基于多特征融合的场景分类与标示方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 场景分类发展现状 | 第17-20页 |
| 1.3 本文研究内容 | 第20-23页 |
| 第二章 图像全局场景的分类与标示方法 | 第23-47页 |
| 2.1 图像滤波 | 第23-24页 |
| 2.2 Mean-shift图像分割方法 | 第24-32页 |
| 2.2.1 引言 | 第24-25页 |
| 2.2.2 Mean-shift算法 | 第25-29页 |
| 2.2.3 Mean-shift图像分割应用 | 第29-32页 |
| 2.3 图像特征提取与融合 | 第32-36页 |
| 2.3.1 颜色特征 | 第32-33页 |
| 2.3.2 纹理特征 | 第33-35页 |
| 2.3.3 特征融合 | 第35-36页 |
| 2.4 支持向量机模型 | 第36-40页 |
| 2.4.1 SVM分类原理 | 第36-39页 |
| 2.4.2 SVM多分类问题 | 第39-40页 |
| 2.5 实验分析与结果 | 第40-46页 |
| 2.5.1 算法框架 | 第40-42页 |
| 2.5.2 样本库的选择 | 第42-43页 |
| 2.5.3 实验结果分析 | 第43-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 可见光与激光雷达图像融合的地物分类与标示 | 第47-65页 |
| 3.1 LIDAR简介 | 第48-49页 |
| 3.2 SURF词袋特征 | 第49-55页 |
| 3.2.1 SURF特征 | 第49-53页 |
| 3.2.2 K-means算法 | 第53-54页 |
| 3.2.3 SURF词袋特征向量生成 | 第54-55页 |
| 3.3 地物分类与标示 | 第55-63页 |
| 3.3.1 算法框架 | 第55-56页 |
| 3.3.2 样本库的选择 | 第56-58页 |
| 3.3.3 实验结果分析 | 第58-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第四章 基于多特征融合的场景分类与标示软件实现 | 第65-77页 |
| 4.1 软件的框架结构与设计 | 第65-73页 |
| 4.1.1 软件开发环境 | 第65页 |
| 4.1.2 软件主界面 | 第65-66页 |
| 4.1.3 软件菜单项 | 第66-67页 |
| 4.1.4 软件功能菜单介绍 | 第67-73页 |
| 4.2 软件的内部实现 | 第73-75页 |
| 4.2.1 类和结构体 | 第73-75页 |
| 4.2.2 功能函数 | 第75页 |
| 4.3 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 课题总结 | 第77页 |
| 5.2 研究内容展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
