| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究背景与意义 | 第15-16页 |
| 1.2 研究目标与内容 | 第16-19页 |
| 1.2.1 研究目标 | 第16-17页 |
| 1.2.2 研究内容 | 第17-18页 |
| 1.2.3 主要贡献 | 第18-19页 |
| 1.3 论文结构 | 第19-21页 |
| 第二章 研究现状分析 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 道路网提取方法综述 | 第21-28页 |
| 2.2.1 基于特征的方法 | 第21-26页 |
| 2.2.2 基于学习的方法 | 第26-28页 |
| 2.3 卫星影像中的地物特征 | 第28-30页 |
| 2.2.1 光谱特征 | 第28-29页 |
| 2.2.2 形状特征 | 第29页 |
| 2.2.3 纹理特征 | 第29-30页 |
| 2.4 道路的物理特性及其在卫星影像中的表现 | 第30-33页 |
| 2.4.1 道路的物理特性 | 第30-32页 |
| 2.4.2 道路在卫星影像中的特征表现 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于联合滤波的预处理方法 | 第35-41页 |
| 3.1 引言 | 第35页 |
| 3.2 联合滤波 | 第35-36页 |
| 3.3 基于道路结构的自适应图像增强 | 第36-37页 |
| 3.4 基于各向异性冲击滤波的结构增强 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于深度学习的路网提取框架 | 第41-63页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习理论介绍 | 第41-48页 |
| 4.2.1 神经网络 | 第41-44页 |
| 4.2.2 卷积神经网络 | 第44-48页 |
| 4.3 基于卷积神经网络的道路网提取 | 第48-61页 |
| 4.3.1 流程概述 | 第48-49页 |
| 4.3.2 自动样本提取 | 第49-52页 |
| 4.3.3 基于卷积神经网络的路网提取模型训练 | 第52-54页 |
| 4.3.4 基于超像素分割的道路概率响应图快速构建 | 第54-57页 |
| 4.3.5 基于感兴趣区域的自适应阈值分割 | 第57-60页 |
| 4.3.6 道路区域的细化 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 基于路网拓扑结构信息的污染区域修补 | 第63-71页 |
| 5.1 引言 | 第63页 |
| 5.2 基于路网拓扑结构的污染区域修补 | 第63-64页 |
| 5.3 污染样本处对应潜在道路区域的获取 | 第64-67页 |
| 5.4 基于图割算法的路网概率模型生成与分类 | 第67-69页 |
| 5.5 本章小结 | 第69-71页 |
| 第六章 结果与讨论 | 第71-83页 |
| 6.1 在不同传感器影像上的评估 | 第71-76页 |
| 6.2 方法比较与评价 | 第76-78页 |
| 6.3 韶山地区的路网提取结果 | 第78-80页 |
| 6.4 高分卫星影像路网提取结果 | 第80-82页 |
| 6.5 本章小结 | 第82-83页 |
| 第七章 总结与展望 | 第83-85页 |
| 7.1 本文工作总结 | 第83-84页 |
| 7.2 未来工作 | 第84-85页 |
| 参考文献 | 第85-91页 |
| 附录 攻读硕士学位期间发表论文及科研情况 | 第91-93页 |
| 致谢 | 第93页 |