多源遥感数据测绘应用关键技术研究
致谢1 | 第4-5页 |
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第15-41页 |
1.1 研究背景和意义 | 第15-16页 |
1.2 国内外相关研究现状 | 第16-37页 |
1.2.1 多源遥感数据配准的研究现状 | 第16-22页 |
1.2.2 遥感图像地物要素提取的研究现状 | 第22-32页 |
1.2.3 地物变化检测的研究现状 | 第32-36页 |
1.2.4 地形变化检测的研究现状 | 第36-37页 |
1.3 论文的研究内容与章节安排 | 第37-41页 |
1.3.1 存在的问题 | 第37-38页 |
1.3.2 研究内容 | 第38-39页 |
1.3.3 章节安排 | 第39-41页 |
2 地物要素智能化提取 | 第41-78页 |
2.1 面状地物要素提取 | 第41-43页 |
2.2 基于纹理特征的半自动提取 | 第43-51页 |
2.2.1 区域生长法 | 第43-44页 |
2.2.2 基于灰度共生矩阵的阈值法 | 第44-46页 |
2.2.3 基于Gabor变换的区域生长法 | 第46-51页 |
2.3 半自动提取实验与分析 | 第51-55页 |
2.3.1 水体提取 | 第51-52页 |
2.3.2 植被提取 | 第52-53页 |
2.3.3 居民地提取 | 第53-55页 |
2.3.4 半自动提取的优缺点 | 第55页 |
2.4 基于深度学习的自动提取 | 第55-65页 |
2.4.1 卷积神经网络 | 第56-59页 |
2.4.2 条件生成式对抗网络 | 第59-63页 |
2.4.3 地物要素自动提取 | 第63-65页 |
2.5 自动提取实验与分析 | 第65-74页 |
2.5.1 CNN | 第65-68页 |
2.5.2 CGAN | 第68-74页 |
2.5.3 自动提取的优缺点 | 第74页 |
2.6 提取后处理 | 第74-77页 |
2.6.1 形态学处理 | 第74-75页 |
2.6.2 中心线生成 | 第75-76页 |
2.6.3 曲线光滑 | 第76-77页 |
2.7 本章小结 | 第77-78页 |
3 基于地物要素的图像配准及其变化检测 | 第78-116页 |
3.1 基于解译的图像配准 | 第79-89页 |
3.1.1 图像配准的方法 | 第79-80页 |
3.1.2 基于特征的遥感图像配准 | 第80-82页 |
3.1.3 面向地理对象 | 第82-85页 |
3.1.4 形状匹配 | 第85-89页 |
3.2 基于EOSB算法的线状地物要素匹配 | 第89-101页 |
3.2.1 形状描述 | 第89-90页 |
3.2.2 EOSB匹配算法 | 第90-92页 |
3.2.3 实验与分析 | 第92-101页 |
3.3 基于形状上下文的面状地物要素匹配 | 第101-110页 |
3.3.1 形状上下文匹配算法 | 第102-104页 |
3.3.2 实验与分析 | 第104-110页 |
3.4 地物要素的变化检测 | 第110-115页 |
3.4.1 算法思路 | 第110-112页 |
3.4.2 实验与分析 | 第112-115页 |
3.5 本章小结 | 第115-116页 |
4 地形变化检测 | 第116-147页 |
4.1 DEM匹配 | 第117-126页 |
4.1.1 匹配方法 | 第117-120页 |
4.1.2 基本原理 | 第120-125页 |
4.1.3 存在问题 | 第125-126页 |
4.2 基于等高线的DEM匹配 | 第126-141页 |
4.2.1 匹配流程 | 第126-127页 |
4.2.2 匹配方法 | 第127-131页 |
4.2.3 参数解算 | 第131-134页 |
4.2.4 实验与分析 | 第134-141页 |
4.3 滑坡检测 | 第141-145页 |
4.4 本章小结 | 第145-147页 |
5 总结与展望 | 第147-151页 |
5.1 总结 | 第147-149页 |
5.1.1 论文的主要工作 | 第147-148页 |
5.1.2 创新点 | 第148-149页 |
5.2 展望 | 第149-151页 |
参考文献 | 第151-173页 |
作者简介及在学期间发表的学术论文与研究成果 | 第173-174页 |
致谢2 | 第174页 |