| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·研究的背景和意义 | 第11-12页 |
| ·建筑物识别提取技术的研究现状及发展趋势 | 第12-15页 |
| ·本文的研究内容和技术路线 | 第15-19页 |
| ·研究内容 | 第15页 |
| ·技术路线 | 第15-19页 |
| 2 机载激光雷达及其数据处理 | 第19-29页 |
| ·机载激光雷达介绍 | 第19-21页 |
| ·机载 LiDAR 系统的基本组成 | 第19-20页 |
| ·机载LiDAR 系统的优势 | 第20-21页 |
| ·LiDAR 数据处理 | 第21-23页 |
| ·激光点云数据的特点 | 第21-22页 |
| ·激光点云数据预处理 | 第22-23页 |
| ·激光点云数据生成nDSM | 第23-26页 |
| ·几种LiDAR 点云插值方法比较 | 第23页 |
| ·基于TerraScan 分类生成DSM | 第23-24页 |
| ·基于TerraScan 分类生成DEM | 第24-26页 |
| ·生成nDSM | 第26页 |
| ·本章小结 | 第26-29页 |
| 3 影像分类及 SVM 理论 | 第29-51页 |
| ·非监督分类与监督分类 | 第29-31页 |
| ·非监督分类 | 第29-30页 |
| ·监督分类 | 第30-31页 |
| ·主要的监督分类方法 | 第31-34页 |
| ·最小距离分类 | 第32页 |
| ·最大似然分类 | 第32-33页 |
| ·神经网络分类 | 第33-34页 |
| ·SVM 分类 | 第34页 |
| ·SVM 的基本理论 | 第34-40页 |
| ·SVM 的基本思想 | 第35-38页 |
| ·核函数 | 第38-40页 |
| ·SVM 分类原理 | 第40-42页 |
| ·二值分类问题 | 第40-42页 |
| ·多类分类问题 | 第42页 |
| ·监督分类对比实验 | 第42-47页 |
| ·四种监督分类方法对比实验 | 第43-46页 |
| ·基于不同核函数的SVM 分类对比实验 | 第46-47页 |
| ·SVM 分类的优势 | 第47-48页 |
| ·本章小结 | 第48-51页 |
| 4 基于SVM 的高分辨和LiDAR 数据联合建筑物提取 | 第51-61页 |
| ·基于SVM 分类提取建筑物的流程 | 第51-52页 |
| ·实验数据概况 | 第52页 |
| ·训练样本选取 | 第52-54页 |
| ·SVM 模型参数获取 | 第54-58页 |
| ·核函数的选取 | 第54-55页 |
| ·核参数及惩罚因子的关系 | 第55-56页 |
| ·核参数及惩罚因子的获取 | 第56-58页 |
| ·SVM 分类实验及效果评价 | 第58-60页 |
| ·SVM 分类实验 | 第58页 |
| ·分类效果评价 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 5 建筑物分类提取结果后处理 | 第61-71页 |
| ·小面积去除 | 第62-63页 |
| ·建筑物边缘修复 | 第63-65页 |
| ·数学形态学基本运算 | 第63-65页 |
| ·边缘修复 | 第65页 |
| ·边缘提取 | 第65-67页 |
| ·提取结果分析 | 第67-69页 |
| ·本章小结 | 第69-71页 |
| 6 结论与展望 | 第71-73页 |
| ·结论 | 第71-72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简历 | 第77-79页 |
| 学位论文数据集 | 第79-80页 |
| 详细摘要 | 第80-83页 |