| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-15页 |
| ·论文研究背景及意义 | 第8-10页 |
| ·国内外研究现状和发展趋势 | 第10-12页 |
| ·研究目的及技术路线 | 第12-15页 |
| 第二章 支持向量机及其分类性能 | 第15-32页 |
| ·SVM的基本原理 | 第15-19页 |
| ·线性可分 | 第16-18页 |
| ·非线性可分 | 第18页 |
| ·核函数 | 第18-19页 |
| ·多类分类支持向量机原理及算法 | 第19-25页 |
| ·现有的多类支持向量机算法 | 第19-23页 |
| ·结合二叉决策树的多类支持向量机分类方法 | 第23-25页 |
| ·各种多类SVM性能的衡量指标 | 第25-30页 |
| ·分类精度比较 | 第25-27页 |
| ·训练速度比较 | 第27-28页 |
| ·分类速度比较 | 第28-30页 |
| ·支持向量机的特点 | 第30页 |
| ·支持向量机的推广 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 研究区与实验数据 | 第32-58页 |
| ·研究区概况 | 第32-34页 |
| ·自然条件状况 | 第32-33页 |
| ·森林资源概况 | 第33-34页 |
| ·生态公益林资源 | 第34-35页 |
| ·公益林面积 | 第34-35页 |
| ·公益林群落结构 | 第35页 |
| ·公益林优势树种组结构 | 第35页 |
| ·实验工具及研究数据准备 | 第35-48页 |
| ·实验工具箱 | 第35-40页 |
| ·遥感影像预处理 | 第40-48页 |
| ·特征提取及分类体系的确定 | 第48-57页 |
| ·特征提取 | 第48-49页 |
| ·类别可分性准则 | 第49-51页 |
| ·最佳分类波段的选取 | 第51-56页 |
| ·分类体系的确定 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 SVM在高分辨率遥感影像分类中的应用 | 第58-64页 |
| ·本实验流程 | 第59页 |
| ·不同遥感信息组合的分类实验 | 第59-62页 |
| ·常见多类支持向量机算法的实验结果 | 第60-61页 |
| ·结合二叉树的多类SVM分类的实验结果 | 第61-62页 |
| ·实验结果对比 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 SVM与其他分类方法的比较 | 第64-71页 |
| ·其他分类方法介绍 | 第64-67页 |
| ·最小距离分类(min-distance classification) | 第64页 |
| ·最大似然判别分类(maximum-likelihood classification) | 第64页 |
| ·神经网络分类(neural networks classification) | 第64-67页 |
| ·对比分析 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| ·结论 | 第71-72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 详细摘要 | 第76-79页 |
