| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 无人机遥感技术的研究现状 | 第11-12页 |
| 1.2.2 无人机影像处理研究现状 | 第12-13页 |
| 1.2.3 蓝藻识别的研究现状 | 第13-15页 |
| 1.3 研究目的与意义 | 第15-16页 |
| 1.4 研究内容及结构安排 | 第16-19页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 论文组织结构 | 第16-19页 |
| 第二章 无人机遥感影像获取 | 第19-27页 |
| 2.1 无人机遥感系统的集成 | 第19-20页 |
| 2.2 无人机遥感影像获取技术 | 第20-25页 |
| 2.2.1 研究区概况 | 第21-22页 |
| 2.2.2 技术准备与航线设计 | 第22-23页 |
| 2.2.3 飞行作业实施 | 第23-24页 |
| 2.2.4 影像质量检查 | 第24页 |
| 2.2.5 成果整体与提交 | 第24-25页 |
| 2.3 无人机遥感影像特点 | 第25-26页 |
| 2.4 无人机遥感平台的优势 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 无人机遥感影像数据处理 | 第27-39页 |
| 3.1 无人机遥感影像数据处理流程 | 第27-31页 |
| 3.1.1 影像预处理 | 第27-28页 |
| 3.1.2 解析空中三角测量 | 第28-29页 |
| 3.1.3 正射影像制作 | 第29-31页 |
| 3.2 影像匹配 | 第31-34页 |
| 3.2.1 SIFT算法 | 第31-33页 |
| 3.2.2 格网法提取兴趣点 | 第33-34页 |
| 3.2.3 特征点匹配策略 | 第34页 |
| 3.3 实验与分析 | 第34-38页 |
| 3.3.1 基于不同分割间距特征点提取 | 第35-37页 |
| 3.3.2 基于SIFT算法不同特征点匹配策略对比 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于可见光波段蓝藻植被指数的构建 | 第39-48页 |
| 4.1 传统蓝藻水华识别方法 | 第39-42页 |
| 4.1.1 人工采集方法 | 第39页 |
| 4.1.2 基于卫星影像的方法 | 第39-42页 |
| 4.2 基于可见光影像的蓝藻植被指数的构建 | 第42-43页 |
| 4.2.1 基于可见波段的植被指数 | 第42页 |
| 4.2.2 基于RGB波段蓝藻植被指数的构建 | 第42-43页 |
| 4.3 实验与分析 | 第43-47页 |
| 4.3.1 实验数据 | 第43-44页 |
| 4.3.2 实验过程及实验结果分析 | 第44-45页 |
| 4.3.3 植被指数适用性评价 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于支持向量机的蓝藻水体分类方法 | 第48-61页 |
| 5.1 支持向量机 | 第48-52页 |
| 5.1.1 线性分类 | 第48-50页 |
| 5.1.2 广义线性分类 | 第50-51页 |
| 5.1.3 核函数 | 第51-52页 |
| 5.2 基于径向基核函数的参数寻优 | 第52-57页 |
| 5.2.1 LIBSVM分类器 | 第53-54页 |
| 5.2.2 遥感影像的读取 | 第54页 |
| 5.2.3 遥感影像归一化 | 第54页 |
| 5.2.4 训练样本采集 | 第54-56页 |
| 5.2.5 核函数选择与参数寻优 | 第56-57页 |
| 5.3 基于SVM模型的水体蓝藻分类 | 第57-59页 |
| 5.3.1 不同植被指数识别结果分类 | 第57-58页 |
| 5.3.2 分类效果评价 | 第58-59页 |
| 5.4 基于参数优化SVM模型的水体蓝藻分类 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70页 |