遥感图像分类中SVM样本缩减与信息融合方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景和目的意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 课题研究的意义 | 第12页 |
| 1.2 遥感图像成像技术的发展及数据介绍 | 第12-16页 |
| 1.2.1 成像光谱技术 | 第13-15页 |
| 1.2.2 高光谱图像的特点 | 第15-16页 |
| 1.3 遥感图像分类方法的发展 | 第16-18页 |
| 1.4 主要研究内容及文章结构 | 第18-20页 |
| 第2章 高光谱图像分类理论 | 第20-33页 |
| 2.1 经典监督分类方法 | 第21-25页 |
| 2.1.1 最小距离分类法 | 第21-23页 |
| 2.1.2 光谱角匹配分类法 | 第23-24页 |
| 2.1.3 最大似然分类 | 第24-25页 |
| 2.2 基于支持向量机的遥感图像分类 | 第25页 |
| 2.3 分类方法的评价与本文实验数据 | 第25-30页 |
| 2.3.1 遥感图像分类方法的评价 | 第25-26页 |
| 2.3.2 实验运行的环境 | 第26页 |
| 2.3.3 本文采用的数据源 | 第26-30页 |
| 2.4 实验结果及分析 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 支持向量机基本理论 | 第33-45页 |
| 3.1 支持向量机理论基础 | 第33-35页 |
| 3.1.1 VC维理论 | 第33-34页 |
| 3.1.2 结构风险最小化原则 | 第34-35页 |
| 3.2 SVM分类原理 | 第35-39页 |
| 3.2.1 线性分类问题 | 第35-37页 |
| 3.2.2 广义线性分类问题 | 第37-38页 |
| 3.2.3 非线性分类问题 | 第38-39页 |
| 3.3 最小二乘支持向量机基本理论 | 第39-41页 |
| 3.4 多类分类原理 | 第41-43页 |
| 3.4.1 1-a-r型多分类SVM | 第41-42页 |
| 3.4.2 1-a-1型多分类SVM | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于库仑力的训练样本缩减策略 | 第45-54页 |
| 4.1 库仑力模型下的样本缩减策略 | 第45-50页 |
| 4.1.1 库仑力模型基本原理 | 第45-46页 |
| 4.1.2 线性库伦力缩减策略 | 第46-48页 |
| 4.1.3 非线性库仑力投影缩减策略 | 第48-50页 |
| 4.2 实验结果及分析 | 第50-53页 |
| 4.2.1 两地物分类 | 第50-51页 |
| 4.2.2 多地物分类 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 结合空谱信息的分类结果改进模型 | 第54-64页 |
| 5.1 马尔科夫随机场 | 第54-58页 |
| 5.2 空谱结合分类器模型 | 第58-62页 |
| 5.2.1 基本原理 | 第58-60页 |
| 5.2.2 实验内容与结果分析 | 第60-62页 |
| 5.3 本章小结 | 第62-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
