分布式遥感图像水体识别研究
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 遥感图像水体信息提取 | 第8-11页 |
| 1.2.2 存在的问题 | 第11-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第二章 经典的遥感影像水体信息提取 | 第14-19页 |
| 2.1 Landsat-8 ETM+遥感影像 | 第14-16页 |
| 2.1.1 影像介绍 | 第14页 |
| 2.1.2 原始影像预处理 | 第14-16页 |
| 2.1.3 水体的光谱特性 | 第16页 |
| 2.2 传统的水体信息提取方法 | 第16-18页 |
| 2.2.1 单波段阈值法 | 第17页 |
| 2.2.2 多波段阈值法 | 第17页 |
| 2.2.3 指数法 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 分布式遥感影像水体信息提取研究 | 第19-25页 |
| 3.1 Map Reduce简介 | 第19-20页 |
| 3.1.1 模型概述 | 第19页 |
| 3.1.2 数据处理过程 | 第19-20页 |
| 3.2 遥感数据划分及组织形式 | 第20-21页 |
| 3.3 分布式遥感影像水体信息提取 | 第21页 |
| 3.3.1 研究区及数据源 | 第21页 |
| 3.3.2 实验环境 | 第21页 |
| 3.4 实验结果与分析 | 第21-24页 |
| 3.4.1 模型正确性测试 | 第21-22页 |
| 3.4.2 可扩展性和伸缩性测试 | 第22-24页 |
| 3.5 本章小结 | 第24-25页 |
| 第四章 基于BP的遥感影像水体信息提取研究 | 第25-31页 |
| 4.1 BP神经网络概述 | 第25页 |
| 4.2 特征提取 | 第25-26页 |
| 4.3 训练样本的选择 | 第26-27页 |
| 4.4 模型的构建 | 第27-28页 |
| 4.5 实验结果与分析 | 第28-30页 |
| 4.5.1 研究区及数据源 | 第28-29页 |
| 4.5.2 实验结果与分析 | 第29-30页 |
| 4.6 本章小结 | 第30-31页 |
| 第五章 基于深度学习的遥感影像水体识别研究 | 第31-47页 |
| 5.1 深度学习介绍 | 第31-36页 |
| 5.1.1 深度信念网络 | 第31-33页 |
| 5.1.2 卷积神经网络 | 第33页 |
| 5.1.3 堆栈式自动编码器 | 第33-36页 |
| 5.2 基于栈式自编码的遥感影像水体识别 | 第36-41页 |
| 5.2.1 研究区介绍 | 第36页 |
| 5.2.2 数据预处理 | 第36-38页 |
| 5.2.3 特征提取 | 第38-39页 |
| 5.2.4 特征扩充算法 | 第39-41页 |
| 5.3 实验结果与分析 | 第41-46页 |
| 5.3.1 训练集与测试集的预处理 | 第42页 |
| 5.3.2 模型层数对实验结果的影响 | 第42-43页 |
| 5.3.3 与SVM模型和NN模型对比 | 第43-44页 |
| 5.3.4 特征扩充半径大小对实验结果的影响 | 第44-45页 |
| 5.3.5 特征扩充算法有效性测试 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第六章 总结及展望 | 第47-49页 |
| 6.1 本文结论 | 第47-48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 硕士研究生期间发表论文 | 第54-55页 |
| 致谢 | 第55-57页 |
