| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究目的及其意义 | 第9-10页 |
| ·本文的研究内容 | 第10-12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 统计学习理论和支持向量机 | 第14-30页 |
| ·机器学习 | 第14-17页 |
| ·机器学习问题的表示 | 第14-16页 |
| ·经验风险最小化 | 第16页 |
| ·复杂性与推广能力 | 第16-17页 |
| ·统计学习理论 | 第17-20页 |
| ·学习一致性的条件 | 第17-18页 |
| ·VC维 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19-20页 |
| ·支持向量机 | 第20-29页 |
| ·线性可分最优分类面 | 第21-23页 |
| ·广义最优分类面 | 第23-24页 |
| ·规范化超平面集的子集结构 | 第24页 |
| ·支持向量机 | 第24-27页 |
| ·支持向量回归 | 第27-29页 |
| ·小结 | 第29-30页 |
| 第三章 多分辨率分析和支持向量值轮廓波变换 | 第30-39页 |
| ·多分辨率分析 | 第30-31页 |
| ·多分辨率分析的发展历程 | 第31-34页 |
| ·Mallat塔式思想和小波变换 | 第31-32页 |
| ·Contourlet变换 | 第32-33页 |
| ·非抽样Contourlet变换 | 第33-34页 |
| ·支持向量值轮廓波变换 | 第34-38页 |
| ·支持向量值滤波器 | 第35-36页 |
| ·支持向量值轮廓波变换 | 第36-38页 |
| ·支持向量值轮廓波变换在去云领域的优势 | 第38页 |
| ·小结 | 第38-39页 |
| 第四章 基于支持向量值轮廓波变换的薄云去除 | 第39-52页 |
| ·薄云去除原理 | 第39-40页 |
| ·基于多分辨率分析的图像增强算法 | 第40-43页 |
| ·图像增强概述 | 第40页 |
| ·基于多分辨率分析的图像增强 | 第40-43页 |
| ·直方图匹配 | 第43-45页 |
| ·直方图处理 | 第43-44页 |
| ·直方图匹配 | 第44-45页 |
| ·基于支持向量值轮廓波变换的薄云去除方法 | 第45-50页 |
| ·算法步骤 | 第45页 |
| ·薄云去除评价标准 | 第45-46页 |
| ·实验结果分析 | 第46-50页 |
| ·小结 | 第50-52页 |
| 第五章 基于支持向量值轮廓波变换的彩色薄云去除 | 第52-58页 |
| ·图像的彩色模型 | 第52-54页 |
| ·RGB模型转化为HIS模型 | 第53页 |
| ·HIS模型转化为RGB模型 | 第53-54页 |
| ·灰度遥感图像薄云去除 | 第54-55页 |
| ·基于支持向量值轮廓波变换的彩色遥感图像薄云去除 | 第55-57页 |
| ·算法步骤 | 第55页 |
| ·实验结果及其评价 | 第55-57页 |
| ·小结 | 第57-58页 |
| 第六章 基于支持向量机的厚云去除 | 第58-75页 |
| ·厚云去除原理 | 第58-59页 |
| ·遥感图像厚云去除的预处理 | 第59-60页 |
| ·层和阴影的检测 | 第60-62页 |
| ·基于支持向量机的云层检测 | 第60页 |
| ·基于太阳方位角和高度角的阴影检测 | 第60-62页 |
| ·基于支持向量值轮廓波变换图像镶嵌的云层和阴影初去除 | 第62-66页 |
| ·基于多分辨率分析的图像镶嵌算法 | 第62-63页 |
| ·云层初去除 | 第63-65页 |
| ·阴影初去除 | 第65-66页 |
| ·基于支持向量值轮廓波变换的云层和阴影的补偿 | 第66-69页 |
| ·阴影补偿 | 第66-68页 |
| ·云层补偿 | 第68-69页 |
| ·中值滤波 | 第69页 |
| ·基于支持向量机的厚云去除 | 第69-74页 |
| ·算法步骤 | 第69-70页 |
| ·厚云去除评价标准 | 第70-72页 |
| ·实验结果分析 | 第72-74页 |
| ·小结 | 第74-75页 |
| 第七章 总结与展望 | 第75-77页 |
| ·全文工作总结 | 第75-76页 |
| ·今后工作的展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士期间发表的论文目录 | 第81页 |
| 攻读硕士期间参加的科研项目 | 第81-82页 |
| 致谢 | 第82-83页 |