基于震后多视航空影像的建筑物损毁检测研究
摘要 | 第13-15页 |
Abstract | 第15-16页 |
1 绪论 | 第17-33页 |
1.1 研究的目的与意义 | 第17-19页 |
1.2 国内外研究现状 | 第19-28页 |
1.2.1 建筑物损毁检测的数据源 | 第19-22页 |
1.2.2 建筑物损毁检测的方法 | 第22-26页 |
1.2.3 建筑物损毁检测应用 | 第26-27页 |
1.2.4 建筑物损毁检测发展趋势 | 第27-28页 |
1.3 论文的主要工作内容 | 第28-31页 |
1.4 论文的组织结构 | 第31-33页 |
2 建筑物损毁因子描述与表达 | 第33-43页 |
2.1 引言 | 第33页 |
2.2 建筑物的损毁因子 | 第33-35页 |
2.3 建筑物损毁因子在遥感数据中的表征 | 第35-41页 |
2.3.1 高程损毁因子 | 第35-38页 |
2.3.2 面积损毁因子 | 第38页 |
2.3.4 倾斜度损毁因子 | 第38-39页 |
2.3.5 顶面纹理损毁因子 | 第39-40页 |
2.3.6 立面纹理损毁因子 | 第40-41页 |
2.4 本章小结 | 第41-43页 |
3 基于语义场景变化的建筑物损毁区域检测 | 第43-61页 |
3.1 引言 | 第43-44页 |
3.2 视觉词袋模型概述 | 第44-47页 |
3.3 数据源选取以及预处理 | 第47页 |
3.4 场景分类 | 第47-50页 |
3.4.1 特征提取 | 第48-49页 |
3.4.2 视觉词典的生成 | 第49页 |
3.4.3 基于视觉词典的场景表达 | 第49-50页 |
3.4.4 基于SVM的场景分类 | 第50页 |
3.5 建筑物损毁区域检测 | 第50-52页 |
3.6 整体算法流程及应用说明 | 第52页 |
3.7 实验与分析 | 第52-58页 |
3.7.1 场景分类实验结果 | 第53-54页 |
3.7.2 损毁区域检测结果 | 第54-58页 |
3.7.3 参数分析 | 第58页 |
3.8 本章小结 | 第58-61页 |
4 基于视觉词袋模型建筑物顶面损毁区域检测 | 第61-71页 |
4.1 引言 | 第61页 |
4.2 超像素分割 | 第61-63页 |
4.3 视觉词袋模型的建立 | 第63-65页 |
4.4 建筑物顶面损毁判定 | 第65-66页 |
4.5 实验结果与分析 | 第66-69页 |
4.5.1 定量和定性分析 | 第67-68页 |
4.5.2 参数选择 | 第68-69页 |
4.5.3 与其他方法的对比分析 | 第69页 |
4.6 本章小结 | 第69-71页 |
5 基于局部对称性和基尼系数的建筑物立面损毁检测 | 第71-79页 |
5.1 引言 | 第71-72页 |
5.2 立面局部对称性特征提取 | 第72-73页 |
5.3 特征统计 | 第73-74页 |
5.4 基于基尼系数的损毁检测 | 第74-75页 |
5.5 实验结果与分析 | 第75-78页 |
5.5.1 实验结果 | 第76-77页 |
5.5.2 基于不同特征点的结果比较 | 第77页 |
5.5.3 实验分析 | 第77-78页 |
5.6 本章小结 | 第78-79页 |
6 基于模糊神经网络的建筑物多级损毁检测与判定 | 第79-109页 |
6.1 引言 | 第79-80页 |
6.2 数据源选取 | 第80-81页 |
6.3 模糊神经网络综合判定方法概述 | 第81-88页 |
6.3.1 模糊集合与隶属函数 | 第82-84页 |
6.3.2 模糊逻辑推理 | 第84-86页 |
6.3.3 模糊神经网络的判定 | 第86-88页 |
6.4 建筑物顶面和立面的分割与提取 | 第88-91页 |
6.5 建筑物多维损毁因子的构建 | 第91-93页 |
6.6 建筑物多级损毁判定 | 第93-96页 |
6.7 实验结果与分析 | 第96-107页 |
6.7.1 精度评估方法 | 第99-101页 |
6.7.2 结果分析与性能评价 | 第101-104页 |
6.7.3 参数分析 | 第104-105页 |
6.7.4 现有方法的比较分析 | 第105-107页 |
6.8 本章小结 | 第107-109页 |
7 结论与展望 | 第109-113页 |
7.1 研究内容总结 | 第109-110页 |
7.2 论文的进一步研究方向 | 第110-113页 |
参考文献 | 第113-127页 |
攻读博士学位期间发表的科研成果目录 | 第127-129页 |
致谢 | 第129页 |