| 中文摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1.绪论 | 第11-20页 |
| 1.1 选题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 传统遥感影像分割 | 第12-13页 |
| 1.2.2 基于深度学习的图像分割技术 | 第13-14页 |
| 1.2.3 卷积神经网络简介 | 第14-16页 |
| 1.2.4 提取农田存在的问题 | 第16-17页 |
| 1.3 研究内容与论文结构 | 第17-20页 |
| 1.3.1 研究内容 | 第17-19页 |
| 1.3.2 论文结构 | 第19-20页 |
| 2.研究区与数据 | 第20-25页 |
| 2.1 研究区概况 | 第20页 |
| 2.2 数据源 | 第20-21页 |
| 2.3 数据预处理 | 第21-24页 |
| 2.3.1 正射校正 | 第21-22页 |
| 2.3.2 图像融合 | 第22-23页 |
| 2.3.3 快速大气校正 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3.模型的构建 | 第25-38页 |
| 3.1 问题分析 | 第25页 |
| 3.2 设计思路 | 第25-26页 |
| 3.3 模型关键技术 | 第26-31页 |
| 3.3.1 激活函数的选择 | 第26-27页 |
| 3.3.2 Softmax回归 | 第27-28页 |
| 3.3.3 反向传播算法 | 第28-30页 |
| 3.3.4 朴素贝叶斯 | 第30-31页 |
| 3.4 模型结构 | 第31-37页 |
| 3.4.1 卷积核组 | 第32-35页 |
| 3.4.2 全连接层 | 第35页 |
| 3.4.3 编码器 | 第35-36页 |
| 3.4.4 贝叶斯概率统计 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4.模型的实现 | 第38-48页 |
| 4.1 基础工具 | 第38-39页 |
| 4.1.1 TensorFlow框架搭建 | 第38页 |
| 4.1.2 Python图像处理模块 | 第38-39页 |
| 4.2 制作样本 | 第39-41页 |
| 4.3 模型实现 | 第41-42页 |
| 4.4 模型的训练 | 第42-43页 |
| 4.5 模型优化 | 第43-46页 |
| 4.5.1 BatchNomalization | 第43-44页 |
| 4.5.2 NaiveBayesClassifiers | 第44-46页 |
| 4.6 模型功能测试 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 5.实验与分析 | 第48-54页 |
| 5.1 对比实验设计 | 第48-51页 |
| 5.1.1 FCN模型 | 第48页 |
| 5.1.2 SegNet模型 | 第48-49页 |
| 5.1.3 分割结果对比 | 第49-51页 |
| 5.2 精度评价 | 第51-52页 |
| 5.2.1 图像分割评价指标 | 第51-52页 |
| 5.2.2 精度分析 | 第52页 |
| 5.3 实验结果分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6.总结与展望 | 第54-55页 |
| 6.1 总结 | 第54页 |
| 6.2 存在的问题与展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-62页 |
| 攻读硕士期间发表论文与研究成果 | 第62页 |