基于卷积神经网络和SIFT的多源遥感图像配准研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究的目的和意义 | 第8页 |
| 1.2 图像配准在国内外发展状况 | 第8-11页 |
| 1.2.1 图像配准的总体情况 | 第8-10页 |
| 1.2.2 深度学习在图像配准中的应用前景 | 第10-11页 |
| 1.3 论文主要研究内容及结果 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第2章 图像配准和卷积神经网络理论 | 第13-31页 |
| 2.1 图像配准 | 第13-19页 |
| 2.1.1 图像配准简述 | 第13-14页 |
| 2.1.2 图像配准理论 | 第14-17页 |
| 2.1.3 图像配准方法 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-30页 |
| 2.2.1 卷积神经网络简述 | 第19-20页 |
| 2.2.2 卷积神经网络结构 | 第20-24页 |
| 2.2.3 激活函数 | 第24-26页 |
| 2.2.4 卷积神经网络的具体实现 | 第26-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 基于卷积神经网络配准方法 | 第31-42页 |
| 3.1 引言 | 第31页 |
| 3.2 SIFT算法简述 | 第31-32页 |
| 3.3 卷积神经网络模型介绍 | 第32-33页 |
| 3.3.1 ImageNet简介 | 第32页 |
| 3.3.2 卷积神经网络模型结构 | 第32-33页 |
| 3.4 样本采集和卷积神经网络模型的微调 | 第33-34页 |
| 3.5 特征提取 | 第34-35页 |
| 3.6 图像配准流程 | 第35-36页 |
| 3.7 实验结果与分析 | 第36-41页 |
| 3.8 本章小结 | 第41-42页 |
| 第4章 基于卷积神经网络和SIFT图像配准方法 | 第42-53页 |
| 4.1 引言 | 第42页 |
| 4.2 PSO-SIFT方法的描述 | 第42-45页 |
| 4.2.1 特征检测 | 第42页 |
| 4.2.2 特征描述 | 第42-43页 |
| 4.2.3 特征匹配 | 第43-45页 |
| 4.3 CNN模型介绍 | 第45-46页 |
| 4.4 预训练的CNN模型微调 | 第46页 |
| 4.5 特征融合 | 第46页 |
| 4.6 使用融合特征的图像配准过程 | 第46-47页 |
| 4.7 实验仿真结果及其分析 | 第47-51页 |
| 4.7.1 实验一 | 第48-49页 |
| 4.7.2 实验二 | 第49-51页 |
| 4.8 配准结果 | 第51-52页 |
| 4.9 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 本文研究工作的主要成果 | 第53-54页 |
| 5.2 本文下一步的研究方向 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60页 |
