面向遥感影像的水域提取算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于像素分类和面向对象分类方法 | 第11-12页 |
| 1.2.2 超像素分割方法 | 第12-14页 |
| 1.3 存在的问题 | 第14页 |
| 1.4 论文内容及组织结构 | 第14-17页 |
| 1.4.1 论文的主要工作 | 第14-15页 |
| 1.4.2 论文的组织结构 | 第15-17页 |
| 第2章 遥感影像水域提取关键技术研究 | 第17-29页 |
| 2.1 超像素分割技术 | 第17-21页 |
| 2.1.1 超像素图像分割技术 | 第17-18页 |
| 2.1.2 经典超像素分割算法 | 第18-21页 |
| 2.2 图像纹理特征 | 第21-25页 |
| 2.2.1 图像纹理特征描述 | 第21页 |
| 2.2.2 灰度共生矩阵 | 第21-23页 |
| 2.2.3 LBP纹理特征 | 第23-25页 |
| 2.3 特征选择 | 第25-28页 |
| 2.3.1 特征选择概念与基本流程 | 第25-27页 |
| 2.3.2 特征子集搜索策略 | 第27页 |
| 2.3.3 特征子集评价准则 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 RLBP-SLIC超像素分割算法 | 第29-42页 |
| 3.1 改进算法的提出 | 第29-30页 |
| 3.2 算法的基本思路 | 第30-31页 |
| 3.3 遥感影像RLBP-SLIC分割的具体流程 | 第31-34页 |
| 3.3.1 遥感影像的预处理 | 第31页 |
| 3.3.2 RLBP局部纹理特征提取 | 第31-33页 |
| 3.3.3 RLBP-SLIC算法分割 | 第33-34页 |
| 3.4 实验与结果分析 | 第34-40页 |
| 3.4.1 实验环境及数据 | 第34页 |
| 3.4.2 实验与结果分析 | 第34-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 面向对象水域提取模型 | 第42-55页 |
| 4.1 面向对象水域提取模型的过程 | 第42-43页 |
| 4.2 特征提取 | 第43-48页 |
| 4.2.1 颜色特征提取 | 第43-46页 |
| 4.2.2 基于小波变换的GLCM纹理特征提取 | 第46-48页 |
| 4.3 特征选择 | 第48-52页 |
| 4.3.1 Relief特征选择算法 | 第48-49页 |
| 4.3.2 随机森林特征选择算法 | 第49-50页 |
| 4.3.3 循环选择最优特征的改进随机森林算法 | 第50-52页 |
| 4.4 支持向量机分类算法 | 第52-54页 |
| 4.4.1 线性支持向量机 | 第52-54页 |
| 4.4.2 非线性支持向量机 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 实验与结果分析 | 第55-63页 |
| 5.1 分类模型性能评价方法 | 第55-56页 |
| 5.2 实验与结果分析 | 第56-61页 |
| 5.2.1 实验数据及预处理 | 第56-58页 |
| 5.2.2 实验结果与分析 | 第58-61页 |
| 5.3 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
