| 摘要 | 第1-9页 |
| ABSTRACT | 第9-17页 |
| 第一章 绪论 | 第17-27页 |
| ·研究背景及意义 | 第17-18页 |
| ·国内外研究现状 | 第18-24页 |
| ·遥感图像自动分类研究现状 | 第18-21页 |
| ·面向对象遥感图像分类方法研究进展 | 第21-23页 |
| ·支持向量机面向对象图像分类研究进展 | 第23-24页 |
| ·小结 | 第24页 |
| ·研究内容、方法和技术路线 | 第24-25页 |
| ·研究内容 | 第24-25页 |
| ·研究方法 | 第25页 |
| ·技术路线 | 第25页 |
| ·内容安排 | 第25-27页 |
| 第二章 图像分割算法 | 第27-34页 |
| ·引言 | 第27页 |
| ·核密度梯度数学原理 | 第27-30页 |
| ·核密度估计及其性质 | 第27-29页 |
| ·核密度梯度估计 | 第29-30页 |
| ·核密度梯度基本算法 | 第30-31页 |
| ·基本算法原理 | 第30-31页 |
| ·基于核密度梯度算法的模态点检测 | 第31页 |
| ·核密度梯度图像分割 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 面向对象图像识别中标准位图读写关键技术 | 第34-54页 |
| ·引言 | 第34页 |
| ·基于标准位图的OBIA-SVM 系统 | 第34页 |
| ·Visual Basic 中标准位图存储显示 | 第34-43页 |
| ·标准位图字节结构 | 第34-35页 |
| ·Windows 图像颜色和RGB 色彩空间转换机制 | 第35-37页 |
| ·读取一幅标准图像的技术路线 | 第37-41页 |
| ·保存结果 | 第41-43页 |
| ·运行结果 | 第43页 |
| ·Visual C++中标准位图存储显示 | 第43-52页 |
| ·标准位图字节结构 | 第43-45页 |
| ·读写和显示实现功能的实施 | 第45-52页 |
| ·多尺度中图像掩模合成原理 | 第52-54页 |
| 第四章 核密度分类学习模型和算法应用 | 第54-61页 |
| ·引言 | 第54页 |
| ·非参数核密度估计及快速变换 | 第54-57页 |
| ·非参数核密度估计原理 | 第54-56页 |
| ·快速高斯变换改进核密度估计 | 第56-57页 |
| ·提出的快速贝叶斯-核密度监督算法 | 第57页 |
| ·实验结果和讨论 | 第57-59页 |
| ·实验区选择及图像资料准备 | 第57-58页 |
| ·图像数据输入特征空间的组织 | 第58页 |
| ·讨论 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 第五章 基于标准支持向量机的面向对象分类方法研究 | 第61-88页 |
| ·引言 | 第61页 |
| ·材料与方法 | 第61-67页 |
| ·实验图像资料和运行环境 | 第61-62页 |
| ·核密度梯度均值漂移算法图像分割原理 | 第62-63页 |
| ·多类别支持向量机分类方法 | 第63-65页 |
| ·提出的基于标准支持向量机的面向对象的分类方法 | 第65-67页 |
| ·实验结果和分析 | 第67-86页 |
| ·Airborne-c 图像实验结果分析 | 第67页 |
| ·SPOT 图像实验结果分析 | 第67-72页 |
| ·ASTER 图像实验结果分析 | 第72-73页 |
| ·TM 图像实验结果分析 | 第73-77页 |
| ·QuickBird 图像实验结果分析 | 第77页 |
| ·SPOT2.4m 图像实验结果分析 | 第77-79页 |
| ·Airborne-a-1m 图像试验结果分析 | 第79-81页 |
| ·Airborne-b-1m 图像实验结果分析 | 第81-83页 |
| ·ALOS-10m 图像实验结果分析 | 第83-86页 |
| ·结果与讨论 | 第86-88页 |
| ·不同传感器识别精度评价 | 第86-87页 |
| ·结论 | 第87-88页 |
| 第六章 模糊支持向量机的面向对象图像分类方法研究 | 第88-108页 |
| ·引言 | 第88页 |
| ·材料与方法 | 第88-93页 |
| ·图像资料和运行环境 | 第88-89页 |
| ·训练样本的模糊贴近度隶属度预处理理论依据 | 第89页 |
| ·模糊支持向量机原理概述 | 第89-90页 |
| ·图像分割和对象提取 | 第90-91页 |
| ·提出的基于模糊支持向量机面向对象算法 | 第91-93页 |
| ·实验结果和讨论 | 第93-106页 |
| ·ASTER-15m 图像数据的结果分析 | 第93-95页 |
| ·TM-30m 图像数据的结果分析 | 第95-98页 |
| ·SPOT-a-2.4m 图像数据的结果分析 | 第98页 |
| ·QuickBird-0.6m 图像数据的结果分析 | 第98-100页 |
| ·SPOT-b-2.4m 图像数据的结果分析 | 第100-101页 |
| ·Airborne-1m 图像数据的结果分析 | 第101-104页 |
| ·ALOS-10m 图像数据的结果分析 | 第104-106页 |
| ·结果与讨论 | 第106-108页 |
| ·不同传感器识别精度评价 | 第106-107页 |
| ·结论 | 第107-108页 |
| 第七章 面向对象土地覆被图像组合分类方法研究 | 第108-119页 |
| ·引言 | 第108页 |
| ·面向对象技术简要回顾 | 第108-109页 |
| ·材料与方法 | 第109-110页 |
| ·实验区和图像运算环境 | 第109页 |
| ·最小二乘支持向量机 | 第109-110页 |
| ·图像分割和对象提取 | 第110-114页 |
| ·核密度梯度均值漂移算法 | 第110页 |
| ·对象的提取过程 | 第110-111页 |
| ·特征样本模糊和灰色关联度联合预处理 | 第111-112页 |
| ·提出的FG-LSSVM 面向对象分类方法 | 第112-114页 |
| ·结果和讨论 | 第114-115页 |
| ·结论 | 第115-116页 |
| 附：最小二乘支持向量机面向对象分类方法 | 第116-119页 |
| ·补充实验 | 第116-119页 |
| ·补充实验 | 第116-117页 |
| ·讨论 | 第117-119页 |
| 第八章 基于支持向量机的多尺度面向对象分类方法研究 | 第119-136页 |
| ·引言 | 第119页 |
| ·方法 | 第119-128页 |
| ·基本SVM 分类原理 | 第119-121页 |
| ·核密度梯度均值漂移算法图像分割 | 第121-122页 |
| ·一尺度SOBIA-SVM | 第122-123页 |
| ·多尺度MOBIA-SVM | 第123-127页 |
| ·模板法进行统一的混淆矩阵图像画面质量评定 | 第127-128页 |
| ·结果与讨论 | 第128-135页 |
| ·数据选择和图像预处理 | 第128页 |
| ·基于TM 数据的OBIA-SVM 分类结果分析 | 第128-131页 |
| ·基于ALOS 数据的OBIA-SVM 分类结果分析 | 第131-133页 |
| ·基于QuickBird 数据的OBIA-SVM 分类结果分析 | 第133-135页 |
| ·结论 | 第135-136页 |
| 第九章 主要结论与创新点 | 第136-140页 |
| ·研究结果 | 第136-139页 |
| ·研究创新点 | 第139页 |
| ·有待进一步研究的问题 | 第139页 |
| ·本文的不足之处 | 第139-140页 |
| 参考文献 | 第140-147页 |
| 致谢 | 第147-148页 |
| 作者简介 | 第148页 |
