| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第9-16页 |
| 1.1 研究的背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 遥感图像水体信息的提取 | 第9-11页 |
| 1.2.2 存在的问题 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 第二章 遥感图像数据的预处理 | 第16-20页 |
| 2.1 Landsat8、7_ETM+遥感图像数据 | 第16-17页 |
| 2.1.1 遥感图像的介绍 | 第16页 |
| 2.1.2 遥感图像数据特点的介绍 | 第16-17页 |
| 2.2 遥感图像的预处理 | 第17-19页 |
| 2.2.1 辐射定标 | 第17页 |
| 2.2.2 大气校正 | 第17-18页 |
| 2.2.3 图像融合 | 第18-19页 |
| 本章小结 | 第19-20页 |
| 第三章 提取遥感图像中水体信息的光谱和空间联合特征 | 第20-29页 |
| 3.1 水体的光谱和空间联合特征的提取 | 第20-27页 |
| 3.1.1 光谱特征提取 | 第20-21页 |
| 3.1.2 空间特征提取 | 第21-27页 |
| 3.2 空间约束算法 | 第27-28页 |
| 本章小结 | 第28-29页 |
| 第四章 基于深度SVM网络的遥感图像水体识别 | 第29-38页 |
| 4.1 深度SVM网络的概述 | 第29-30页 |
| 4.2 联合特征提取 | 第30-32页 |
| 4.3 训练样本的选择 | 第32-33页 |
| 4.4 模型的构建 | 第33-34页 |
| 4.5 实验结果和分析 | 第34-36页 |
| 4.5.1 实验数据 | 第34页 |
| 4.5.2 实验结果分析 | 第34-36页 |
| 本章小结 | 第36-38页 |
| 第五章 大数据环境下基于分布式并行处理的水体信息提取 | 第38-44页 |
| 5.1 Hadoop平台介绍 | 第38-39页 |
| 5.1.1 模型介绍和数据处理过程 | 第38-39页 |
| 5.1.2 Hadoop平台的搭建和配置 | 第39页 |
| 5.2 实验数据来源 | 第39页 |
| 5.3 实验结果与分析 | 第39-43页 |
| 5.3.1 测试基于Hadoop分布式构建的模型正确性 | 第39-41页 |
| 5.3.2 可延伸性测试 | 第41-43页 |
| 本章小结 | 第43-44页 |
| 第六章 结合空间联合特征和深度学习模型的水体识别研究 | 第44-64页 |
| 6.1 深度学习模型的相关介绍 | 第44-50页 |
| 6.1.1 深度置信网络(DBN) | 第44-46页 |
| 6.1.2 堆栈降噪自编码(SDAE) | 第46-48页 |
| 6.1.3 卷积神经网络(CNN) | 第48-49页 |
| 6.1.4 深度卷积对抗生成网络 | 第49-50页 |
| 6.2 结合深度卷积生成网络和联合特征的水体识别 | 第50-55页 |
| 6.2.1 研究区域和实验数据的介绍 | 第50-51页 |
| 6.2.2 遥感图像的预处理 | 第51页 |
| 6.2.3 空间联合特征提取 | 第51-53页 |
| 6.2.4 联合特征的约束算法 | 第53-55页 |
| 6.3 实验结果与分析 | 第55-63页 |
| 6.3.1 样本训练集和测试集的预处理 | 第56-57页 |
| 6.3.2 隐含层层数对水体信息提取模型实验结果的影响 | 第57-58页 |
| 6.3.3 与传统的机器学习模型进行对比 | 第58-59页 |
| 6.3.4 约束尺度窗口的大小对水体识别结果的影响 | 第59-61页 |
| 6.3.5 测试光谱和空间联合特征约束算法对水体信息提取的有效性 | 第61-63页 |
| 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 7.1 总结 | 第64-65页 |
| 7.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
