| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 Landsat卫星数据 | 第14-17页 |
| 1.3.1 Landsat卫星 | 第14-16页 |
| 1.3.2 Landsat OLI数据 | 第16页 |
| 1.3.3 OLI数据定标 | 第16-17页 |
| 1.4 云检测总体方案设计 | 第17-19页 |
| 1.4.1 云检测总体思想 | 第17-18页 |
| 1.4.2 云检测总体流程 | 第18-19页 |
| 1.4.3 云检测评价标准 | 第19页 |
| 1.5 本文研究的主要内容及章节安排 | 第19-21页 |
| 第2章 基于Gabor与SVM的Landsat图像云检测 | 第21-34页 |
| 2.1 基于Gabor小波的云图特征提取 | 第21-26页 |
| 2.1.1 Gabor小波原理 | 第21-25页 |
| 2.1.2 Gabor小波特征提取 | 第25-26页 |
| 2.2 基于SVM的云检测 | 第26-29页 |
| 2.2.1 SVM原理 | 第26-28页 |
| 2.2.2 云检测中SVM的实现过程 | 第28-29页 |
| 2.3 基于形态学的图像后处理 | 第29-31页 |
| 2.4 实验结果与分析 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于卷积神经网络的Landsat图像云检测 | 第34-50页 |
| 3.1 卷积神经网络原理和求解 | 第34-39页 |
| 3.1.1 卷积神经网络原理 | 第34-36页 |
| 3.1.2 卷积神经网络求解 | 第36-39页 |
| 3.2 卷积神经网络模型的选取 | 第39-44页 |
| 3.2.1 激活函数选取 | 第39-41页 |
| 3.2.2 网络层数选取 | 第41-42页 |
| 3.2.3 核个数与感受野大小选取 | 第42-44页 |
| 3.3 基于卷积神经网络的云检测实现过程 | 第44-45页 |
| 3.4 实验结果及分析 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于特征融合的Landsat图像云检测 | 第50-65页 |
| 4.1 基于Gabor小波与CNN特征融合的云检测 | 第50-53页 |
| 4.1.1 特征融合原理 | 第50-52页 |
| 4.1.2 云图Gabor小波与CNN特征融合的实现过程 | 第52-53页 |
| 4.2 基于核熵成分分析的云图特征降维 | 第53-60页 |
| 4.2.1 核熵成分分析原理 | 第54-59页 |
| 4.2.2 云图特征降维过程实现 | 第59-60页 |
| 4.3 实验结果及分析 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 进一步研究展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |
