| 摘要 | 第1-7页 |
| Abstract | 第7-17页 |
| 第一章 绪论 | 第17-32页 |
| ·研究背景及研究问题的提出 | 第17-19页 |
| ·遥感分类的主要方法及研究趋势 | 第19-22页 |
| ·基于空间知识的遥感分类研究现状及存在的问题 | 第22-30页 |
| ·相关研究现状 | 第22-28页 |
| ·存在的问题 | 第28-30页 |
| ·本文的研究目标及关键问题 | 第30-31页 |
| ·论文的结构安排 | 第31-32页 |
| 第二章 相关的理论基础和方法基础 | 第32-47页 |
| ·遥感影像计算机分类的基本过程 | 第32-36页 |
| ·选择分类体系 | 第32页 |
| ·数据预处理 | 第32-33页 |
| ·特征的提取与选择 | 第33页 |
| ·图像分类 | 第33-34页 |
| ·精度评价 | 第34-36页 |
| ·空间数据与空间知识的基本概念 | 第36-39页 |
| ·土地利用空间数据相关概念 | 第36-38页 |
| ·空间知识的相关概念 | 第38-39页 |
| ·空间数据挖掘与知识发现的理论与方法 | 第39-45页 |
| ·空间数据挖掘的概念 | 第39页 |
| ·空间数据挖掘的特点 | 第39-40页 |
| ·空间数据挖掘可发现的知识 | 第40-42页 |
| ·空间数据挖掘的主要方法 | 第42-45页 |
| ·群体智能算法分类的基本原理 | 第45-46页 |
| ·群体智能算法概述 | 第45页 |
| ·群体智能算法统一框架模式 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于土地利用空间知识挖掘的遥感分类模型构建 | 第47-66页 |
| ·遥感影像认知的原理分析 | 第47-50页 |
| ·遥感影像目视解译的认知过程 | 第47-48页 |
| ·遥感认知中的尺度问题 | 第48页 |
| ·遥感影像认知和理解的特点 | 第48-49页 |
| ·计算机模拟人类的认知过程 | 第49-50页 |
| ·土地利用空间知识认知金字塔的构建 | 第50-58页 |
| ·土地利用空间知识的类型 | 第50-52页 |
| ·土地利用空间知识与尺度效应 | 第52-54页 |
| ·各种空间知识之间的关系分析 | 第54-58页 |
| ·土地利用空间知识的提取与表达 | 第58-61页 |
| ·遥感分类与空间数据挖掘的集成框架 | 第58-59页 |
| ·领域空间知识的提取与表达 | 第59-60页 |
| ·图像空间知识的提取与表达 | 第60-61页 |
| ·融合土地利用空间知识的分类策略 | 第61-63页 |
| ·蚁群智能优化算法进行遥感土地利用分类的可行性分析 | 第61-62页 |
| ·融合空间知识的蚁群算法分类策略 | 第62-63页 |
| ·总体逻辑框架设计 | 第63-64页 |
| ·本章小结 | 第64-66页 |
| 第四章 渐进式土地利用空间知识挖掘 | 第66-109页 |
| ·面向遥感分类的土地利用空间分区 | 第66-71页 |
| ·土地利用空间分区的基本概念 | 第66-67页 |
| ·面向遥感分类的土地利用空间分区原则 | 第67-68页 |
| ·影响土地利用分区的特征因子分析 | 第68-69页 |
| ·基于叠置分析法的土地利用空间分区 | 第69-71页 |
| ·基于空间数据聚类法的样本知识提取 | 第71-78页 |
| ·样本选取的原则及常用方法 | 第71-72页 |
| ·GIS辅助提取样本知识的原理及改进思路 | 第72-74页 |
| ·基于图像分割的样本选择 | 第74-78页 |
| ·基于空间几何知识的多尺度纹理特征提取 | 第78-92页 |
| ·GLCM纹理特征描述 | 第78-81页 |
| ·纹理尺度问题 | 第81-83页 |
| ·纹理尺度与地物形态的关系 | 第83-85页 |
| ·基于图斑形态知识的纹理尺度选择 | 第85-89页 |
| ·纹理尺度选择及其有效性评价 | 第89-92页 |
| ·土地利用空间关联规则挖掘 | 第92-98页 |
| ·相关基础概念 | 第92-95页 |
| ·Apriori空间关联规则挖掘模型 | 第95页 |
| ·面向遥感分类的土地利用空间关联规则挖掘 | 第95-98页 |
| ·土地利用图斑的方向知识挖掘 | 第98-101页 |
| ·方向知识挖掘的基本概念 | 第98-99页 |
