| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第10-14页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的研究内容、技术路线及章节安排 | 第12-14页 |
| 1.3.1 本文研究内容 | 第12页 |
| 1.3.2 遥感图像分类的具体流程 | 第12-13页 |
| 1.3.3 文章的具体安排 | 第13-14页 |
| 2. 遥感图像分类基础知识 | 第14-22页 |
| 2.1 遥感图像的分类的主要数据源 | 第14-15页 |
| 2.1.1 中低分辨率的遥感图像数据 | 第14页 |
| 2.1.2 高辨率的遥感图像数据 | 第14-15页 |
| 2.1.3 高光谱遥感图像数据 | 第15页 |
| 2.1.4 雷达遥感图像数据 | 第15页 |
| 2.2 遥感图像分类时所研究的主要特征 | 第15-18页 |
| 2.2.1 遥感图像的光谱特征 | 第15-16页 |
| 2.2.2 遥感图像的纹理特征 | 第16-17页 |
| 2.2.3 遥感图像的空间特征 | 第17-18页 |
| 2.3 遥感图像分类结果精度评价 | 第18-20页 |
| 2.3.1 基于误差的分类结果精度评价 | 第18-19页 |
| 2.3.2 遥感图像分类结果精度评价的研究现状 | 第19-20页 |
| 2.4 本章总结 | 第20-22页 |
| 3. 遥感图像分类方法 | 第22-30页 |
| 3.1 最大似然算法在遥感图像分类中的应用 | 第22-23页 |
| 3.1.1 最大似然算法理论 | 第22-23页 |
| 3.1.2 最大似然监督分类的优缺点 | 第23页 |
| 3.2 迭代自组织数据分析聚类算法（ISODATA）在遥感影像分类中的应用 | 第23-25页 |
| 3.2.1 迭代自组织数据分析聚类算法的原理与实现 | 第23-25页 |
| 3.2.2 迭代自组织数据分析聚类算法的优缺点 | 第25页 |
| 3.3 支持向量机在遥感图像分类中的应用 | 第25-27页 |
| 3.3.1 支持向量机理论发展的概述 | 第25页 |
| 3.3.2 支持向量机原理 | 第25-27页 |
| 3.3.3 支持向量机算法的优缺点 | 第27页 |
| 3.4 面向对象技术在遥感图像分类中的应用 | 第27-29页 |
| 3.4.1 面向对象分类概述 | 第27-28页 |
| 3.4.2 面向对象分类原理 | 第28-29页 |
| 3.4.3 面向对象分类算法的优缺点 | 第29页 |
| 3.5 本章总结 | 第29-30页 |
| 4. 粒子群算法与神经网络算法的结合 | 第30-42页 |
| 4.1 粒子群算法 | 第30-32页 |
| 4.1.1 粒子群算法概述 | 第30-31页 |
| 4.1.2 本文研究的粒子群算法的模型 | 第31-32页 |
| 4.1.3 本文研究的粒子群算法的流程 | 第32页 |
| 4.2 BP神经网络算法 | 第32-37页 |
| 4.2.1 BP神经网络的概述 | 第32-33页 |
| 4.2.2 本文研究的BP神经网络的模型 | 第33-37页 |
| 4.3 粒子群BP神经网络算法 | 第37-40页 |
| 4.3.1 粒子群BP神经网络算法的概述 | 第37页 |
| 4.3.2 粒子群BP神经网络算法的具体模型和matlab中的实现 | 第37-39页 |
| 4.3.3 粒子群BP神经网络模型和BP神经网络模型训练对比 | 第39-40页 |
| 4.4 本章总结 | 第40-42页 |
| 5. 粒子群神经网络进行遥感图像分类的实验 | 第42-52页 |
| 5.1 研究区域介绍 | 第42页 |
| 5.2 粒子群BP神经网络分类试验 | 第42-47页 |
| 5.3 分类试验结果对比分析 | 第47-52页 |
| 6. 结论与展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录A 读取样本数据 | 第60-62页 |
| 附录B 粒子群优化程序 | 第62-68页 |
| 附录C BP神经网络训练程序 | 第68-70页 |
| 附录D 分类程序 | 第70-71页 |
