| 中文摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 中文文摘 | 第4-6页 |
| 目录 | 第6-9页 |
| 绪论 | 第9-17页 |
| 1 研究背景和意义 | 第9-10页 |
| 2 国内外研究概况及存在问题 | 第10-15页 |
| ·遥感影像分类技术的研究现状及存在问题 | 第10-12页 |
| ·蚁群智能算法的研究现状及存在问题 | 第12-14页 |
| ·蚁群算法应用于遥感分类的研究现状及存在问题 | 第14-15页 |
| 3 研究内容和技术路线 | 第15-17页 |
| ·研究内容 | 第15页 |
| ·技术路线 | 第15-17页 |
| 第一章 基于蚁群算法的遥感影像分类方法研究 | 第17-27页 |
| 1 蚁群算法的基本原理 | 第17-18页 |
| 2 基于蚁群算法的遥感影像分类方法 | 第18-27页 |
| ·基于信息熵的连续特征离散化 | 第20-23页 |
| ·规则构造 | 第23-24页 |
| ·规则剪枝 | 第24-25页 |
| ·信息素浓度更新 | 第25-27页 |
| 第二章 研究区概况与数据预处理 | 第27-41页 |
| 1 研究区概况 | 第27-29页 |
| ·福州市概况 | 第27-28页 |
| ·典型试验区概况 | 第28-29页 |
| 2 主要数据源 | 第29-30页 |
| ·遥感数据 | 第29-30页 |
| ·非遥感数据 | 第30页 |
| 3 数据预处理 | 第30-41页 |
| ·几何校正 | 第30-31页 |
| ·辐射校正 | 第31-32页 |
| ·多源数据匹配与研究区数据裁剪 | 第32页 |
| ·特征获取 | 第32-40页 |
| ·构建多源空间数据库 | 第40-41页 |
| 第三章 基于蚁群算法的遥感影像分类实验研究 | 第41-61页 |
| 1 分类体系的建立 | 第41-42页 |
| 2 训练样本获取及分析 | 第42-44页 |
| ·训练样本获取 | 第42页 |
| ·训练样本地物特征统计分析 | 第42-44页 |
| 3 不同变量支持下基于蚁群算法的遥感分类实验比较分析 | 第44-52页 |
| ·基于不同变量挖掘的规则比较 | 第44-46页 |
| ·不同变量支持下的遥感分类实验比较 | 第46-48页 |
| ·分类结果精度评价和比较分析 | 第48-52页 |
| 4 几种方法的遥感分类实验比较 | 第52-61页 |
| ·最大似然法监督分类 | 第52-53页 |
| ·基于C4.5算法的遥感分类 | 第53页 |
| ·基于粗糙集理论的遥感分类 | 第53页 |
| ·基于蚁群算法的遥感分类研究 | 第53-56页 |
| ·分类结果精度评价和比较分析 | 第56-61页 |
| 第四章 蚁群算法在遥感应用中的范例 | 第61-71页 |
| 1 选择土地利用/覆盖变化研究作为范例的原因 | 第61页 |
| 2 遥感影像分类和精度评价 | 第61-64页 |
| ·建立分类体系和选择特征变量 | 第61页 |
| ·遥感影像分类 | 第61-62页 |
| ·分类精度评价 | 第62-64页 |
| 3 土地利用/覆盖变化研究 | 第64-69页 |
| ·土地利用/覆盖变化动态检测 | 第64-66页 |
| ·土地利用变化速度分析 | 第66-68页 |
| ·结果分析 | 第68-69页 |
| 4 结论 | 第69-71页 |
| 第五章 结论和展望 | 第71-73页 |
| 1 主要结论 | 第71-72页 |
| 2 研究成果与创新 | 第72页 |
| ·研究成果 | 第72页 |
| ·创新之处 | 第72页 |
| 3 研究不足与展望 | 第72-73页 |
| 附录1 蚁群算法部分核心程序代码 | 第73-77页 |
| 参考文献 | 第77-83页 |
| 攻读学位期间承担的科研任务与主要成果 | 第83-85页 |
| 致谢 | 第85-87页 |
| 个人简历 | 第87-88页 |