| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第12-26页 |
| 1.1 研究背景及研究目的 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 点云分类国内外研究现状 | 第13-16页 |
| 1.2.2 点云数据与影像数据融合分类研究现状 | 第16-19页 |
| 1.2.3 电力线场景点云分类的研究现状 | 第19-20页 |
| 1.3 研究内容与技术路线 | 第20-26页 |
| 1.3.1 研究内容 | 第20-22页 |
| 1.3.2 技术路线 | 第22-24页 |
| 1.3.3 论文组织结构 | 第24-26页 |
| 第2章 概率图模型 | 第26-52页 |
| 2.1 概率图模型概述 | 第26-28页 |
| 2.2 贝叶斯网络 | 第28-40页 |
| 2.2.1 贝叶斯网络基本理论 | 第28-30页 |
| 2.2.2 贝叶斯网络结构学习 | 第30-34页 |
| 2.2.3 贝叶斯网络参数学习 | 第34-37页 |
| 2.2.4 贝叶斯网络概率推理 | 第37-40页 |
| 2.3 马尔科夫随机场 | 第40-50页 |
| 2.3.1 基本理论 | 第40-45页 |
| 2.3.2 参数估计 | 第45-47页 |
| 2.3.3 推导与能量最小化 | 第47-50页 |
| 2.4 贝叶斯网络和马尔科夫随机场对比 | 第50-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 面向机载点云数据分类的贝叶斯网络模型研究 | 第52-84页 |
| 3.1 点云视觉特征提取 | 第52-63页 |
| 3.1.1 点云几何特征提取 | 第53-59页 |
| 3.1.2 影像对象特征提取 | 第59-63页 |
| 3.2 面向点云数据的贝叶斯网络模型 | 第63-71页 |
| 3.2.1 面向点云特征变量的离散化 | 第63-66页 |
| 3.2.2 面向点云数据的贝叶斯网络结构学习 | 第66-69页 |
| 3.2.3 面向点云数据的贝叶斯网络参数学习 | 第69-70页 |
| 3.2.4 面向点云数据的贝叶斯网络概率推理 | 第70-71页 |
| 3.3 实验与分析 | 第71-82页 |
| 3.3.1 实验数据及评价标准 | 第71-74页 |
| 3.3.2 实验结果及分析 | 第74-82页 |
| 3.4 本章小结 | 第82-84页 |
| 第4章 基于多尺度特征和马尔科夫随机场模型的电力线场景点云分类 | 第84-104页 |
| 4.1 多尺度点云特征向量的构建 | 第84-89页 |
| 4.2 面向点云数据的马尔科夫随机场模型 | 第89-93页 |
| 4.2.1 图模型的构建 | 第89-90页 |
| 4.2.2 马尔科夫随机场点云分类模型 | 第90-93页 |
| 4.3 实验与分析 | 第93-102页 |
| 4.3.1 实验数据及评价标准 | 第93-94页 |
| 4.3.2 实验与精度分析 | 第94-102页 |
| 4.4 本章小结 | 第102-104页 |
| 第5章 总结与展望 | 第104-106页 |
| 5.1 研究工作总结 | 第104页 |
| 5.2 研究展望 | 第104-106页 |
| 致谢 | 第106-107页 |
| 参考文献 | 第107-119页 |
| 附录 | 第119-120页 |
| 研究生期间发表论文情况 | 第119-120页 |
| 研究生期间获奖情况 | 第120页 |