| ·描述地物主方向特征的算法设计 | 第99-101页 |
| ·描述地物的主方向特征的技术流程 | 第101页 |
| ·土地利用分类知识库建立 | 第101-107页 |
| ·土地利用分类知识的内容和特点 | 第102页 |
| ·土地利用分类知识的表达 | 第102-106页 |
| ·分类知识库建立 | 第106-107页 |
| ·本章小结 | 第107-109页 |
| 第五章 融合空间知识的人工蚁群优化算法分类 | 第109-132页 |
| ·蚁群智能算法分类概述 | 第109-112页 |
| ·蚁群智能算法的研究进展 | 第109页 |
| ·基本蚁群智能算法(ACO)的原理 | 第109-111页 |
| ·蚁群智能算法的特点 | 第111-112页 |
| ·蚁群算法统一框架模式 | 第112页 |
| ·人工蚁群系统与遥感影像分类耦合思想 | 第112-113页 |
| ·融合空间知识的蚁群优化分类模型设计 | 第113-119页 |
| ·自我适应机制 | 第114-116页 |
| ·社会协作机制 | 第116页 |
| ·竞争机制 | 第116-117页 |
| ·分类模型构建 | 第117-119页 |
| ·融合空间知识的蚁群优化分类算法设计 | 第119-131页 |
| ·算法流程设计 | 第119-121页 |
| ·初始信息素设置 | 第121-122页 |
| ·禁忌搜索策略 | 第122-123页 |
| ·蚂蚁状态转移算子 | 第123-127页 |
| ·类别匹配算子设计 | 第127-128页 |
| ·信息素奖惩策略 | 第128-130页 |
| ·探索终止条件 | 第130-131页 |
| ·本章小结 | 第131-132页 |
| 第六章 实例分析:昌江县遥感影像土地利用分类 | 第132-172页 |
| ·研究区域概况 | 第132-135页 |
| ·研究区位置 | 第132页 |
| ·自然社会环境概况 | 第132-134页 |
| ·土地资源利用状况及特点分析 | 第134-135页 |
| ·实验数据及其预处理 | 第135-138页 |
| ·实验数据 | 第135-136页 |
| ·空间数据预处理 | 第136-138页 |
| ·土地利用空间分区及分类方案确定 | 第138-143页 |
| ·基于叠置分析法的土地利用空间分区 | 第138-141页 |
| ·土地利用分类方案 | 第141-142页 |
| ·GIS数据库中地类代码的综合 | 第142-143页 |
| ·GIS辅助选择分类样本 | 第143-150页 |
| ·GIS辅助分割图像 | 第143页 |
| ·分割块的光谱纯净度测算 | 第143-144页 |
| ·光谱空间分布频数统计 | 第144-145页 |
| ·聚类分析法提取样本知识 | 第145-147页 |
| ·样本选择结果分析 | 第147-150页 |
| ·多尺度纹理特征提取 | 第150-159页 |
| ·基于MER的图斑形态描述 | 第150-151页 |
| ·图斑的紧凑性测度 | 第151-152页 |
| ·基于土地利用形态知识的纹理尺度选择 | 第152-155页 |
| ·纹理尺度因子选择 | 第155-156页 |
| ·纹理尺度因子评价 | 第156-158页 |
| ·算法性能分析 | 第158-159页 |
| ·土地利用空间相邻规则挖掘 | 第159-161页 |
| ·任务分析 | 第159-160页 |
| ·农村道路与相邻图斑的关联规则挖掘 | 第160页 |
| ·公路与相邻图斑的关联规则挖掘 | 第160-161页 |
| ·土地利用图斑的方向知识提取 | 第161-162页 |
| ·蚁群智能优化算法遥感影像分类 | 第162-169页 |
| ·算法实现 | 第162-164页 |
| ·分类结果及精度评价 | 第164-165页 |
| ·不同分类算法对比分析 | 第165-166页 |
| ·算法改进策略对比分析 | 第166-169页 |
| ·本章小结 | 第169-172页 |
| 第七章 总结与展望 | 第172-176页 |
| ·总结 | 第172-175页 |
| ·全文总结 | 第172-173页 |
| ·本文的主要贡献和创新点 | 第173-175页 |
| ·后续研究工作 | 第175-176页 |
| 参考文献 | 第176-185页 |
| 攻读博士学位期间的主要研究成果 | 第185-186页 |
| 致谢 | 第186-188页 |