基于支持向量机的遥感影像分类研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 1 前言 | 第9-13页 |
| ·论文的研究背景 | 第9-11页 |
| ·论文研究方法 | 第11-13页 |
| 2 统计学习理论和支持向量机理论 | 第13-28页 |
| ·统计学习理论 | 第13-18页 |
| ·计算机学习问题 | 第13-15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·VC 维 | 第16页 |
| ·推广性的界 | 第16-17页 |
| ·结构风险最小化原则 | 第17-18页 |
| ·支持向量机 | 第18-24页 |
| ·最佳分类面 | 第19-22页 |
| ·支持向量机原理 | 第22-23页 |
| ·核函数 | 第23-24页 |
| ·支持向量机分类原理的特点 | 第24页 |
| ·基于多分类的支持向量机原理 | 第24-28页 |
| ·基于“一对一”方法的多分类支持向量机 | 第25-26页 |
| ·基于“一对多”方法的多分类支持向量机 | 第26页 |
| ·基于决策分类树的多分类支持向量机 | 第26-28页 |
| 3 实验数据准备与处理 | 第28-35页 |
| ·实验数据准备 | 第28-29页 |
| ·影像数据预处理 | 第29-32页 |
| ·影像的辐射校正 | 第29-30页 |
| ·影像的几何校正 | 第30-32页 |
| ·遥感影像的特征提取 | 第32-35页 |
| ·遥感影像光谱特征提取 | 第33-34页 |
| ·遥感影像最佳波段组合 | 第34-35页 |
| 4 遥感影像分类对比实验 | 第35-52页 |
| ·基于支持向量机的遥感影像分类 | 第35-39页 |
| ·训练样本的选择 | 第35-36页 |
| ·基于支持向量机的分类 | 第36-38页 |
| ·支持向量机最优分类器选取 | 第38-39页 |
| ·基于其它分类器的遥感影像分类 | 第39-43页 |
| ·基于监督分类的图像分类 | 第39-41页 |
| ·基于非监督分类的图像分类 | 第41-42页 |
| ·基于人工神经网络的图像分类 | 第42-43页 |
| ·分类结果对比 | 第43-52页 |
| ·各分类器分类 | 第43-47页 |
| ·分类结果对比分析 | 第47-52页 |
| 5 结论 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附录 | 第58页 |
