摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-14页 |
1.1 课题的背景与研究意义 | 第10页 |
1.2 国内外研究现状 | 第10-11页 |
1.3 研究的主要内容 | 第11-12页 |
1.4 论文的章节安排 | 第12-14页 |
第2章 遥感影像的预处理与分析 | 第14-22页 |
2.1 影像预处理 | 第14-18页 |
2.1.1 正射校正 | 第15-17页 |
2.1.2 影像的配准 | 第17-18页 |
2.1.3 影像的裁剪 | 第18页 |
2.1.4 预处理结果 | 第18页 |
2.2 遥感影像的纹理分析 | 第18-20页 |
2.2.1 纹理分析综述 | 第18-19页 |
2.2.2 基于灰度共生矩阵的纹理分析 | 第19-20页 |
2.3 本章小结 | 第20-22页 |
第3章 基于多特征的遥感影像道路提取 | 第22-37页 |
3.1 基于多特征的遥感影像道路提取 | 第22-23页 |
3.1.1 遥感影像的道路提取模型 | 第22页 |
3.1.2 遥感影像的道路提取路线 | 第22-23页 |
3.2 被测像元与道路样本集相似性描述 | 第23-25页 |
3.2.1 光谱特征的数学描述 | 第23页 |
3.2.2 纹理特征的数学描述 | 第23-24页 |
3.2.3 数学规范化处理 | 第24-25页 |
3.3 基于Dempster-Shafer证据理论决策融合的道路提取 | 第25-28页 |
3.3.1 Dempster-Shafer证据理论的基本概念 | 第25-26页 |
3.3.2 基于Dempster-Shafer证据理论的决策融合 | 第26-28页 |
3.4 道路提取算法程序流程设计及实验结果分析 | 第28-30页 |
3.4.1 基于D-S证据理论的道路提取算法流程 | 第28-30页 |
3.4.2 道路提取结果分析 | 第30页 |
3.5 目标道路提取优化处理 | 第30-34页 |
3.5.1 基于方向滤波的噪音去除 | 第31-33页 |
3.5.2 基于数学形态学的图像修正 | 第33-34页 |
3.5.3 道路提取优化处理结果 | 第34页 |
3.6 道路提取实验结果分析 | 第34-36页 |
3.7 本章小结 | 第36-37页 |
第4章 基于BP神经网络的遥感影像道路故障识别研究 | 第37-56页 |
4.1 遥感影像道路的获取 | 第37页 |
4.2 遥感影像分类方法 | 第37-40页 |
4.2.1 遥感影像分类概述 | 第37-38页 |
4.2.2 遥感影像的分类方法 | 第38-40页 |
4.3 BP神经网络分类算法 | 第40-44页 |
4.3.1 人工神经网络概述 | 第40页 |
4.3.2 BP神经网络的基本思想 | 第40-42页 |
4.3.3 BP神经网络算法步骤 | 第42-44页 |
4.4 基于BP神经网络的遥感影像分类实现 | 第44-51页 |
4.4.1 BP神经网络的构建 | 第44-45页 |
4.4.2 BP神经网络训练数据的获取 | 第45-46页 |
4.4.3 BP神经网络训练算法流程 | 第46-49页 |
4.4.4 BP神经网络分类算法流程 | 第49页 |
4.4.5 分类结果显示 | 第49-51页 |
4.5 分类结果的评价 | 第51-54页 |
4.5.1 遥感影像的分类结果评价 | 第51-53页 |
4.5.2 道路故障提取实验结果分析 | 第53-54页 |
4.6 本章小结 | 第54-56页 |
第5章 遥感影像道路故障识别系统的构建 | 第56-66页 |
5.1 系统开发环境 | 第56-57页 |
5.2 主界面设计 | 第57-58页 |
5.2.1 菜单栏的实现与介绍 | 第57页 |
5.2.2 道路样本集与故障样本集选取与显示 | 第57-58页 |
5.2.3 待分析遥感影像与道路故障显示模块 | 第58页 |
5.3 系统功能实现 | 第58-62页 |
5.3.1 道路提取模块 | 第59页 |
5.3.2 道路提取优化处理模块 | 第59-61页 |
5.3.3 道路故障识别模块 | 第61-62页 |
5.4 系统操作流程 | 第62-65页 |
5.5 本章小结 | 第65-66页 |
结论 | 第66-68页 |
参考文献 | 第68-72页 |
攻读硕士学位期间所发表的论文 | 第72-74页 |
致谢 | 第74页 |