摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景和意义 | 第11-13页 |
1.1.1 遥感与GIS的发展 | 第11-12页 |
1.1.2 建筑物提取的意义 | 第12-13页 |
1.2 建筑物提取研究现状和发展趋势 | 第13-15页 |
1.3 本文研究内容及创新点 | 第15-16页 |
1.3.1 建筑物提取现存问题 | 第15页 |
1.3.2 本文研究内容和创新点 | 第15-16页 |
1.4 论文结构安排 | 第16-19页 |
第二章 植被似然建模 | 第19-25页 |
2.1 植被似然建模 | 第19-21页 |
2.1.1 高斯混合模型 | 第19-20页 |
2.1.2 EM参数估计 | 第20页 |
2.1.3 植被模型离线监督学习 | 第20页 |
2.1.4 似然图像的实现 | 第20-21页 |
2.2 实验结果与分析 | 第21-23页 |
2.3 本章小结 | 第23-25页 |
第三章 基于分水岭的预分割 | 第25-43页 |
3.1 分水岭算法分析 | 第25-30页 |
3.1.1 基本概念 | 第26-27页 |
3.1.2 分水岭分割算法 | 第27-30页 |
3.1.3 分水岭过分割问题的解决策略 | 第30页 |
3.2 基于标记的分水岭分割算法 | 第30-37页 |
3.2.1 图像形态学处理基础知识 | 第31-36页 |
3.2.2 形态学梯度 | 第36页 |
3.2.3 标记提取 | 第36-37页 |
3.2.4 基于标记的分水岭分割 | 第37页 |
3.3 实现结果与分析 | 第37-42页 |
3.3.1 数据一实验结果与分析 | 第37-39页 |
3.3.2 数据二实验结果与分析 | 第39-41页 |
3.3.3 数据三实验结果与分析 | 第41-42页 |
3.4 本章小结 | 第42-43页 |
第四章 基于K-means聚类的遥感影像分割 | 第43-57页 |
4.1 K-means算法分析 | 第43-46页 |
4.1.1 K-means聚类算法原理 | 第43-45页 |
4.1.2 K-means聚类算法优点 | 第45-46页 |
4.1.3 K-means聚类算法存在的问题 | 第46页 |
4.2 K均值聚类以及改进算法分割图像 | 第46-49页 |
4.2.1 K均值聚类算法对初始聚类中心的依赖性 | 第46-48页 |
4.2.2 改进K均值聚类算法 | 第48-49页 |
4.3 遥感影像分割 | 第49-52页 |
4.3.1 形态学优化 | 第50页 |
4.3.2 边缘检测 | 第50-52页 |
4.4 实验结果及分析 | 第52-55页 |
4.4.1 数据一实验结果与分析 | 第52-53页 |
4.4.2 数据二实验结果与分析 | 第53-54页 |
4.4.3 数据三实验结果与分析 | 第54页 |
4.4.4 与传统方法比较 | 第54-55页 |
4.5 本章小结 | 第55-57页 |
第五章 建筑物提取及轮廓规则化 | 第57-73页 |
5.1 判定封闭区域为建筑物 | 第57页 |
5.2 闭合轮廓曲线拟合成多边形 | 第57-58页 |
5.3 基于主方向估计的形状规则化算法 | 第58-64页 |
5.3.1 主方向估计 | 第60页 |
5.3.2 基于ISOCLUS聚类的主方向估计算法 | 第60-62页 |
5.3.3 基于最小代价的主方向估计算法 | 第62-64页 |
5.4 直角多边形拟合 | 第64-69页 |
5.4.1 斜线段分裂算子 | 第66页 |
5.4.2 角点相交算子 | 第66-67页 |
5.4.3 拐角修复算子 | 第67页 |
5.4.4 凹凸平滑算子 | 第67-68页 |
5.4.5 融合算子 | 第68页 |
5.4.6 冗余点剔除算子 | 第68-69页 |
5.5 实验结果与分析 | 第69-71页 |
5.5.1 数据一实验结果与分析 | 第69页 |
5.5.2 数据二实验结果与分析 | 第69-70页 |
5.5.3 数据三实验结果与分析 | 第70-71页 |
5.5.4 与传统方法比较分析 | 第71页 |
5.6 本章小结 | 第71-73页 |
第六章 总结与展望 | 第73-77页 |
6.1 本文研究内容 | 第73-74页 |
6.2 工作展望 | 第74-77页 |
致谢 | 第77-79页 |
参考文献 | 第79-83页 |
附录A 攻读硕士学位期间学术成果 | 第83页 |