越南大陆海岸线遥感智能解译方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 海岸线及相关概念 | 第17-18页 |
| 1.2 研究进展 | 第18-25页 |
| 1.2.1 海岸线提取研究现状 | 第18-22页 |
| 1.2.2 遥感影像解译研究概述 | 第22-25页 |
| 1.3 研究基础与关键问题 | 第25-26页 |
| 1.4 研究目的与意义 | 第26-27页 |
| 1.5 论文的研究内容 | 第27-28页 |
| 1.6 论文的组织结构 | 第28-31页 |
| 第二章 海岸线分类与智能解译模型 | 第31-58页 |
| 2.1 海岸线的分类与目视解译 | 第31-39页 |
| 2.1.1 现有的海岸线分类 | 第31-32页 |
| 2.1.2 越南大陆海岸线分类系统 | 第32-33页 |
| 2.1.3 海岸线遥感影像目视解译 | 第33-38页 |
| 2.1.4 遥感影像水边线与海岸线的关系 | 第38-39页 |
| 2.2 大陆海岸线的智能解译模型 | 第39-42页 |
| 2.2.1 海岸线信息获取过程 | 第39-40页 |
| 2.2.2 海岸线智能解译模型 | 第40-42页 |
| 2.3 基于知识反馈的最优分割尺度确定 | 第42-51页 |
| 2.3.1 遥感影像多尺度分割与FNEA算法 | 第42-44页 |
| 2.3.2 最优分割尺度选取方法 | 第44-46页 |
| 2.3.3 反馈式知识控制模型 | 第46-49页 |
| 2.3.4 备选尺度集的获取 | 第49-51页 |
| 2.3.5 基于特征差异判别准则的分割尺度确定 | 第51页 |
| 2.4 影像解译多层次地物类别的确定 | 第51-57页 |
| 2.4.1 K-Means聚类 | 第52页 |
| 2.4.2 Kohonen网络聚类 | 第52-53页 |
| 2.4.3 基于聚类的地物类可分性分析 | 第53-56页 |
| 2.4.4 各层次地物类别的确定 | 第56-57页 |
| 2.5 本章小结 | 第57-58页 |
| 第三章 基于OLI影像多种特征的分析与评价 | 第58-90页 |
| 3.1 光谱特征的分析与评价 | 第58-72页 |
| 3.1.1 光谱特征的定义 | 第58-59页 |
| 3.1.2 数据准备 | 第59-60页 |
| 3.1.3 光谱特征的相关性分析 | 第60-64页 |
| 3.1.4 光谱特征的重要性排序 | 第64-68页 |
| 3.1.5 基于光谱特征的关联规则挖掘 | 第68-72页 |
| 3.2 纹理特征的分析与评价 | 第72-80页 |
| 3.2.1 纹理特征的定义 | 第72-74页 |
| 3.2.2 纹理特征的相关性分析 | 第74-76页 |
| 3.2.3 纹理特征的重要性排序 | 第76-78页 |
| 3.2.4 基于纹理特征的关联规则挖掘 | 第78-80页 |
| 3.3 几何特征的分析与评价 | 第80-83页 |
| 3.3.1 几何特征的定义 | 第80-81页 |
| 3.3.2 几何特征的相关性分析 | 第81-82页 |
| 3.3.3 几何特征重要性排序与分类规则挖掘 | 第82-83页 |
| 3.4 指数特征的分析与评价 | 第83-85页 |
| 3.4.1 指数特征的定义 | 第83-84页 |
| 3.4.2 指数特征的相关性分析 | 第84页 |
| 3.4.3 指数特征重要性排序与分类规则挖掘 | 第84-85页 |
| 3.5 多种特征的分析与评价 | 第85-89页 |
| 3.5.1 基于多种特征的关联规则挖掘 | 第85-87页 |
| 3.5.2 基于多种特征的关联规则解译 | 第87-88页 |
| 3.5.3 多种特征的分类能力比较 | 第88-89页 |
| 3.6 本章小结 | 第89-90页 |
| 第四章 海岸带地物影像解译特征优选 | 第90-119页 |
| 4.1 影像解译特征优选的构成 | 第90-91页 |
| 4.2 基于BP神经网络的特征选择 | 第91-96页 |
| 4.2.1 BP神经网络概述 | 第91-92页 |
| 4.2.2 网络结构的确定 | 第92页 |
| 4.2.3 基于网络权值的敏感性分析 | 第92-93页 |
| 4.2.4 特征选择的结果与分析 | 第93-96页 |
| 4.3 分割尺度对特征值的影响 | 第96-103页 |
| 4.3.1 研究方法与数据准备 | 第96-97页 |
| 4.3.2 尺度敏感特征的定义 | 第97-99页 |
| 4.3.3 尺度敏感特征的变化曲线 | 第99-101页 |
| 4.3.4 特征的细分类与特征选择 | 第101-103页 |
| 4.4 薄云对各类地物特征值的影响 | 第103-107页 |
| 4.4.1 研究中使用的遥感影像 | 第103-104页 |
| 4.4.2 研究方法与技术路线 | 第104-105页 |
| 4.4.3 获取用于判断是否有云的特征 | 第105-107页 |
| 4.4.4 获取易受云影响的特征 | 第107页 |
| 4.5 基于因子分析法的特征抽取 | 第107-113页 |
| 4.5.1 因子分析法的相关概念 | 第107-109页 |
| 4.5.2 研究方法与步骤 | 第109-110页 |
| 4.5.3 特征抽取与结果分析 | 第110-113页 |
| 4.6 本章实验与结果分析 | 第113-118页 |
| 4.6.1 特征集的选择 | 第114-115页 |
| 4.6.2 样本集的选择 | 第115页 |
| 4.6.3 实验结果分析 | 第115-118页 |
| 4.7 本章小结 | 第118-119页 |
| 第五章 分类器的优化与分类知识的机器学习 | 第119-148页 |
| 5.1 遥感影像混合智能分类模型 | 第119-121页 |
| 5.2 多种机器学习算法的特点 | 第121-127页 |
| 5.2.1 贝叶斯网络 | 第121-122页 |
| 5.2.2 支持向量机 | 第122-123页 |
| 5.2.3 决策树C5.0 | 第123-125页 |
| 5.2.4 分类回归树CART | 第125-126页 |
| 5.2.5 随机森林 | 第126-127页 |
| 5.3 各分类器的学习与参数优化 | 第127-136页 |
| 5.3.1 实验数据 | 第127页 |
| 5.3.2 贝叶斯网络分类 | 第127-129页 |
| 5.3.3 支持向量机分类 | 第129-133页 |
| 5.3.4 决策树C5.0分类 | 第133-134页 |
| 5.3.5 分类回归树分类 | 第134-135页 |
| 5.3.6 随机森林分类 | 第135-136页 |
| 5.4 单分类器与组合分类器的分类结果比较 | 第136-140页 |
| 5.4.1 单分类器对样本的分类结果 | 第136-138页 |
| 5.4.2 组合分类器对遥感影像的分类结果 | 第138-140页 |
| 5.5 基于特征关系规则的影像对象分类 | 第140-147页 |
| 5.5.1 特征关系规则的定义 | 第140-142页 |
| 5.5.2 关系特征的构造 | 第142-143页 |
| 5.5.3 分类规则的机器学习 | 第143-147页 |
| 5.6 本章小结 | 第147-148页 |
| 第六章 越南大陆海岸线提取与分析 | 第148-165页 |
| 6.1 越南及其海岸概况 | 第148-151页 |
| 6.2 遥感影像的选取 | 第151-156页 |
| 6.2.1 Landsat8卫星与OLI影像 | 第151-154页 |
| 6.2.2 研究区影像选取与分析 | 第154-156页 |
| 6.3 本方法获取海岸线的精度分析 | 第156页 |
| 6.4 海岸线长度的不确定性分析 | 第156-157页 |
| 6.5 越南大陆海岸线分布特征 | 第157-161页 |
| 6.5.1 越南大陆海岸线总体特征 | 第157-158页 |
| 6.5.2 自然岸线与人工岸线的基本特征 | 第158-159页 |
| 6.5.3 各自然岸线分布特征 | 第159-161页 |
| 6.6 各沿海省级行政区海岸构成 | 第161-164页 |
| 6.7 本章小结 | 第164-165页 |
| 第七章 总结与展望 | 第165-167页 |
| 7.1 主要工作与结论 | 第165-166页 |
| 7.2 本文的创新点 | 第166页 |
| 7.3 进一步的研究构想 | 第166-167页 |
| 致谢 | 第167-168页 |
| 参考文献 | 第168-175页 |
| 作者简历 | 第175页 |
