基于深度学习的农业遥感图像耕地提取技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 耕地提取的意义 | 第10-11页 |
| 1.1.2 卫星遥感技术的发展与应用 | 第11-12页 |
| 1.1.3 高分辨率遥感图像在耕地提取中的作用 | 第12页 |
| 1.2 遥感图像分类方法的国内外研究进展 | 第12-15页 |
| 1.3 研究内容和章节安排 | 第15-18页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 章节安排 | 第16-18页 |
| 第2章 遥感图像分类理论 | 第18-34页 |
| 2.1 遥感图像分类原理 | 第18-20页 |
| 2.2 研究区域位置以及土地覆盖分类体系 | 第20-23页 |
| 2.2.1 研究区域位置 | 第20-21页 |
| 2.2.2 研究区域土地覆盖分类体系 | 第21-23页 |
| 2.3 遥感图像预处理和增强 | 第23-25页 |
| 2.3.1 图像几何校正 | 第24页 |
| 2.3.2 图像增强 | 第24-25页 |
| 2.4 遥感图像分类方法 | 第25-30页 |
| 2.4.1 非监督分类方法 | 第25-27页 |
| 2.4.2 监督分类方法 | 第27-29页 |
| 2.4.3 面向对象分类方法 | 第29-30页 |
| 2.5 分类精度评价 | 第30-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第3章 深度学习理论及相关理论 | 第34-52页 |
| 3.1 深度学习简介 | 第34-36页 |
| 3.2 人工神经网络 | 第36-38页 |
| 3.3 卷积神经网络 | 第38-44页 |
| 3.3.1 卷积层 | 第41-42页 |
| 3.3.2 池化层 | 第42-43页 |
| 3.3.3 训练流程 | 第43-44页 |
| 3.4 深度神经网络的优化 | 第44-50页 |
| 3.4.1 激活函数 | 第44-46页 |
| 3.4.2 正则化与过拟合 | 第46-47页 |
| 3.4.3 参数范数惩罚 | 第47页 |
| 3.4.5 数据集增强 | 第47-48页 |
| 3.4.6 提前停止 | 第48-49页 |
| 3.4.7 随机失活 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于SVM的耕地提取 | 第52-62页 |
| 4.1 支持向量机分类原理 | 第52-57页 |
| 4.1.1 线性SVM | 第52-55页 |
| 4.1.2 非线性SVM | 第55页 |
| 4.1.3 使用SVM进行多类分类 | 第55-57页 |
| 4.2 基于支持向量机的遥感图像耕地识别 | 第57-58页 |
| 4.3 实验结果与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 基于深度学习的耕地提取 | 第62-68页 |
| 5.1 模型搭建与训练 | 第63-64页 |
| 5.2 实验结果与分析 | 第64-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第6章 结论与展望 | 第68-70页 |
| 6.1 研究结论 | 第68页 |
| 6.2 本文的创新点 | 第68-69页 |
| 6.3 不足之处与展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第76页 |
