遥感图像道路提取方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 道路提取方法分类 | 第10页 |
| 1.2.2 半自动道路提取研究现状 | 第10-12页 |
| 1.2.3 自动道路提取研究现状 | 第12-13页 |
| 1.3 道路提取的基本流程 | 第13-14页 |
| 1.4 主要研究内容 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 遥感图像道路提取的理论基础 | 第15-29页 |
| 2.1 遥感图像预处理 | 第15-18页 |
| 2.1.1 遥感图像特征 | 第15-16页 |
| 2.1.2 直方图均衡化 | 第16-17页 |
| 2.1.3 中值滤波 | 第17-18页 |
| 2.2 图像分割技术 | 第18-24页 |
| 2.2.1 图像分割定义 | 第18-19页 |
| 2.2.2 基于灰度阈值的分割 | 第19-20页 |
| 2.2.3 基于边缘的分割 | 第20-23页 |
| 2.2.4 分水岭分割 | 第23-24页 |
| 2.3 数学形态学 | 第24-28页 |
| 2.3.1 数学形态学定义 | 第24-25页 |
| 2.3.2 二值膨胀和腐蚀 | 第25-27页 |
| 2.3.3 二值开闭运算 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 改进分水岭算法的遥感图像道路信息提取 | 第29-39页 |
| 3.1 分水岭算法的分类 | 第29-30页 |
| 3.2 改进分水岭算法 | 第30-35页 |
| 3.2.1 改进分水岭算法的原理 | 第30-31页 |
| 3.2.2 多尺度形态学梯度 | 第31-32页 |
| 3.2.3 二阶巴特沃斯低通滤波 | 第32-33页 |
| 3.2.4 二维最大熵求阈值 | 第33-34页 |
| 3.2.5 基于阈值标记提取道路信息 | 第34-35页 |
| 3.2.6 改进分水岭算法的道路提取算法实现步骤 | 第35页 |
| 3.3 实验结果与对比分析 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于支持向量机分类的道路提取 | 第39-50页 |
| 4.1 支持向量机概述 | 第39-41页 |
| 4.1.1 支持向量机方法的特点 | 第39-40页 |
| 4.1.2 支持向量机基本原理 | 第40页 |
| 4.1.3 核函数 | 第40-41页 |
| 4.2 基于支持向量机的图像分类 | 第41-43页 |
| 4.2.1 图像分类 | 第41-42页 |
| 4.2.2 收集训练集与测试集 | 第42页 |
| 4.2.3 特征选择与提取 | 第42-43页 |
| 4.3 结合支持向量机和迭代法分割遥感图像 | 第43-49页 |
| 4.3.1 支持向量机分类遥感图像 | 第43-45页 |
| 4.3.2 迭代法分割遥感图像 | 第45-46页 |
| 4.3.3 形态学后处理 | 第46-47页 |
| 4.3.4 精确度分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 论文的主要工作 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 作者简介 | 第57页 |
| 攻读硕士学位期间研究成果 | 第57页 |
