| 致谢 | 第6-8页 |
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 1 绪论 | 第18-25页 |
| 1.1 研究背景和意义 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-22页 |
| 1.2.1 高分辨率遥感影像信息提取技术 | 第19-20页 |
| 1.2.2 面向对象的影像分割技术 | 第20-21页 |
| 1.2.3 基于深度学习技术的图像识别技术 | 第21-22页 |
| 1.3 论文研究内容和目标 | 第22-24页 |
| 1.4 论文组织结构 | 第24-25页 |
| 2 研究区概况及研究数据 | 第25-28页 |
| 2.1 研究区概况 | 第25-26页 |
| 2.2 分类体系 | 第26页 |
| 2.3 研究数据 | 第26-28页 |
| 2.3.1 研究区土地覆被数据 | 第26页 |
| 2.3.2 高分二号影像数据 | 第26-27页 |
| 2.3.3 影像预处理 | 第27-28页 |
| 3 相关理论基础 | 第28-39页 |
| 3.1 面向对象影像分割 | 第28-29页 |
| 3.2 基于深度学习技术的图像识别技术 | 第29-36页 |
| 3.2.1 深度学习技术 | 第29-32页 |
| 3.2.2 常用的卷积神经网络模型 | 第32-36页 |
| 3.2.3 深度学习框架 | 第36页 |
| 3.3 数据标准化 | 第36-39页 |
| 3.3.1 分割后影像对象标准化 | 第36-38页 |
| 3.3.2 归一化处理 | 第38-39页 |
| 4 基于深度卷积神经网络的建设用地信息提取 | 第39-47页 |
| 4.1 面向对象的多尺度分割 | 第39-41页 |
| 4.1.1 软件平台 | 第39页 |
| 4.1.2 尺度选择 | 第39-40页 |
| 4.1.3 波段权重 | 第40页 |
| 4.1.4 均值性因子权重 | 第40-41页 |
| 4.1.5 分割对象 | 第41页 |
| 4.2 分割数据标准化 | 第41-42页 |
| 4.3 基于卷积神经网络的自动分类 | 第42-45页 |
| 4.4 面向对象影像分类 | 第45-47页 |
| 5 实验结果分析 | 第47-68页 |
| 5.1 精度评价方法 | 第47-49页 |
| 5.1.1 分类总体精度评价的方法 | 第47-48页 |
| 5.1.2 建设用地信息提取情况评价方法 | 第48-49页 |
| 5.2 基于深度学习技术的分类结果精度评价 | 第49-62页 |
| 5.2.1 分类结果总体评价 | 第49-52页 |
| 5.2.2 影像对象标准化方法对建设用地信息提取精度的影响 | 第52-54页 |
| 5.2.3 不同分割尺度下建设用地信息提取情况 | 第54-62页 |
| 5.3 四种不同分类方法的分类结果对比分析 | 第62-68页 |
| 5.3.1 不同分割尺度下四种分类方法的分类效果对比 | 第62-65页 |
| 5.3.2 不同分类方法的查全率与查准率对比分析 | 第65-68页 |
| 6 总结与展望 | 第68-72页 |
| 6.1 主要结论 | 第68-70页 |
| 6.2 研究不足与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |