| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题来源及其研究的意义 | 第9-10页 |
| ·支持向量机在遥感图像分类中应用的研究概况 | 第10-11页 |
| ·本文研究内容和技术路线 | 第11-14页 |
| ·研究内容及其创新 | 第11-13页 |
| ·技术路线图 | 第13-14页 |
| 第二章 支持向量的基本原理 | 第14-21页 |
| ·线性支持向量机 | 第14-16页 |
| ·线性可分 | 第14-15页 |
| ·线性不可分 | 第15-16页 |
| ·非线性支持向量机 | 第16-17页 |
| ·核函数 | 第17页 |
| ·参数选择 | 第17-18页 |
| ·多分类支持向量机方法简介 | 第18-19页 |
| ·一对一分类法 | 第18-19页 |
| ·一对多分类法 | 第19页 |
| ·分类精度评价指标 | 第19-20页 |
| ·本章总结 | 第20-21页 |
| 第三章 数据采集与图像预处理 | 第21-37页 |
| ·研究区概况 | 第21页 |
| ·研究资料与技术平台 | 第21-23页 |
| ·遥感影像特征提取 | 第23-31页 |
| ·光谱特征 | 第23-27页 |
| ·纹理信息 | 第27-31页 |
| ·特征波段的选取 | 第31-34页 |
| ·最优波段选择(OIF) | 第31-34页 |
| ·分类类别的确定 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 传统的遥感影像计算机分类及其对比 | 第37-45页 |
| ·计算机传统分类方法 | 第37-40页 |
| ·最小距离法 | 第37页 |
| ·平行管道法 | 第37-38页 |
| ·最大似然法 | 第38-40页 |
| ·最大似然法与SVM分类法的比较 | 第40-44页 |
| ·最大似然法和支持向量机的分类结果比较 | 第41-43页 |
| ·分类结果图 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 三种新型支持向量机的遥感分类应用 | 第45-56页 |
| ·基于LIBSVM的C-SVM方法 | 第45-47页 |
| ·C-SVM算法 | 第45-46页 |
| ·C-SVM算法图像分类实验 | 第46-47页 |
| ·基于广义特征值下的多平面支持向量机(GEPSVM) | 第47-48页 |
| ·GEPSVM算法 | 第47-48页 |
| ·GEPSVM算法分类实验 | 第48页 |
| ·最小二乘支持向量机(LS-SVM) | 第48-54页 |
| ·最小二乘支持向量机(LS-SVM) | 第49-50页 |
| ·LS-SVM分类方法的贝叶斯证据框架 | 第50-51页 |
| ·基于Bayes参数选则的最小二乘支持向量机分类实验 | 第51-54页 |
| ·三种新型SVM分类方法的比较与评价 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 详细摘要 | 第61-63页 |
| Abstract | 第63-64页 |