面向对象的高分辨率遥感影像分类技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及研究内容 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究方法 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第2章 遥感影像分类方法介绍 | 第16-33页 |
| 2.1 影像分类综述 | 第16-17页 |
| 2.2 分类方法介绍 | 第17-25页 |
| 2.2.1 K-Means均值聚类 | 第17页 |
| 2.2.2 最小距离法 | 第17-18页 |
| 2.2.3 最大似然法 | 第18-19页 |
| 2.2.4 BP神经网络法 | 第19-22页 |
| 2.2.5 支持向量机法 (SVM) | 第22-25页 |
| 2.3 面向对象的遥感影像分类技术体系 | 第25-33页 |
| 2.3.1 模糊分类体系 | 第25-31页 |
| 2.3.1.1 模糊集合理论基础 | 第26-28页 |
| 2.3.1.2 遥感影像模糊分类算法的具体流程 | 第28-29页 |
| 2.3.1.3 模糊算法FCM的流程介绍 | 第29-31页 |
| 2.3.2 最邻近规则(KNN)分类 | 第31-33页 |
| 第3章 遥感图像的分割技术 | 第33-45页 |
| 3.1 图像分割综述 | 第33-38页 |
| 3.1.1 图像分割的原理 | 第33-34页 |
| 3.1.2 基于边缘的分割 | 第34-36页 |
| 3.1.2.1 边缘的检测 | 第34页 |
| 3.1.2.2 边缘检测算子 | 第34-35页 |
| 3.1.2.3 边缘连接 | 第35-36页 |
| 3.1.3 基于区域的分割 | 第36-38页 |
| 3.1.3.1 阈值分割 | 第36-37页 |
| 3.1.3.2 区域增长 | 第37页 |
| 3.1.3.3 分裂-合并 | 第37-38页 |
| 3.2 基于区域增长的多尺度图像分割技术 | 第38-42页 |
| 3.2.1 多尺度的分割理论 | 第38-39页 |
| 3.2.2 多尺度分割的算法步骤 | 第39页 |
| 3.2.3 区域异质性准则 | 第39-41页 |
| 3.2.4 最优尺度选择研究 | 第41-42页 |
| 3.3 分水岭分割算法 | 第42-45页 |
| 3.3.1 分水岭算法的基本概念 | 第42-43页 |
| 3.3.2 分水岭分割算法步骤 | 第43-45页 |
| 第4章 基于影像对象的特征提取 | 第45-51页 |
| 4.1 影像对象的特征 | 第45-48页 |
| 4.1.1 光谱特征 | 第46页 |
| 4.1.2 形状特征 | 第46-47页 |
| 4.1.3 纹理特征 | 第47-48页 |
| 4.2 对象特征的提取方法 | 第48-51页 |
| 第5章 实验结果分析 | 第51-67页 |
| 5.1 高分辨率遥感影像多尺度分割的参数选择 | 第51-58页 |
| 5.1.1 尺度参数 | 第51-53页 |
| 5.1.2 均质因子 | 第53-56页 |
| 5.1.3 建立多尺度分割的层次结构 | 第56-58页 |
| 5.1.4 多尺度分割的结果分析 | 第58页 |
| 5.2 遥感影像的分类结果 | 第58-60页 |
| 5.2.1 影像分类结果的比较 | 第58-60页 |
| 5.2.2 基于多特征的影像分类 | 第60页 |
| 5.3 分类结果的评价 | 第60-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录 | 第73页 |
