深度卷积神经网络在湿地类型信息提取中的应用研究
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 选题背景与研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 遥感图像分类方法 | 第13-14页 |
| 1.2.2 卷积神经网络分类技术 | 第14-16页 |
| 1.3 研究内容及技术路线 | 第16-17页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 技术路线 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第2章 研究区概况及数据预处理 | 第19-25页 |
| 2.1 研究区概况 | 第19-20页 |
| 2.2 数据介绍及处理 | 第20-23页 |
| 2.2.1 数据介绍 | 第20-21页 |
| 2.2.2 遥感数据预处理 | 第21-23页 |
| 2.3 野外实测数据获取 | 第23页 |
| 2.4 分类系统制定 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 遥感图像分类基础 | 第25-32页 |
| 3.1 传统遥感图像分类方法 | 第25-27页 |
| 3.1.1 非监督分类方法 | 第25-26页 |
| 3.1.2 监督分类方法 | 第26-27页 |
| 3.2 基于卷积神经网络的图像分类技术 | 第27-31页 |
| 3.2.1 卷积神经网络 | 第27-28页 |
| 3.2.2 卷积神经网络结构 | 第28-30页 |
| 3.2.3 深度学习框架 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 基于深度卷积神经网络的湿地类型信息提取 | 第32-45页 |
| 4.1 面向对象的多尺度分割 | 第32页 |
| 4.2 多尺度分割参数 | 第32-35页 |
| 4.2.1 尺度参数 | 第32页 |
| 4.2.2 波段权重 | 第32-33页 |
| 4.2.3 形状参数与光谱参数 | 第33页 |
| 4.2.4 紧致度参数与光滑度参数池化层 | 第33-35页 |
| 4.3 遥感图像样本数据集标准化 | 第35-37页 |
| 4.4 基于深度卷积神经网络的遥感图像自动分类 | 第37-42页 |
| 4.4.1 深度卷积神经网络模型 | 第37-39页 |
| 4.4.2 实验环境 | 第39页 |
| 4.4.3 实验结果 | 第39-42页 |
| 4.5 基于传统分类方法的遥感图像分类 | 第42-44页 |
| 4.5.1 迭代自组织分类 | 第42页 |
| 4.5.2 最大似然法分类 | 第42-43页 |
| 4.5.3 BP神经网络分类 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第5章 结果分析 | 第45-50页 |
| 5.1 精度评价方法 | 第45页 |
| 5.2 分类结果精度评价 | 第45-48页 |
| 5.3 不同分类方法分类结果对比分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第6章 结论与展望 | 第50-52页 |
| 6.1 结论 | 第50-51页 |
| 6.2 不足与展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57-58页 |
