基于多源遥感影像融合的城市不透水层提取方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-15页 |
| 1.3.1 亚像元法 | 第12-13页 |
| 1.3.2 逐像元法 | 第13-14页 |
| 1.3.3 光学和SAR融合 | 第14-15页 |
| 1.4 研究目的 | 第15页 |
| 1.5 文章内容安排 | 第15-17页 |
| 第2章 研究区域和遥感数据 | 第17-21页 |
| 2.1 研究地区-香港 | 第17页 |
| 2.2 城市地物分类的复杂性 | 第17-18页 |
| 2.3 遥感数据源 | 第18-20页 |
| 2.3.1 GF-1卫星 | 第18-19页 |
| 2.3.2 RadarSat-2卫星 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于光学影像的不透水层提取 | 第21-45页 |
| 3.1 框架 | 第21页 |
| 3.2 光学特征选取 | 第21-27页 |
| 3.2.1 HSV转换 | 第21-22页 |
| 3.2.2 归一化植被指数 | 第22-23页 |
| 3.2.3 归一化水体指数 | 第23-24页 |
| 3.2.4 灰度共生矩阵GLCM | 第24-27页 |
| 3.3 逐像元模型 | 第27-28页 |
| 3.4 基于特征分布直方图的地物分类策略 | 第28-29页 |
| 3.5 基于KL散度的特征选取评价 | 第29-32页 |
| 3.6 传统浅层分类器 | 第32-35页 |
| 3.6.1 人工神经网络 | 第32-33页 |
| 3.6.2 支持向量机 | 第33-35页 |
| 3.7 基于深度网络的分类器 | 第35-38页 |
| 3.7.1 深度置信网络 | 第35-36页 |
| 3.7.2 堆叠自编码器 | 第36-38页 |
| 3.8 基于光学影像的城市不透水层提取-实验 | 第38-44页 |
| 3.8.1 特征集及训练样本 | 第38-40页 |
| 3.8.2 准确率估计 | 第40页 |
| 3.8.3 实验结果及讨论 | 第40-44页 |
| 3.9 本章小结 | 第44-45页 |
| 第4章 基于SAR影像的不透水层提取 | 第45-63页 |
| 4.1 框架 | 第45页 |
| 4.2 散射体的极化描述 | 第45-47页 |
| 4.2.1 极化散射矩阵 | 第45-46页 |
| 4.2.2 极化相干矩阵和协方差矩阵 | 第46-47页 |
| 4.3 SAR斑点噪声处理 | 第47-48页 |
| 4.3.1 多视处理 | 第48页 |
| 4.3.2 精致Lee滤波 | 第48页 |
| 4.4 极化特征分解 | 第48-53页 |
| 4.4.1 相干分解 | 第48-51页 |
| 4.4.1.1 Pauli分解 | 第48-49页 |
| 4.4.1.2 Krogager分解 | 第49-51页 |
| 4.4.2 非相干分解 | 第51-53页 |
| 4.4.2.1 Cloude-pottier分解 | 第51-52页 |
| 4.4.2.2 Freeman分解 | 第52-53页 |
| 4.5 基于H-alpha平面的地物分类策略 | 第53-55页 |
| 4.6 基于KL散度的特征选取评价 | 第55-57页 |
| 4.7 基于SAR影像的城市不透水层提取-实验 | 第57-62页 |
| 4.7.1 特征集及训练样本 | 第57-59页 |
| 4.7.2 实验结果及讨论 | 第59-62页 |
| 4.8 本章小结 | 第62-63页 |
| 第5章 基于多源遥感影像融合的不透水层提取 | 第63-73页 |
| 5.1 框架 | 第63-64页 |
| 5.2 基于数字高程模型的SAR影像配准方法 | 第64页 |
| 5.3 地理编码 | 第64-65页 |
| 5.4 基于多源图像融合的城市不透水层提取-实验 | 第65-71页 |
| 5.4.1 特征集及训练样本 | 第65-67页 |
| 5.4.2 实验结果及讨论 | 第67-71页 |
| 5.5 本章小结 | 第71-73页 |
| 结论与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |
