| 第一章 绪论 | 第1-13页 |
| 1．1 遥感技术的历史及发展现状 | 第7-8页 |
| 1．2 遥感图像分类的概念及原理 | 第8-9页 |
| 1．3 遥感图像分类的技术 | 第9-11页 |
| 1．4 论文的主要内容 | 第11-13页 |
| 第二章 模式分类技术 | 第13-21页 |
| 2．1 模式分类基础知识 | 第13-14页 |
| 2．1．1 监督分类(Supervised Classification) | 第13-14页 |
| 2．1．2 非监督分类(Unsupervised Classification) | 第14页 |
| 2．2 统计模式分类方法 | 第14-16页 |
| 2．3 模式分类的方法 | 第16-18页 |
| 2．3．1 神经网络分类 | 第16-17页 |
| 2．3．2 小波变换在模式识别中的应用 | 第17-18页 |
| 2．3．3 模糊分类 | 第18页 |
| 2．3．4 马尔可夫随机场模型在模式识别中的应用 | 第18页 |
| 2．4 遥感图像处理中的模式识别应用 | 第18-21页 |
| 2．4．1 SAR图像的基本特征 | 第18-19页 |
| 2．4．2 图像特征提取 | 第19-20页 |
| 2．4．3 遥感信息处理 | 第20-21页 |
| 第三章 聚类分析在遥感图像分类中的应用 | 第21-35页 |
| 3．1 概述 | 第21-22页 |
| 3．2 K-均值算法 | 第22-24页 |
| 3．3 ISODATA算法 | 第24-28页 |
| 3．4 基于概率模型的K-MEANS算法在SAR图象分类中的应用 | 第28-30页 |
| 3．4．1 高斯分布和瑞利分布 | 第28-29页 |
| 3．4．2 基于概率模型的K-means算法 | 第29-30页 |
| 3．5 模糊ISODATA动态聚类 | 第30-32页 |
| 3．6 模糊划分聚类 | 第32-35页 |
| 3．6．1 硬C划分 | 第32-33页 |
| 3．6．2 模糊C划分ISODATA聚类方法 | 第33页 |
| 3．6．3 算法的实现 | 第33-35页 |
| 第四章 分类算法实验结果及数据分析 | 第35-51页 |
| 4．1 K-MEANS算法分析 | 第35-40页 |
| 4．2 基于概率模型的K-MEANS算法 | 第40-44页 |
| 4．3 模糊ISODATA算法分析 | 第44-47页 |
| 4．4 小波域的马尔可夫树模型在SAR图像分类中的应用 | 第47-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 硕士期间发表的文章 | 第56页 |
