高分辨率遥感卫星影像自动云检测算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究目的及意义 | 第14-15页 |
| 1.2 国内外研究现状及发展趋势 | 第15-20页 |
| 1.2.1 国内研究现状 | 第15-17页 |
| 1.2.2 国外研究现状 | 第17-18页 |
| 1.2.3 发展趋势 | 第18-20页 |
| 1.3 论文主要研究内容及结构 | 第20-21页 |
| 第2章 高分影像云层类别划分 | 第21-27页 |
| 2.1 气象学云类别划分 | 第21-23页 |
| 2.1.1 依据形态的云层分类 | 第21-23页 |
| 2.1.2 依据成因的云层分类 | 第23页 |
| 2.2 气象学云类特征 | 第23-25页 |
| 2.2.1 低云 | 第23-24页 |
| 2.2.2 中云 | 第24页 |
| 2.2.3 高云 | 第24-25页 |
| 2.3 高分影像云层类别划分 | 第25-26页 |
| 2.3.1 厚云 | 第25-26页 |
| 2.3.2 薄云 | 第26页 |
| 2.3.3 卷云 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 高分影像云层特征描述 | 第27-40页 |
| 3.1 云层光谱特征 | 第27-30页 |
| 3.1.1 灰度直方图 | 第27-29页 |
| 3.1.2 HIS色彩特征 | 第29-30页 |
| 3.2 云层纹理特征 | 第30-34页 |
| 3.2.1 灰度共生矩阵 | 第30-31页 |
| 3.2.2 LBP纹理特征 | 第31-32页 |
| 3.2.3 直方图均衡化和双边滤波纹理提取 | 第32-33页 |
| 3.2.4 分形维数特征 | 第33-34页 |
| 3.3 云层频率特征 | 第34-36页 |
| 3.3.1 傅立叶变换 | 第34-35页 |
| 3.3.2 小波变换 | 第35-36页 |
| 3.4 云层几何特征 | 第36-39页 |
| 3.4.1 SIFT特征 | 第36-37页 |
| 3.4.2 SURF特征 | 第37-38页 |
| 3.4.3 Hough变换 | 第38页 |
| 3.4.4 LSD线特征 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于多特征联合的云提取 | 第40-53页 |
| 4.1 基于多特征联合的云层提取算法概述 | 第40-41页 |
| 4.2 基于光谱的云层初提取 | 第41-46页 |
| 4.2.1 HIS色彩模型改进 | 第41-43页 |
| 4.2.2 云层粗提取 | 第43-46页 |
| 4.3 基于纹理特征的云层精化 | 第46-48页 |
| 4.3.1 基于纹理的云层分割 | 第46-47页 |
| 4.3.2 基于纹理的云层精化 | 第47-48页 |
| 4.4 基于形态学的云检测结果后处理 | 第48-49页 |
| 4.4.1 边缘厚云提取 | 第48-49页 |
| 4.4.2 边缘厚云向薄云过渡 | 第49页 |
| 4.4.3 边缘薄云提取 | 第49页 |
| 4.5 质量评估 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于支持向量机的面向对象云提取 | 第53-69页 |
| 5.1 基于支持向量机的面向对象云检测算法概述 | 第53-54页 |
| 5.2 超像素分割 | 第54页 |
| 5.3 超像素识别 | 第54-61页 |
| 5.3.1 背景超像素(BS)识别 | 第54-56页 |
| 5.3.2 超像素识别 | 第56-61页 |
| 5.4 云层精提取研究 | 第61-62页 |
| 5.5 算法可行性分析 | 第62-64页 |
| 5.5.1 内部可行性分析 | 第62-63页 |
| 5.5.2 算法参数分析 | 第63-64页 |
| 5.6 质量评估 | 第64-68页 |
| 5.6.1 与自动云检测算法对比 | 第65-66页 |
| 5.6.2 与自动影像分割算法对比 | 第66-67页 |
| 5.6.3 与交互式影像分割算法对比 | 第67-68页 |
| 5.7 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕土期间发表的论文和科研情况 | 第76-77页 |
| 致谢 | 第77-79页 |
