| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 空心村研究现状 | 第14-16页 |
| 1.2.2 无人机应用研究现状 | 第16-18页 |
| 1.2.3 高分辨率遥感影像建筑物提取研究 | 第18-21页 |
| 1.3 论文研究的目标、内容与方法 | 第21-23页 |
| 1.3.1 研究目标 | 第21页 |
| 1.3.2 研究内容 | 第21-22页 |
| 1.3.3 研究方法与技术路线 | 第22-23页 |
| 1.4 论文的组织结构 | 第23-25页 |
| 第2章 基础理论与方法 | 第25-45页 |
| 2.1 空心村的内涵 | 第25-26页 |
| 2.2 整体最小二乘法 | 第26-27页 |
| 2.3 深度学习 | 第27-41页 |
| 2.3.1 深度学习概述 | 第27-29页 |
| 2.3.2 卷积神经网络理论 | 第29-40页 |
| 2.3.3 迁移学习方法 | 第40-41页 |
| 2.4 支持向量机 | 第41-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第3章 无人机高分影像预处理研究 | 第45-62页 |
| 3.1 问题的提出 | 第45页 |
| 3.2 基于WTLS的无人机影像配准方法 | 第45-51页 |
| 3.2.1 加权整体最小二乘 | 第46-47页 |
| 3.2.2 实验分析 | 第47-51页 |
| 3.3 无人机外方位角元素优化方法 | 第51-58页 |
| 3.3.1 求解角方位元素数学模型 | 第51-53页 |
| 3.3.2 基于矢量非迭代方法解非线性方程 | 第53-54页 |
| 3.3.3 优化效果分析 | 第54-58页 |
| 3.4 实验区域正射影像生成 | 第58-60页 |
| 3.4.1 实验区域影像预处理 | 第58页 |
| 3.4.2 实验区正射影像制作与精度分析 | 第58-60页 |
| 3.5 本章小结 | 第60-62页 |
| 第4章 无人机高分影像建筑物解译模型构建研究 | 第62-76页 |
| 4.1 问题的提出 | 第62页 |
| 4.2 无人机高分影像建筑物特征提取方法 | 第62-68页 |
| 4.2.1 方向梯度直方图特征 | 第62-64页 |
| 4.2.2 视觉词袋特征 | 第64-65页 |
| 4.2.3 卷积神经网络提取特征 | 第65-66页 |
| 4.2.4 迁移学习特征 | 第66-68页 |
| 4.3 建筑物解译模型构建流程 | 第68-69页 |
| 4.4 实验分析 | 第69-74页 |
| 4.4.1 实验数据 | 第69-70页 |
| 4.4.2 研究区及典型建筑物概述 | 第70页 |
| 4.4.3 空心村建筑物样本库 | 第70-73页 |
| 4.4.4 深度学习模型训练 | 第73页 |
| 4.4.5 精度分析 | 第73-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第5章 面向无人机高分影像的空心村建筑物信息获取方法 | 第76-101页 |
| 5.1 问题的提出 | 第76-77页 |
| 5.2 实验区概况 | 第77页 |
| 5.3 基于卷积神经网络的小范围建筑物检测方法 | 第77-83页 |
| 5.3.1 理论方法 | 第77-79页 |
| 5.3.2 检测流程 | 第79-80页 |
| 5.3.3 实验结果与分析 | 第80-83页 |
| 5.4 基于迁移学习的大范围建筑物检测方法 | 第83-90页 |
| 5.4.1 理论方法 | 第83-84页 |
| 5.4.2 检测流程 | 第84-86页 |
| 5.4.3 实验结果与分析 | 第86-90页 |
| 5.5 空心村建筑物信息调查系统 | 第90-100页 |
| 5.5.1 整体框架 | 第92-93页 |
| 5.5.2 技术成果示范应用 | 第93-98页 |
| 5.5.3 效率分析 | 第98-100页 |
| 5.6 本章小结 | 第100-101页 |
| 结论与展望 | 第101-103页 |
| 结论 | 第101-102页 |
| 研究工作展望 | 第102-103页 |
| 致谢 | 第103-104页 |
| 参考文献 | 第104-117页 |
| 攻读博士学位期间发表的论文及科研成果 | 第117-118页 |