基于浮动车轨迹学习的高分影像城市道路网提取方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于浮动车轨迹的道路提取研究现状 | 第10-11页 |
| 1.2.2 基于遥感影像的道路提取研究现状 | 第11页 |
| 1.2.3 当前道路提取方法的不足 | 第11-12页 |
| 1.3 研究目标和内容 | 第12-13页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 城市道路提取相关技术 | 第15-24页 |
| 2.1 道路提取整体技术框架 | 第15-16页 |
| 2.2 道路提取中的数学形态学 | 第16-20页 |
| 2.2.1 数学形态学简介 | 第16页 |
| 2.2.2 数学形态学的基本运算 | 第16-20页 |
| 2.2.3 数学形态学在道路提取中的应用 | 第20页 |
| 2.3 影像分割中的卷积神经网络 | 第20-23页 |
| 2.3.1 卷积神经网络概述 | 第20-21页 |
| 2.3.2 卷积神经网络基本结构 | 第21-22页 |
| 2.3.3 卷积神经网络在道路提取中的应用 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于数学形态学的浮动车轨迹道路提取 | 第24-38页 |
| 3.1 浮动车轨迹道路提取技术框架 | 第24-25页 |
| 3.2 浮动车轨迹栅格化 | 第25-28页 |
| 3.2.1 轨迹数据预处理 | 第25页 |
| 3.2.2 轨迹数据栅格化 | 第25-28页 |
| 3.3 轨迹栅格图像的数学形态学处理 | 第28-31页 |
| 3.3.1 图像平滑去噪 | 第28-29页 |
| 3.3.2 数学形态学细化 | 第29-31页 |
| 3.4 轨迹图像的矢量化 | 第31-32页 |
| 3.5 实验结果与分析 | 第32-37页 |
| 3.5.1 实验环境与数据 | 第32-33页 |
| 3.5.2 实验结果与评价 | 第33-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 浮动车轨迹辅助下样本集的建立 | 第38-45页 |
| 4.1 样本集制作技术框架 | 第38页 |
| 4.2 数据选取 | 第38-40页 |
| 4.3 基于浮动车轨迹标注道路样本 | 第40-44页 |
| 4.3.1 图像预处理及分幅 | 第40-41页 |
| 4.3.2 轨迹对象与影像道路匹配 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于卷积神经网络的遥感影像道路提取 | 第45-63页 |
| 5.1 遥感影像道路提取技术框架 | 第45页 |
| 5.2 道路提取网络模型构建 | 第45-52页 |
| 5.2.1 几种图像语义分割卷积网络的对比 | 第45-50页 |
| 5.2.2 D-LinkNet基本结构 | 第50-51页 |
| 5.2.3 预训练编码器 | 第51-52页 |
| 5.3 训练参数设置 | 第52-53页 |
| 5.3.1 数据扩增 | 第52页 |
| 5.3.2 参数设置 | 第52-53页 |
| 5.4 实验结果与评价 | 第53-61页 |
| 5.4.1 实验数据与结果 | 第53-54页 |
| 5.4.2 结果评价与分析 | 第54-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-66页 |
| 6.1 论文总结 | 第63-64页 |
| 6.2 研究不足与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间参加的科研项目和发表的论文 | 第72-73页 |
| 参加的科研项目 | 第72页 |
| 发表的论文 | 第72-73页 |
| 致谢 | 第73页 |
