| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 遥感图像道路提取的研究现状 | 第8-12页 |
| 1.2.1 半自动化道路提取方法 | 第9-10页 |
| 1.2.2 自动化道路提取方法 | 第10-12页 |
| 1.3 遥感图像道路提取方法发展趋势 | 第12页 |
| 1.4 本文主要研究内容与结构安排 | 第12-14页 |
| 第2章 遥感图像道路提取的基本理论 | 第14-28页 |
| 2.1 高分辨率遥感图像概述 | 第14-15页 |
| 2.2 高分辨率遥感图像道路特征分析 | 第15-16页 |
| 2.3 卷积神经网络 | 第16-22页 |
| 2.3.1 卷积神经网络发展概述 | 第16-17页 |
| 2.3.2 卷积神经网络基本结构 | 第17-22页 |
| 2.3.3 卷积神经网络优缺点 | 第22页 |
| 2.4 数学形态学 | 第22-26页 |
| 2.4.1 数学形态学基本思想 | 第22-23页 |
| 2.4.2 结构元素的定义 | 第23页 |
| 2.4.3 形态学基本运算 | 第23-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 卷积神经网络提取遥感图像道路的过程及相关算法 | 第28-36页 |
| 3.1 卷积神经网络的训练过程 | 第28-29页 |
| 3.2 影响卷积神经网络性能的相关因素和方法 | 第29-30页 |
| 3.3 卷积神经网络训练中的相关问题 | 第30-35页 |
| 3.3.1 神经网络的激活函数 | 第30-32页 |
| 3.3.2 代价函数 | 第32-33页 |
| 3.3.3 训练算法 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于批量随机梯度下降算法的卷积神经网络应用 | 第36-50页 |
| 4.1 训练样本选取和预处理 | 第37-39页 |
| 4.1.1 训练样本选取 | 第37-38页 |
| 4.1.2 预处理 | 第38-39页 |
| 4.2 道路提取实验过程 | 第39-47页 |
| 4.2.1 CNN结构设计 | 第39-41页 |
| 4.2.2 MBGD算法训练CNN | 第41-44页 |
| 4.2.3 CNN提取道路实验结果 | 第44-45页 |
| 4.2.4 形状特征分析与形态学优化道路提取结果 | 第45-47页 |
| 4.3 实验分析与讨论 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 基于拟牛顿算法的卷积神经网络应用 | 第50-56页 |
| 5.1 基于BFGS训练的CNN的遥感图像道路提取 | 第50-53页 |
| 5.1.1 BFGS算法训练CNN | 第50-51页 |
| 5.1.2 CNN提取道路实验结果 | 第51-52页 |
| 5.1.3 形状特征分析与形态学优化道路提取结果 | 第52-53页 |
| 5.2 实验分析与讨论 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 全文总结 | 第56-57页 |
| 6.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间的科研成果 | 第66页 |
