| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 遥感图像边界提取和地物分类的研究现状 | 第17-23页 |
| 1.2.1 遥感图像海岸线提取的研究现状 | 第17-18页 |
| 1.2.2 图像边界提取的研究现状 | 第18-20页 |
| 1.2.3 遥感图像分类的研究现状 | 第20-23页 |
| 1.3 论文研究目标与内容 | 第23-24页 |
| 1.4 论文结构 | 第24-26页 |
| 第二章 基于超像素的遥感图像海岸线提取 | 第26-38页 |
| 2.1 海岸线提取算法流程 | 第26页 |
| 2.2 海岸线提取算法描述 | 第26-32页 |
| 2.2.1 遥感图像中SAR图像噪声去除算法 | 第26-28页 |
| 2.2.2 基于超像素的SAR图像海岸线提取算法 | 第28-30页 |
| 2.2.3 基于超像素的不同颜色空间特征融合的卫星图像海岸线提取 | 第30-32页 |
| 2.3 实验 | 第32-36页 |
| 2.3.1 海岸线提取算法在SAR图像上的实验结果 | 第32-34页 |
| 2.3.2 融合不同颜色空间特征的卫星图像海岸线提取结果 | 第34-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 基于多层级网络的遥感图像海岸线边界提取 | 第38-56页 |
| 3.1 基于多层级网络的图像边界提取算法 | 第38-47页 |
| 3.1.1 深度学习网络的多层级结构 | 第38-41页 |
| 3.1.2 基于多层级网络进行边界提取的网络结构 | 第41-47页 |
| 3.2 实验 | 第47-54页 |
| 3.2.1 多层级网络模型训练 | 第47-49页 |
| 3.2.2 实验结果分析 | 第49-54页 |
| 3.3 本章小结 | 第54-56页 |
| 第四章 融合FCN及多层级网络模型的遥感图像地物分类算法 | 第56-74页 |
| 4.1 FCN网络结构 | 第56-60页 |
| 4.2 基于域变换约束的遥感图像分类 | 第60-65页 |
| 4.2.1 域变换的相关理论 | 第61-63页 |
| 4.2.2 融合FCN和多层级网络的算法流程 | 第63-65页 |
| 4.3 实验 | 第65-72页 |
| 4.3.1 模型训练 | 第65-67页 |
| 4.3.2 实验参数分析 | 第67-70页 |
| 4.3.3 实验结果分析 | 第70-72页 |
| 4.4 本章小结 | 第72-74页 |
| 第五章 总结与展望 | 第74-78页 |
| 5.1 本文总结 | 第74-75页 |
| 5.2 本文主要贡献 | 第75页 |
| 5.3 未来的工作展望 | 第75-78页 |
| 参考文献 | 第78-86页 |
| 附录A 攻读硕士学位期间取得的研究成果 | 第86-87页 |
| 附录B Potsdam数据集 | 第87-88页 |
| 附录C 实验中的部分数据 | 第88-91页 |
| 附录D UCMerced_LandUse海岸线标记结果 | 第91-94页 |
| 致谢 | 第94页 |
