| 摘要 | 第11-13页 |
| Abstract | 第13-14页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 课题研究的背景及意义 | 第15-18页 |
| 1.1.1 研究背景 | 第15-17页 |
| 1.1.2 研究意义 | 第17-18页 |
| 1.2 遥感影像识别研究进展 | 第18-21页 |
| 1.3 基于视觉特征的高分辨率遥感影像分析 | 第21-24页 |
| 1.4 本文的研究定位与主要工作 | 第24-26页 |
| 1.5 论文的组织 | 第26-29页 |
| 第二章 背景与相关工作 | 第29-50页 |
| 2.1 图像识别的相关概念 | 第29-31页 |
| 2.1.1 图像识别的定义 | 第29页 |
| 2.1.2 一般流程 | 第29-31页 |
| 2.1.3 面临的挑战 | 第31页 |
| 2.2 局部不变特征描述 | 第31-42页 |
| 2.2.1 图像局部特征描述分类 | 第32-39页 |
| 2.2.2 局部特征描述方法比较 | 第39-41页 |
| 2.2.3 结语 | 第41-42页 |
| 2.3 目标识别 | 第42-45页 |
| 2.3.1 直接点特征匹配 | 第43-44页 |
| 2.3.2 基于视觉单词的方法 | 第44-45页 |
| 2.4 图像分类 | 第45-50页 |
| 2.4.1 基于词袋模型的方法 | 第45-47页 |
| 2.4.2 基于部件模型的方法 | 第47-50页 |
| 第三章 基于随机采样比较的特征描述方法 | 第50-71页 |
| 3.1 引言 | 第50-51页 |
| 3.2 相关工作 | 第51-53页 |
| 3.3 基于随机二进制比较的特征描述方法 | 第53-59页 |
| 3.3.1 二进制比较的采样函数 | 第54-55页 |
| 3.3.2 随机采样策略 | 第55-56页 |
| 3.3.3 特征块的采样尺度 | 第56-57页 |
| 3.3.4 高斯模糊参数 | 第57-59页 |
| 3.4 基于HASH的算法原理 | 第59-62页 |
| 3.4.1 基于序关系的描述 | 第59-60页 |
| 3.4.2 基于HASH的描述 | 第60-62页 |
| 3.5 实验 | 第62-70页 |
| 3.5.1 实验设置 | 第62-64页 |
| 3.5.2 描述子长度 | 第64-65页 |
| 3.5.3 描述子性能比较 | 第65-70页 |
| 3.6 结语 | 第70-71页 |
| 第四章 基于GPU的遥感影像目标识别 | 第71-91页 |
| 4.1 CUDA编程模型 | 第72-74页 |
| 4.2 积分图的并行优化 | 第74-83页 |
| 4.2.1 积分图的相关概念 | 第75页 |
| 4.2.2 积分图像的并行求解 | 第75-80页 |
| 4.2.3 算法性能改善 | 第80-82页 |
| 4.2.4 实验结果与分析 | 第82-83页 |
| 4.3 基于积分图的盒子滤波 | 第83-86页 |
| 4.4 基于GPU的描述子构建 | 第86-88页 |
| 4.5 遥感影像中特定目标的快速识别 | 第88-89页 |
| 4.6 结语 | 第89-91页 |
| 第五章 基于序空间特征描述的高分辨率遥感影像分类识别 | 第91-111页 |
| 5.1 引言 | 第91-92页 |
| 5.2 遥感影像特点分析 | 第92-97页 |
| 5.2.1 方向随意性 | 第93-96页 |
| 5.2.2 自然图像与纹理图像的融合 | 第96-97页 |
| 5.3 基于序空间的特征描述方法 | 第97-102页 |
| 5.3.1 旋转不变性 | 第97-98页 |
| 5.3.2 MROGH描述子 | 第98-100页 |
| 5.3.3 SRP描述子 | 第100-101页 |
| 5.3.4 面向图像分类的特征描述 | 第101-102页 |
| 5.4 实验 | 第102-109页 |
| 5.4.1 实验设置 | 第102-103页 |
| 5.4.2 Uc Merced数据集 | 第103-106页 |
| 5.4.3 Wh U遥感数据集 | 第106-109页 |
| 5.5 总结 | 第109-111页 |
| 第六章 高分辨率遥感影像分类识别框架 | 第111-132页 |
| 6.1 引言 | 第111页 |
| 6.2 图像分类系统 | 第111-113页 |
| 6.3 特征的编码与汇聚 | 第113-119页 |
| 6.3.1 特征的编码 | 第114-116页 |
| 6.3.2 特征汇聚 | 第116-117页 |
| 6.3.3 面向软编码的图像空间共现矩阵 | 第117-119页 |
| 6.4 多特征融合 | 第119-124页 |
| 6.4.1 SVM分类器 | 第119-122页 |
| 6.4.2 多核学习 | 第122-124页 |
| 6.5 实验 | 第124-130页 |
| 6.5.1 实验设置 | 第124-125页 |
| 6.5.2 基于Uc Merced数据集的对比实验 | 第125-129页 |
| 6.5.3 基于Wh U数据集的实验 | 第129-130页 |
| 6.6 总结 | 第130-132页 |
| 第七章 结论与展望 | 第132-135页 |
| 7.1 本文的总结 | 第132-133页 |
| 7.2 进一步的工作 | 第133-135页 |
| 致谢 | 第135-136页 |
| 参考文献 | 第136-152页 |
| 作者在学期间取得的学术成果 | 第152页 |