| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 无人机遥感应用于植被提取的研究现状 | 第13页 |
| 1.2.2 面向对象分类法在植被分类中的研究现状 | 第13-14页 |
| 1.2.3 基于深度学习的遥感影像分类现状 | 第14-15页 |
| 1.3 论文主要研究内容及组织结构 | 第15-17页 |
| 1.3.1 研究目标 | 第15-16页 |
| 1.3.2 研究内容 | 第16页 |
| 1.3.3 无人机遥感影像植被提取技术路线 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 2 研究区概况与实验数据 | 第20-24页 |
| 2.1 研究区概况 | 第20页 |
| 2.1.1 地理位置 | 第20页 |
| 2.1.2 自然条件 | 第20页 |
| 2.2 无人机影像数据获取及预处理 | 第20-21页 |
| 2.3 实验环境 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 遥感影像最优尺度分割 | 第24-34页 |
| 3.1 最优分割尺度研究方法 | 第24-25页 |
| 3.2 常用最优尺度计算模型 | 第25-26页 |
| 3.2.1 均值方差法与变化率 | 第25页 |
| 3.2.2 最大面积 | 第25-26页 |
| 3.3 改进的最优尺度计算模型及计算步骤 | 第26-27页 |
| 3.4 实验与结果分析 | 第27-33页 |
| 3.4.1 波段权重设置 | 第27页 |
| 3.4.2 分割尺度与对象数目 | 第27-28页 |
| 3.4.3 最大面积统计结果 | 第28页 |
| 3.4.4 最优分割尺度的确定 | 第28-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 基于规则分类的植被提取研究 | 第34-48页 |
| 4.1 植被规则提取现状 | 第34-36页 |
| 4.2 提取光谱-纹理特征参数 | 第36-39页 |
| 4.2.1 计算影像纹理特征 | 第37-38页 |
| 4.2.2 提取不同地物的光谱-纹理特征 | 第38-39页 |
| 4.3 分类特征优选 | 第39-43页 |
| 4.3.1 分类特征的FCM算法离散化 | 第39-41页 |
| 4.3.2 基于粗糙集特征约简 | 第41-42页 |
| 4.3.3 SVM评估测试 | 第42-43页 |
| 4.4 规则分类 | 第43-47页 |
| 4.4.1 分类规则集建立 | 第43-44页 |
| 4.4.2 实验结果及分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于DBN的植被提取研究 | 第48-63页 |
| 5.1 DBN分类提取现状 | 第48-49页 |
| 5.2 DBN分类 | 第49-52页 |
| 5.2.1 DBN方法介绍 | 第49-51页 |
| 5.2.2 DBN参数设置 | 第51-52页 |
| 5.2.3 DBN实验流程图 | 第52页 |
| 5.3 基于DBN的无人机遥感影像植被提取 | 第52-56页 |
| 5.3.1 基于DBN+9×9 像素邻域法的植被提取 | 第53-54页 |
| 5.3.2 基于DBN+9×9 像素邻域法+光谱-纹理特征的植被提取 | 第54-56页 |
| 5.3.3 基于DBN+最优尺度的植被提取 | 第56页 |
| 5.3.4 基于DBN+最优尺度+光谱-纹理特征的植被提取 | 第56页 |
| 5.4 实验结果及分析 | 第56-60页 |
| 5.4.1 实验结果 | 第56-58页 |
| 5.4.2 分类精度对比评价 | 第58-60页 |
| 5.5 五种分类方法对比及分析评价 | 第60-62页 |
| 5.6 本章小结 | 第62-63页 |
| 6 结论与展望 | 第63-65页 |
| 6.1 结论 | 第63页 |
| 6.2 创新点 | 第63-64页 |
| 6.3 展望 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表的学术论文 | 第75-76页 |
