基于优化决策树的高分辨率遥感影像分类技术研究

摘要	第1-6页
Abstract	第6-10页
目录	第10-12页
第一章 绪论	第12-26页
·研究背景和研究意义	第12-13页
·遥感影像分类研究的现状	第13-18页
·决策树分类研究概况	第18-21页
·决策树分类研究现状	第18-20页
·决策树分类研究优势与不足	第20-21页
·本文的研究内容与组织结构	第21-25页
·研究目标与关键研究内容	第21-22页
·拟创新点	第22-23页
·论文组织结构	第23-25页
·本章小结	第25-26页
第二章 理论基础	第26-48页
·决策树	第26-31页
·决策树定义	第26-27页
·决策树的指标	第27页
·典型的决策树算法	第27-31页
·模拟退火	第31-37页
·模拟退火算法的原理	第31-34页
·模拟退火算法的研究概况和研究现状	第34-36页
·模拟退火算法的优势	第36-37页
·遥感影像特征	第37-47页
·遥感影像特征定义	第37页
·遥感影像特征分类	第37-47页
·本章小结	第47-48页
第三章 面向影像分类的优化决策树模型架构	第48-72页
·面向影像分类的优化决策树模型思想	第48-50页
·基本的决策树优化框架	第48-49页
·面向影像分类的决策树优化分析	第49-50页
·自适应的多尺度纹理选择	第50-55页
·八种典型灰度共生矩阵特征	第50-53页
·多尺度纹理特征分析	第53-54页
·自适应模式建立	第54-55页
·面向影像分类的决策树准则优化分析	第55-70页
·基于影像知识的决策树准则	第55-68页
·基于全局影像的决策树准则	第68-70页
·面向影像分类的决策树优化模型的构建	第70-71页
·本章小结	第71-72页
第四章 优化决策树的逻辑流构建	第72-94页
·基于模拟退火算法的样本纵向压缩	第72-77页
·退火温度的设定	第73页
·小样本个数比例系数设计	第73页
·算法设计与实现	第73-77页
·遥感影像特征聚类和离散化	第77-81页
·欧氏距离的离散特征聚类	第77-79页
·基于类信息熵的连续特征离散化	第79-81页
·全局最优的决策树生成技术	第81-87页
·遥感影像特征优先级判断算法设计	第82-83页
·结合破碎度的模拟退火寻优算法设计	第83-84页
·全局最优的决策树生成步骤	第84-87页
·优化决策树算法的剪枝	第87-90页
·决策树剪枝概况	第87-88页
·预剪枝与后剪枝相结合的剪枝方法设计	第88-90页
·优化决策树算法的评价	第90-92页
·决策树分类算法评价指标	第90-91页
·分类精度评价	第91-92页
·决策树优化算法流程	第92-93页
·本章小结	第93-94页
第五章 实验分析	第94-144页
·实验数据	第94-96页
·实验区域选择	第94-96页
·实验流程设计	第96页
·样本抽取及处理	第96-104页
·样本的抽取	第96-97页
·样本数据离散化	第97-104页
·多尺度的纹理特征选择分析	第104-105页
·对比分析	第105-143页
·决策树分类方法对比分析	第106-137页
·最优尺度下优化决策树方法与其他分类方法对比分析	第137-142页
·实验小结	第142-143页
·本章小结	第143-144页
第六章 总结与展望	第144-148页
·总结	第144-145页
·全文总结	第144-145页
·主要贡献和创新点	第145页
·研究展望	第145-148页
参考文献	第148-158页
附件	第158-160页
附件1:样本输入的标准txt格式	第158-160页
攻读博士学位期间的主要研究成果	第160-162页
致谢	第162-163页