结合决策树分类器和支持向量机分类器进行极化SAR数据分类
| 论文创新点 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 极化分解 | 第15-16页 |
| 1.2.2 PolSAR图像分割 | 第16-17页 |
| 1.2.3 分类研究 | 第17-18页 |
| 1.3 研究内容 | 第18-20页 |
| 2 极化矩阵与极化分解 | 第20-48页 |
| 2.1 基本概念 | 第21-44页 |
| 2.1.1 极化散射矩阵 | 第21-22页 |
| 2.1.2 极化散射矩阵矢量化 | 第22-23页 |
| 2.1.3 协方差矩阵和相干矩阵 | 第23-26页 |
| 2.1.4 极化总功率 | 第26-27页 |
| 2.1.5 极化分解 | 第27-44页 |
| 2.2 极化特征分析 | 第44-47页 |
| 2.3 小结 | 第47-48页 |
| 3 基于形态学分水岭的分割 | 第48-68页 |
| 3.1 形态学去噪原理 | 第48-49页 |
| 3.2 形态学分水岭分割算法及其改进 | 第49-59页 |
| 3.2.1 分水岭分割算法 | 第49-52页 |
| 3.2.2 形态学分水岭分割的改进 | 第52-59页 |
| 3.3 使用自适应阈值的过分割区域合并 | 第59-66页 |
| 3.4 对象特征值的计算 | 第66-67页 |
| 3.5 小结 | 第67-68页 |
| 4 结合决策树分类器与支持向量机分类器分类 | 第68-86页 |
| 4.1 支持向量机分类器 | 第68-74页 |
| 4.1.1 支持向量机分类器的样本情况 | 第68-72页 |
| 4.1.2 支持向量机分类器对应的分类类别 | 第72-73页 |
| 4.1.3 实验结果 | 第73-74页 |
| 4.2 决策树C5.0分类器 | 第74-82页 |
| 4.2.1 决策树的基本概念 | 第74-76页 |
| 4.2.2 信息熵与信息增益 | 第76-78页 |
| 4.2.3 C5.0的剪枝算法 | 第78-79页 |
| 4.2.4 C5.0的推理规则集 | 第79-82页 |
| 4.3 决策树分类器与支持向量机分类器的结合 | 第82-84页 |
| 4.3.1 决策树分类器选择特征 | 第82-83页 |
| 4.3.2 支持向量机分类器进行分类 | 第83页 |
| 4.3.3 分类结果的精度与效率评价 | 第83-84页 |
| 4.4 小结 | 第84-86页 |
| 5 实验与分析 | 第86-106页 |
| 5.1 分类准备 | 第86-90页 |
| 5.1.1 实验数据介绍 | 第86-89页 |
| 5.1.2 构造极化特征 | 第89页 |
| 5.1.3 样本选择 | 第89-90页 |
| 5.2 实验一 | 第90-95页 |
| 5.3 实验二 | 第95-99页 |
| 5.4 总实验 | 第99-104页 |
| 5.5 小结 | 第104-106页 |
| 6 总结与展望 | 第106-108页 |
| 参考文献 | 第108-119页 |
| 攻读博士学位期间科研成果与参与项目 | 第119-120页 |
| 致谢 | 第120页 |
