| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题的目的和意义 | 第7页 |
| 1.2 图像配准在国内外发展状况 | 第7-11页 |
| 1.2.1 图像配准的总体情况 | 第7-10页 |
| 1.2.2 图像配准现阶段问题与展望 | 第10-11页 |
| 1.3 论文研究主要内容及结果 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第2章 图像配准和卷积神经网络理论 | 第13-28页 |
| 2.1 图像配准 | 第13-18页 |
| 2.1.1 图像配准简介 | 第13-14页 |
| 2.1.2 图像配准理论 | 第14-17页 |
| 2.1.2.1 图像配准的数学模型 | 第15页 |
| 2.1.2.2 图像变换类型 | 第15-17页 |
| 2.1.3 图像配准方法 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-26页 |
| 2.2.1 卷积神经网络简介 | 第18-19页 |
| 2.2.2 卷积神经网络结构 | 第19-22页 |
| 2.2.3 卷积神经网络的具体实现 | 第22-26页 |
| 2.2.3.1 卷积层的具体实现 | 第23-24页 |
| 2.2.3.2 子采样层的具体实现 | 第24-25页 |
| 2.2.3.3 特征图组合学习过程 | 第25-26页 |
| 2.2.3.4 增强稀疏组合 | 第26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 基于卷积神经网络图像配准方法 | 第28-38页 |
| 3.1 引言 | 第28-29页 |
| 3.2 MSERs探测控制点 | 第29-32页 |
| 3.2.1 MSERs区域检测 | 第30页 |
| 3.2.2 MSERs区域拟合 | 第30-32页 |
| 3.3 卷积神经网络对控制点进行特征描述 | 第32-35页 |
| 3.3.1 训练样本的获取 | 第33页 |
| 3.3.2 卷积神经网络的训练过程 | 第33-35页 |
| 3.3.2.1 ReLU激活函数 | 第34页 |
| 3.3.2.2“dropout”防止过拟合 | 第34-35页 |
| 3.3.3 控制点特征表达生成 | 第35页 |
| 3.4 控制点的匹配 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于卷积神经网络图像配准方法在光学遥感图像仿真实验 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 卷积神经网络模型的构建 | 第38-43页 |
| 4.2.1 样本采集 | 第38-40页 |
| 4.2.2 卷积神经网络结构 | 第40-43页 |
| 4.3 实验仿真结果及分析 | 第43-50页 |
| 4.4 实验小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |