| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 研究目的和意义 | 第13-15页 |
| 1.2 国内外研究现状及存在的问题 | 第15-21页 |
| 1.2.1 图像分割质量评价与最优尺度确定 | 第15-17页 |
| 1.2.2 面向对象的遥感图像分类 | 第17-18页 |
| 1.2.3 基于深度学习的遥感图像分类 | 第18-20页 |
| 1.2.4 存在的问题 | 第20-21页 |
| 1.3 研究内容与技术路线 | 第21-22页 |
| 1.4 论文的结构安排 | 第22-24页 |
| 第2章 基于空间分层异质性的图像分割质量评价 | 第24-47页 |
| 2.1 方法概述 | 第24-25页 |
| 2.2 光谱-纹理特征集的构建 | 第25-28页 |
| 2.2.1 光谱特征提取 | 第25-27页 |
| 2.2.2 纹理特征提取 | 第27-28页 |
| 2.3 统计评价测度 | 第28-29页 |
| 2.3.1 空间分层异质性 | 第28-29页 |
| 2.3.2 空间自相关性 | 第29页 |
| 2.4 联合指标的计算 | 第29-31页 |
| 2.5 实验与分析 | 第31-46页 |
| 2.5.1 实验数据 | 第31-32页 |
| 2.5.2 其他分割评价算法 | 第32-34页 |
| 2.5.3 分割算法 | 第34-35页 |
| 2.5.4 实验配置 | 第35-37页 |
| 2.5.5 实验结果与分析 | 第37-46页 |
| 2.6 小结 | 第46-47页 |
| 第3章 基于超像素的卷积神经网络特征学习 | 第47-64页 |
| 3.1 方法概述 | 第47页 |
| 3.2 卷积神经网络 | 第47-55页 |
| 3.2.1 卷积神经网络简介 | 第47-48页 |
| 3.2.2 卷积神经网络结构 | 第48-51页 |
| 3.2.3 卷积神经网络分类原理 | 第51-55页 |
| 3.2.4 深度学习环境配置 | 第55页 |
| 3.3 超像素特征表达 | 第55-57页 |
| 3.3.1 基本概念 | 第55-56页 |
| 3.3.2 SLIC分割算法 | 第56-57页 |
| 3.4 实验与分析 | 第57-63页 |
| 3.4.1 实验数据 | 第57-58页 |
| 3.4.2 实验配置 | 第58-59页 |
| 3.4.3 特征提取与分析 | 第59-63页 |
| 3.5 小结 | 第63-64页 |
| 第4章 自适应边界约束的多尺度卷积神经网络分类方法 | 第64-79页 |
| 4.1 方法概述 | 第64-65页 |
| 4.2 多尺度卷积神经网络 | 第65-66页 |
| 4.2.1 多尺度卷积神经网络结构 | 第65-66页 |
| 4.2.2 特征融合中的尺度权重 | 第66页 |
| 4.3 自适应边界约束优化 | 第66-67页 |
| 4.4 实验与分析 | 第67-78页 |
| 4.4.1 实验数据 | 第67-68页 |
| 4.4.2 实验配置 | 第68-71页 |
| 4.4.3 实验结果与分析 | 第71-78页 |
| 4.5 小结 | 第78-79页 |
| 第5章 总结与展望 | 第79-82页 |
| 5.1 总结 | 第79-80页 |
| 5.2 展望 | 第80-82页 |
| 参考文献 | 第82-92页 |
| 致谢 | 第92-93页 |
| 作者攻读硕士学位期间发表的学术论文及研究成果 | 第93页 |