| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题的背景及来源 | 第9-11页 |
| 1.2 课题研究的目的和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 机载LiDAR点云特征提取与分类研究现状 | 第12-14页 |
| 1.3.2 稀疏表示分类研究进展 | 第14-16页 |
| 1.3.3 研究现状的总结 | 第16-17页 |
| 1.4 本文的主要研究内容 | 第17-19页 |
| 第2章 LIDAR点云数据预处理与特征提取技术 | 第19-32页 |
| 2.1 引言 | 第19页 |
| 2.2 机载LIDAR数据采集系统与数据特性 | 第19-21页 |
| 2.2.1 机载LiDAR系统组成与工作原理 | 第19-20页 |
| 2.2.2 机载LiDAR点云数据格式与特性 | 第20-21页 |
| 2.3 LIDAR点云数据预处理 | 第21-23页 |
| 2.3.1 研究区域数据集介绍 | 第21-23页 |
| 2.3.2 粗差点剔除 | 第23页 |
| 2.4 LIDAR点云数据特征提取 | 第23-27页 |
| 2.4.1 单点特征提取与地形粗提取 | 第24-25页 |
| 2.4.2 邻域特征提取 | 第25-27页 |
| 2.5 实验结果与分析 | 第27-31页 |
| 2.5.1 预处理过程 | 第27-28页 |
| 2.5.2 特征提取过程 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于稀疏表示的LIDAR点云分类 | 第32-47页 |
| 3.1 引言 | 第32页 |
| 3.2 稀疏表示理论与稀疏表示分类器 | 第32-34页 |
| 3.2.1 稀疏表示理论 | 第32-33页 |
| 3.2.2 稀疏表示分类器 | 第33-34页 |
| 3.3 核方法与核空间稀疏表示分类 | 第34-36页 |
| 3.4 核空间联合稀疏表示分类 | 第36-37页 |
| 3.4.1 联合稀疏表示分类 | 第36-37页 |
| 3.4.2 核化联合稀疏表示分类 | 第37页 |
| 3.5 实验结果与分析 | 第37-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于多核学习稀疏表示的LIDAR点云分类 | 第47-60页 |
| 4.1 引言 | 第47页 |
| 4.2 多核学习分类 | 第47-51页 |
| 4.2.1 多核学习理论 | 第47-48页 |
| 4.2.2 多核框架下的核空间稀疏表示分类技术 | 第48-51页 |
| 4.3 实验结果与分析 | 第51-59页 |
| 4.3.1 实验设置 | 第51页 |
| 4.3.2 结果与分析 | 第51-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 基于LIDAR点云分类的电力走廊信息提取 | 第60-77页 |
| 5.1 引言 | 第60页 |
| 5.2 电力走廊信息提取 | 第60-66页 |
| 5.2.1 Hough变换单根电力线提取 | 第60-63页 |
| 5.2.2 建筑物和树木目标的单体分割 | 第63-66页 |
| 5.3 电力走廊安全标准 | 第66页 |
| 5.4 实验结果与分析 | 第66-76页 |
| 5.4.1 电力线单根分离 | 第67-70页 |
| 5.4.2 建筑物和树木目标的单体分割 | 第70-73页 |
| 5.4.3 整体分析 | 第73-76页 |
| 5.5 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第84-86页 |
| 致谢 | 第86页 |