基于深度学习的水体识别研究
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章绪论 | 第10-16页 |
| 1.1研究背景 | 第10页 |
| 1.2研究目的和意义 | 第10-11页 |
| 1.3研究现状 | 第11-14页 |
| 1.3.1遥感图像水体信息提取概述 | 第11-12页 |
| 1.3.2水体中氮磷研究进展 | 第12-13页 |
| 1.3.3存在的问题 | 第13-14页 |
| 1.4研究内容及技术路线 | 第14-16页 |
| 1.4.1研究内容 | 第14-15页 |
| 1.4.2技术路线 | 第15-16页 |
| 第2章研究区概况及数据基础 | 第16-22页 |
| 2.1研究区概况 | 第16-17页 |
| 2.2数据的介绍及影像预处理 | 第17-20页 |
| 2.2.1高分影像介绍 | 第17-19页 |
| 2.2.2影像预处理 | 第19-20页 |
| 2.3本章小结 | 第20-22页 |
| 第3章深度学习网络与水体特征提取方法 | 第22-30页 |
| 3.1深度学习网络 | 第22-26页 |
| 3.1.1深度置信网络 | 第22-24页 |
| 3.1.2支持向量机（SVM） | 第24页 |
| 3.1.3卷积神经网络（CNN） | 第24-25页 |
| 3.1.4深度卷积对抗生成网络 | 第25-26页 |
| 3.2水体光谱特征及空间特征提取方法 | 第26-29页 |
| 3.2.1水体的光谱特征提取 | 第26-28页 |
| 3.2.2空间特征的提取 | 第28-29页 |
| 3.3本章小结 | 第29-30页 |
| 第4章基于深度学习模型的水体识别研究 | 第30-41页 |
| 4.1联合特征的水体识别过程 | 第30-33页 |
| 4.1.1实验环境及硬件配置 | 第30页 |
| 4.1.2水体的空间联合特征提取算法 | 第30-32页 |
| 4.1.3水体识别模型的构建 | 第32-33页 |
| 4.2实验结果与分析 | 第33-40页 |
| 4.2.1训练数据集预处理 | 第33-34页 |
| 4.2.2实验参数设置与优化 | 第34-37页 |
| 4.2.3不同方法实验对比 | 第37-38页 |
| 4.2.4尺度窗口的范围大小影响 | 第38-40页 |
| 4.3本章小结 | 第40-41页 |
| 第5章基于深度学习模型的氮磷识别研究 | 第41-49页 |
| 5.1特征波段选取 | 第41-43页 |
| 5.2DBN模型的构建与测试 | 第43-45页 |
| 5.2.1模型的构建 | 第43-44页 |
| 5.2.2实验过程 | 第44-45页 |
| 5.3实验结果 | 第45-48页 |
| 5.4本章小结 | 第48-49页 |
| 第6章结论与建议 | 第49-50页 |
| 6.1结论 | 第49页 |
| 6.2建议 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 攻读学位期间发表的学术论文 | 第55-57页 |
| 致谢 | 第57页 |
