基于卷积神经网络的高分辨率遥感图像上的水体识别技术
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 项目背景与意义 | 第11-13页 |
| 1.2 国内外研究概况 | 第13-15页 |
| 1.3 研究目的和研究内容 | 第15页 |
| 1.4 高分二号卫星数据 | 第15-16页 |
| 1.5 论文章节安排 | 第16-17页 |
| 1.6 本章小结 | 第17-19页 |
| 第2章 相关理论与技术介绍 | 第19-29页 |
| 2.1 图像识别 | 第19-21页 |
| 2.1.1 基本过程 | 第19-20页 |
| 2.1.2 研究现状 | 第20-21页 |
| 2.2 深度学习 | 第21-23页 |
| 2.2.1 深度学习的优势 | 第21-22页 |
| 2.2.2 深度学习面临的挑战 | 第22-23页 |
| 2.3 BP神经网络 | 第23-24页 |
| 2.4 支持向量机 | 第24-25页 |
| 2.5 卷积神经网络 | 第25-27页 |
| 2.5.1 概念描述 | 第25-26页 |
| 2.5.2 网络的训练 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 技术方案概述 | 第29-37页 |
| 3.1 问题描述 | 第29页 |
| 3.2 遥感图像水体识别流程 | 第29-34页 |
| 3.2.1 图像预处理 | 第30-32页 |
| 3.2.2 数据标记 | 第32页 |
| 3.2.3 图像切分与构建训练集 | 第32-33页 |
| 3.2.4 基于卷积神经网络构建模型并进行训练 | 第33页 |
| 3.2.5 自动化识别水体 | 第33-34页 |
| 3.3 技术方案系统设计 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 遥感图像预处理 | 第37-44页 |
| 4.1 问题描述 | 第37页 |
| 4.2 图像增强 | 第37-39页 |
| 4.3 影像融合 | 第39-41页 |
| 4.4 数据标记 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 卷积神经网络的水体识别模型 | 第44-51页 |
| 5.1 模型结构 | 第44-48页 |
| 5.1.1 卷积层 | 第44-45页 |
| 5.1.2 池化层 | 第45-46页 |
| 5.1.3 全连接层 | 第46页 |
| 5.1.4 网络结构 | 第46-48页 |
| 5.2 模型参数 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 实验方案 | 第51-63页 |
| 6.1 样本数据选取 | 第51-52页 |
| 6.2 样本数量的对比 | 第52-53页 |
| 6.3 方法对比 | 第53-58页 |
| 6.3.1 卷积神经网络 | 第53-54页 |
| 6.3.2 BP神经网络 | 第54-55页 |
| 6.3.3 支持向量机 | 第55-56页 |
| 6.3.4 归一化水体指数 | 第56-58页 |
| 6.4 模型层数对比 | 第58-59页 |
| 6.5 单波段和多波段数据的对比 | 第59-60页 |
| 6.6 数据区域的对比 | 第60-62页 |
| 6.7 本章小结 | 第62-63页 |
| 第7章 结果分析 | 第63-74页 |
| 7.1 不同方法的结果分析 | 第63-66页 |
| 7.2 不同样本数量的结果分析 | 第66-67页 |
| 7.3 不同模型层数的结果分析 | 第67-68页 |
| 7.4 单波段和多波段数据的结果分析 | 第68-69页 |
| 7.5 不同数据区域的对比 | 第69-73页 |
| 7.6 本章小结 | 第73-74页 |
| 第8章 总结与展望 | 第74-76页 |
| 8.1 全文总结 | 第74-75页 |
| 8.2 工作展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79-80页 |
| 致谢 | 第80页 |
