卷积神经网络支持下的无人机低空摄影测量DEM修补
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及趋势 | 第12-16页 |
| 1.2.1 无人机发展现状及优势 | 第12-13页 |
| 1.2.2 DEM生成技术研究现状 | 第13-15页 |
| 1.2.3 卷积神经网络发展现状 | 第15-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 无人机摄影测量数据处理 | 第17-31页 |
| 2.1 相机标定 | 第17-18页 |
| 2.2 影像匹配 | 第18-24页 |
| 2.2.1 SIFT特征匹配 | 第18-22页 |
| 2.2.2 Harris-Laplace特征匹配 | 第22-24页 |
| 2.3 低空影像空中三角测量 | 第24-26页 |
| 2.3.1 相对定向与绝对定向 | 第24-25页 |
| 2.3.2 光束法区域网平差 | 第25-26页 |
| 2.4 DSM点云数据处理 | 第26-29页 |
| 2.4.1 DSM点云数据结构分析 | 第26-28页 |
| 2.4.2 DSM点云数据滤波 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 CNN低空遥感分类模型 | 第31-45页 |
| 3.1 神经网络模型 | 第31-39页 |
| 3.1.1 传统人工神经网络 | 第31-35页 |
| 3.1.2 卷积神经网络 | 第35-39页 |
| 3.1.3 CNN模型的优缺点 | 第39页 |
| 3.2 构建CNN低空遥感分类模型 | 第39-43页 |
| 3.3 CNN低空遥感分类模型分类精度测试 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 CNN支持下的DEM修补 | 第45-61页 |
| 4.1 常用DEM插值方法 | 第46-52页 |
| 4.1.1 克里金插值算法 | 第47-49页 |
| 4.1.2 反距离加权插值算法 | 第49-50页 |
| 4.1.3 径向基函数插值算法 | 第50-51页 |
| 4.1.4 局部多项式插值算法 | 第51-52页 |
| 4.2 DEM修补区构建 | 第52-54页 |
| 4.2.1 修补区要素识别 | 第52-54页 |
| 4.2.2 子区合并为修补区 | 第54页 |
| 4.3 修补区高程训练样本选取 | 第54-55页 |
| 4.4 修补区高程曲面拟合 | 第55-59页 |
| 4.5 本章小结 | 第59-61页 |
| 5 实验及分析 | 第61-69页 |
| 5.1 实验数据介绍 | 第61-62页 |
| 5.2 实验过程及结果分析 | 第62-69页 |
| 5.2.1 FNEA影像分割 | 第62-63页 |
| 5.2.2 DEM精度分析 | 第63-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69-70页 |
| 6.2 研究展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士期间完成的主要工作 | 第77页 |
