| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.3 研究内容和文章结构安排 | 第19-21页 |
| 2 支持向量机（SVM）基础 | 第21-39页 |
| 2.1 SVM基本理论 | 第21-22页 |
| 2.2 SVM的基本要素 | 第22-32页 |
| 2.2.1 最优分类超平面 | 第22-27页 |
| 2.2.2 软间隔分类超平面 | 第27-29页 |
| 2.2.3 核技巧 | 第29-30页 |
| 2.2.4 SVM的结构风险最小化原则 | 第30-32页 |
| 2.3 SVM常见分类算法 | 第32-34页 |
| 2.3.1 C-S VM | 第32页 |
| 2.3.2 v-SVM | 第32页 |
| 2.3.3 单类SVM | 第32-33页 |
| 2.3.4 多类SVM | 第33-34页 |
| 2.4 SVM的模式选择 | 第34-39页 |
| 3 遥感影像特征描述方法 | 第39-52页 |
| 3.1 遥感影像特征提取概述 | 第39-42页 |
| 3.1.1 面向分类的遥感影像特征 | 第39-40页 |
| 3.1.2 常见纹理分析方法概述 | 第40-42页 |
| 3.2 遥感影像光谱特征描述 | 第42-43页 |
| 3.3 遥感影像的纹理特征描述 | 第43-52页 |
| 3.3.1 基于灰度Histogram的纹理描述 | 第43-44页 |
| 3.3.2 基于Gabor小波的纹理描述 | 第44-47页 |
| 3.3.3 基于DFT平均环状采样直方图的纹理描述 | 第47-50页 |
| 3.3.4 基于Wavelet分解的纹理描述 | 第50-52页 |
| 4 结合多特征描述和SVM的遥感影像分类 | 第52-58页 |
| 4.1 结合多特征描述和SVM的遥感影像分类的基本过程 | 第52-54页 |
| 4.2 多特征提取和特征向量预处理 | 第54-55页 |
| 4.2.1 多特征提取 | 第54-55页 |
| 4.2.2 特征向量预处理 | 第55页 |
| 4.3 SVM遥感影像分类 | 第55-56页 |
| 4.4 遥感影像分类精度评价 | 第56-58页 |
| 4.4.1 错分矩阵 | 第56页 |
| 4.4.2 总体分类精度 | 第56-57页 |
| 4.4.3 Kappa系数 | 第57-58页 |
| 5 实验和结果 | 第58-72页 |
| 5.1 实验数据概况 | 第58-59页 |
| 5.2 实验系统 | 第59-61页 |
| 5.3 实验设计 | 第61-63页 |
| 5.4 结果与讨论 | 第63-72页 |
| 5.4.1 相同特征描述下不同分类器分类 | 第63-65页 |
| 5.4.2 不同特征组合下的SVM分类 | 第65-69页 |
| 5.4.3 本文算法用于Lena图像的分割 | 第69-72页 |
| 6 结论与展望 | 第72-75页 |
| 6.1 结论 | 第72-73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 个人简历 | 第80-81页 |
| 致谢 | 第81页 |