| 摘要 | 第9-10页 |
| Abstract | 第10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.1.1 遥感图像增强的研究背景和研究意义 | 第11-12页 |
| 1.1.2 遥感图像分类识别的研究背景和意义 | 第12页 |
| 1.2 课题研究现状 | 第12-16页 |
| 1.2.1 低照度遥感图像增强的研究现状 | 第12-14页 |
| 1.2.2 遥感图像分类识别的研究现状 | 第14-15页 |
| 1.2.3 深度网络进行目标识别研究的现状 | 第15-16页 |
| 1.3 课题研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第二章 基于分段的低照度遥感图像增强算法 | 第19-32页 |
| 2.1 遥感图像增强 | 第20-23页 |
| 2.1.1 空域增强 | 第20页 |
| 2.1.2 直方图均衡化 | 第20-22页 |
| 2.1.3 频域增强 | 第22页 |
| 2.1.4 基于融合的增强 | 第22-23页 |
| 2.2 分段非线性增强算法的基本框架 | 第23-24页 |
| 2.2.1 Retinex理论 | 第23页 |
| 2.2.2 增强算法框架 | 第23-24页 |
| 2.3 基于分段的遥感图像增强算法 | 第24-27页 |
| 2.3.1 提取亮度图像分量 | 第24-25页 |
| 2.3.2 分段非线性变换理论 | 第25-26页 |
| 2.3.3 参数调整 | 第26-27页 |
| 2.4 实验结果及分析 | 第27-31页 |
| 2.4.1 全局照度估计 | 第28-29页 |
| 2.4.2 局部照度估计 | 第29-30页 |
| 2.4.3 算法计算性能分析 | 第30-31页 |
| 2.5 本章总结 | 第31-32页 |
| 第三章 基于卷积神经网络的遥感图像目标识别 | 第32-49页 |
| 3.1 卷积神经网络介绍 | 第32-37页 |
| 3.1.1 卷积神经网络架构 | 第32-34页 |
| 3.1.2 卷积层 | 第34-35页 |
| 3.1.3 降采样层 | 第35页 |
| 3.1.4 反向传播算法 | 第35-37页 |
| 3.2 基于CNN的遥感图像目标识别算法 | 第37-40页 |
| 3.2.1 遥感数据集 | 第37-38页 |
| 3.2.2 卷积网络迁移学习 | 第38-40页 |
| 3.3 实验结果及分析 | 第40-45页 |
| 3.3.1 CNN网络的特征迁移学习实验 | 第40-43页 |
| 3.3.2 网络不同层的学习能力分析 | 第43页 |
| 3.3.3 不同CNN网络结构的对比 | 第43-45页 |
| 3.4 特征有效性探索实验 | 第45-47页 |
| 3.4.1 信息增益 | 第45-46页 |
| 3.4.2 特征对分类的贡献 | 第46-47页 |
| 3.5 本章总结 | 第47-49页 |
| 第四章 基于超分辨率金字塔卷积网络的多尺度遥感图像目标识别 | 第49-61页 |
| 4.1 遥感图像多尺度分析 | 第49-52页 |
| 4.1.1 图像多尺度空间分析 | 第49-52页 |
| 4.1.2 遥感图像超分辨率介绍 | 第52页 |
| 4.2 卷积网在多尺度图像上的识别性能研究 | 第52-56页 |
| 4.2.1 生成多尺度图像 | 第52-53页 |
| 4.2.2 相同尺度训练和验证 | 第53-54页 |
| 4.2.3 不同尺度交叉训练和验证 | 第54-56页 |
| 4.3 超分辨率金字塔卷积网络 | 第56-60页 |
| 4.3.1 超分辨率增强 | 第56-57页 |
| 4.3.2 金字塔卷积网络 | 第57-58页 |
| 4.3.3 超分辨率金字塔卷积网络 | 第58-60页 |
| 4.4 本章总结 | 第60-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 本文主要研究成果 | 第61-62页 |
| 5.2 研究展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 作者在学期间取得的学术成果 | 第70页 |