| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 道路提取研究现状 | 第10-13页 |
| 1.2.2 道路交叉口提取研究现状 | 第13-14页 |
| 1.3 研究内容与技术路线 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 道路特征分析及增强 | 第17-26页 |
| 2.1 道路目标特征分析 | 第17-20页 |
| 2.2 遥感影像对比度增强 | 第20-22页 |
| 2.3 道路特征增强 | 第22-25页 |
| 2.3.1 双边滤波 | 第22-23页 |
| 2.3.2 形态学滤波 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于深度学习的道路交叉口检测 | 第26-43页 |
| 3.1 深度学习目标检测算法概述 | 第26-33页 |
| 3.1.1 卷积神经网络概述 | 第26-29页 |
| 3.1.2 目标检测算法概述 | 第29-33页 |
| 3.2 基于Faster R-CNN的道路交叉口检测 | 第33-36页 |
| 3.3 实验结果与分析 | 第36-42页 |
| 3.3.1 数据集和模型训练 | 第36-37页 |
| 3.3.2 精度评价指标 | 第37页 |
| 3.3.3 结果分析 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于图割的道路交叉口同质区域提取 | 第43-55页 |
| 4.1 基于图论的图像分割 | 第43-45页 |
| 4.1.1 图论基础 | 第43-44页 |
| 4.1.2 图割算法 | 第44-45页 |
| 4.2 特征空间及模型表示 | 第45-49页 |
| 4.2.1 特征空间 | 第46-47页 |
| 4.2.2 高斯混合模型 | 第47-49页 |
| 4.3 基于图割算法的道路交叉口分割 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.4.1 技术路线 | 第50-51页 |
| 4.4.2 实验分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于道路交叉口信息的道路提取 | 第55-71页 |
| 5.1 基于张量投票的道路交叉口结构信息获取 | 第55-62页 |
| 5.1.1 张量投票概述 | 第55-58页 |
| 5.1.2 张量投票实现过程 | 第58-60页 |
| 5.1.3 实验结果与分析 | 第60-62页 |
| 5.2 道路交叉口结合测地线的道路提取方法 | 第62-66页 |
| 5.2.1 算法概述 | 第62-63页 |
| 5.2.2 实验结果与分析 | 第63-66页 |
| 5.3 道路交叉口结合模板匹配的道路提取方法 | 第66-70页 |
| 5.3.1 算法概述 | 第66-67页 |
| 5.3.2 实验结果与分析 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-80页 |
| 致谢 | 第80-81页 |
| 硕士期间的科研成果 | 第81-82页 |