| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 道路提取概述 | 第10-11页 |
| 1.2.1 高分辨率影像的特点 | 第10页 |
| 1.2.2 影像道路特征 | 第10-11页 |
| 1.3 遥感影像道路提取现状及发展趋势 | 第11-15页 |
| 1.3.1 半自动道路提取现状 | 第12-13页 |
| 1.3.2 自动道路提取现状 | 第13-15页 |
| 1.3.3 道路提取的发展趋势 | 第15页 |
| 1.4 本文主要内容和结构安排 | 第15-18页 |
| 1.4.1 本文主要内容 | 第15-16页 |
| 1.4.2 论文结构安排 | 第16-18页 |
| 第二章 基于遗传算法改进的模糊集影像增强 | 第18-29页 |
| 2.1 影像增强的基本方法 | 第18-22页 |
| 2.1.1 直方图均衡化增强 | 第18-19页 |
| 2.1.2 灰度变换增强 | 第19页 |
| 2.1.3 模糊集增强 | 第19-21页 |
| 2.1.4 Ostu改进的模糊集增强 | 第21-22页 |
| 2.2 遗传算法改进的模糊集影像增强 | 第22-23页 |
| 2.3 实验对比与分析 | 第23-28页 |
| 2.3.1 影像增强实验 | 第23-25页 |
| 2.3.2 增强图像的质量评价方法 | 第25-27页 |
| 2.3.3 增强的图像质量评价 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 结合K-means和参数自动选取的PCNN分割 | 第29-42页 |
| 3.1 图像分割的定义 | 第29-30页 |
| 3.2 PCNN分割基本原理 | 第30-31页 |
| 3.3 PCNN算法参数的自动选取方法 | 第31-37页 |
| 3.3.1 内部连接系数W和?的选择 | 第31-32页 |
| 3.3.2 PCNN迭代次数的自适应选取 | 第32-33页 |
| 3.3.3 基于遗传算法的KSW的双阈值选取 | 第33-34页 |
| 3.3.4 实验与分析 | 第34-37页 |
| 3.4 基于K-means的PCNN算法改进 | 第37-41页 |
| 3.4.1 K-means算法基本原理 | 第37-39页 |
| 3.4.2 结合K-means和PCNN算法的分割流程 | 第39页 |
| 3.4.3 实验与分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于多结构多尺度形态学的道路提取 | 第42-55页 |
| 4.1 道路区域的形态特征 | 第42-43页 |
| 4.2 多结构多尺度形态学权重处理 | 第43-47页 |
| 4.2.1 常用形态学处理 | 第43-44页 |
| 4.2.2 多结构多尺度的结构算子 | 第44-46页 |
| 4.2.3 标注连接分量 | 第46页 |
| 4.2.4 形态学细化处理 | 第46-47页 |
| 4.3 实验与分析 | 第47-54页 |
| 4.3.1 形态学方法的道路提取 | 第47-50页 |
| 4.3.2 提取道路的准确率分析 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 道路线矢量化及应用 | 第55-72页 |
| 5.1 引言 | 第55-56页 |
| 5.2 道路线矢量化 | 第56-63页 |
| 5.2.1 链码跟踪方法 | 第56-58页 |
| 5.2.2 道路线的矢量化 | 第58-63页 |
| 5.3 矢量化编辑的应用 | 第63-69页 |
| 5.3.1 利用MappingStar数字测图系统编辑矢量数据 | 第63-69页 |
| 5.3.2 道路提取方法的效率验证 | 第69页 |
| 5.4 道路提取在道路更新中的应用 | 第69-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简介 | 第78页 |
