59页 |
| 4.4 软件操作说明 | 第59-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 高分图像分类系统功能评价 | 第63-71页 |
| 5.1 实验数据资料介绍 | 第63-66页 |
| 5.1.1 数据分析 | 第63-65页 |
| 5.1.2 数据预处理 | 第65-66页 |
| 5.2 分类性能评估 | 第66-70页 |
| 5.3 系统稳定性和效率评价 | 第70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间所发表的论文 | 第77-79页 |
| 致谢 | 第79页 |
