基于高分影像的滑坡提取关键技术研究
作者简历 | 第5-6页 |
摘要 | 第6-9页 |
abstract | 第9-12页 |
第一章 绪论 | 第16-35页 |
1.1 研究背景和意义 | 第16-18页 |
1.2 遥感影像变化检测概述 | 第18-25页 |
1.2.1 变化检测的内容 | 第19页 |
1.2.2 变化检测的工作流程 | 第19-23页 |
1.2.3 经典变化检测方法介绍及其评述 | 第23-25页 |
1.3 国内外研究现状 | 第25-31页 |
1.3.1 研究现状与存在的问题 | 第25-30页 |
1.3.2 变化检测在滑坡灾害中的应用现状 | 第30-31页 |
1.4 变化检测技术的应用及发展前景 | 第31-32页 |
1.5 主要研究内容与章节安排 | 第32-35页 |
第二章 基于像素的ICA/MNF滑坡提取 | 第35-59页 |
2.1 常用的图像变换方法分析 | 第35-40页 |
2.1.1 主成分分析 | 第35-37页 |
2.1.2 典型相关分析 | 第37-40页 |
2.1.3 现有方法评述 | 第40页 |
2.2 独立成分分析原理与方法 | 第40-43页 |
2.2.1 独立成分分析的原理 | 第40-41页 |
2.2.2 基于负熵最大化的Fast-ICA算法 | 第41-43页 |
2.3 最小噪声比率变换原理 | 第43-44页 |
2.4 实验结果与分析 | 第44-58页 |
2.4.1 实验工作流程 | 第44-45页 |
2.4.2 实验区介绍及原始影像统计分析 | 第45-47页 |
2.4.3 独立成分的求解与分析 | 第47-49页 |
2.4.4 ICA/MNF变量的求解 | 第49-52页 |
2.4.5 方法对比 | 第52-55页 |
2.4.6 定量评估 | 第55-58页 |
2.5 本章小节 | 第58-59页 |
第三章 面向对象的随机森林滑坡分类识别 | 第59-86页 |
3.1 面向对象技术及常用指标分析 | 第59-66页 |
3.1.1 面向对象影像分析技术概述 | 第59-63页 |
3.1.2 常用特征分析 | 第63-66页 |
3.2 对象特征选择方法 | 第66-67页 |
3.3 基于随机森林的对象分类 | 第67-70页 |
3.3.1 随机森林原理 | 第68-69页 |
3.3.2 随机森林的构建 | 第69-70页 |
3.4 实验结果与分析 | 第70-84页 |
3.4.1 数据介绍及特征选择实验 | 第70-76页 |
3.4.2 随机森林分类及定性评估 | 第76-78页 |
3.4.3 与SVM和KNN方法结果对比 | 第78-81页 |
3.4.4 分类定量评价 | 第81-82页 |
3.4.5 变化检测及精度评价 | 第82-84页 |
3.5 本章小节 | 第84-86页 |
第四章 基于序列多尺度对象的滑坡提取 | 第86-100页 |
4.1 最优分割尺度确定分析 | 第86-87页 |
4.2 序列多尺度对象的获取与构建 | 第87-92页 |
4.2.1 影像分割尺度的获取 | 第88-90页 |
4.2.2 检索关联对象 | 第90-91页 |
4.2.3 序列多尺度光谱特征变化向量构建 | 第91页 |
4.2.4 变化信息的提取 | 第91-92页 |
4.3 实验结果与分析 | 第92-99页 |
4.3.1 实验结果及定性评估 | 第92-93页 |
4.3.2 方法对比 | 第93-94页 |
4.3.3 定量评估 | 第94-99页 |
4.4 本章小节 | 第99-100页 |
第五章 改进蜂群算法的影像阈值分割 | 第100-115页 |
5.1 基于二维OTSU的影像分割方法 | 第101-105页 |
5.1.1 现有二维OTSU算法概述 | 第101-103页 |
5.1.2 基于灰度-梯度的OTSU算法 | 第103-105页 |
5.2 蜂群算法简述 | 第105-106页 |
5.3 改进蜂群算法 | 第106-108页 |
5.3.1 最优解引导的蜜源更新方法 | 第106-107页 |
5.3.2 边界递减的局部搜索策略 | 第107-108页 |
5.3.3 限定的食物源生成范围 | 第108页 |
5.4 实验结果与分析 | 第108-114页 |
5.5 本章小节 | 第114-115页 |
第六章 总结与展望 | 第115-119页 |
6.1 本文主要工作总结 | 第115-117页 |
6.2 未来工作展望 | 第117-119页 |
致谢 | 第119-120页 |
参考文献 | 第120-136页 |