基于机器学习的灌区渠系轮廓提取方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 存在的问题和不足 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 研究对象和方法 | 第14-18页 |
| 1.4.1 研究对象 | 第14-18页 |
| 1.4.2 研究方法 | 第18页 |
| 1.5 技术路线 | 第18-19页 |
| 1.6 本文的组织结构 | 第19-21页 |
| 第二章 相关理论与技术概述 | 第21-31页 |
| 2.1 机器学习中的核函数 | 第21-22页 |
| 2.2 基于超像素的多核分类 | 第22-24页 |
| 2.2.1 过分割 | 第22-23页 |
| 2.2.2 生成超像素 | 第23页 |
| 2.2.3 生成特征信息 | 第23-24页 |
| 2.3 无人机遥感在分类中的运用 | 第24-25页 |
| 2.4 渠系轮廓提取相关方法 | 第25-30页 |
| 2.4.1 面向对象分类方法 | 第25页 |
| 2.4.2 霍夫变换方法 | 第25-28页 |
| 2.4.3 K-Means方法 | 第28页 |
| 2.4.4 支持向量机方法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于K-Means聚类的渠系轮廓提取 | 第31-40页 |
| 3.1 提取流程 | 第31页 |
| 3.2 影像预处理 | 第31-33页 |
| 3.3 渠系特征的选择 | 第33-34页 |
| 3.4 K-Means聚类过程 | 第34-35页 |
| 3.5 渠系轮廓的初步提取 | 第35-36页 |
| 3.6 几何特征滤波处理 | 第36-37页 |
| 3.7 实验结果及分析 | 第37-38页 |
| 3.7.1 评价指标 | 第37-38页 |
| 3.7.2 结果分析 | 第38页 |
| 3.8 本章小结 | 第38-40页 |
| 第四章 基于SVM的渠系轮廓提取 | 第40-54页 |
| 4.1 提取流程 | 第40-50页 |
| 4.1.1 多源数据融合 | 第41页 |
| 4.1.2 训练样本选取 | 第41-44页 |
| 4.1.3 混合核函数的生成 | 第44-46页 |
| 4.1.4 SVM分类器参数寻优 | 第46-48页 |
| 4.1.5 ROC曲线确定分类器性能 | 第48-50页 |
| 4.2 渠系轮廓的初步提取 | 第50页 |
| 4.3 渠系断线连接 | 第50-52页 |
| 4.4 实验结果及分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 提取方法评估 | 第54-59页 |
| 5.1 实验平台 | 第54页 |
| 5.2 实验结果分析比较 | 第54-58页 |
| 5.2.1 各方法提取结果及分析 | 第54-56页 |
| 5.2.2 霍夫变换方法与支持向量机方法结果比较 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |
