| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 高分辨率遥感影像建筑物提取 | 第14-16页 |
| 1.3 本论文研究内容及创新点 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 1.5 论文的算法流程图 | 第18-19页 |
| 第二章 高分辨率遥感影像建筑物提取的基本方法 | 第19-31页 |
| 2.1 高分辨率遥感影像的数据特征 | 第19页 |
| 2.2 高分辨率遥感影像建筑物提取的方法概述 | 第19-30页 |
| 2.2.1 边缘检测 | 第21-24页 |
| 2.2.1.1 Laplacian算子 | 第21-22页 |
| 2.2.1.2 Marr-Hildreth算子 | 第22页 |
| 2.2.1.3 Canny算子 | 第22-24页 |
| 2.2.2 图像分割 | 第24-28页 |
| 2.2.2.1 区域生长 | 第24页 |
| 2.2.2.2 基于四叉树的区域分离与合并 | 第24-25页 |
| 2.2.2.3 数学形态学 | 第25-28页 |
| 2.2.3 自组织特征映射神经网络(SOFM) | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 植被似然建模及道路信息检测提取 | 第31-47页 |
| 3.1 植被似然建模 | 第31-37页 |
| 3.1.1 高斯混合模型(GMM) | 第31-32页 |
| 3.1.2 期望最大化算法——EM参数估计 | 第32-34页 |
| 3.1.3 使用离线监督学习进行植被似然建模 | 第34页 |
| 3.1.4 似然图像的实现 | 第34-35页 |
| 3.1.5 实验结果分析 | 第35-37页 |
| 3.2 基于FLD和形状特征的道路信息检测 | 第37-45页 |
| 3.2.1 FLD分类 | 第37-39页 |
| 3.2.2 道路形状特征 | 第39-40页 |
| 3.2.3 颜色特征提取 | 第40-41页 |
| 3.2.4 道路信息提取方法流程图 | 第41页 |
| 3.2.5 实验数据1的结果与分析 | 第41-43页 |
| 3.2.5.1 特征抽取分类 | 第41-42页 |
| 3.2.5.2 初步检测道路网 | 第42-43页 |
| 3.2.5.3 基于形状特征的道路检测 | 第43页 |
| 3.2.6 实验数据2的结果与分析 | 第43-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第四章 基于LVQ神经网络的建筑物识别提取 | 第47-61页 |
| 4.1 LVQ神经网络 | 第47页 |
| 4.2 LVQ神经网络的工作原理与结构形式 | 第47-48页 |
| 4.2.1 LVQ神经网络结构 | 第47-48页 |
| 4.2.2 LVQ神经网络的工作原理 | 第48页 |
| 4.3 LVQ神经网络的学习算法 | 第48-50页 |
| 4.3.1 LVQ1神经网络算法 | 第48-49页 |
| 4.3.2 LVQ2神经网络算法 | 第49-50页 |
| 4.4 基于LVQ神经网络的建筑物提取 | 第50-53页 |
| 4.4.1 建筑物特征分析 | 第50-51页 |
| 4.4.2 基于OBIA的形状特征提取方法 | 第51页 |
| 4.4.3 基于GLCM的纹理特征提取方法 | 第51-52页 |
| 4.4.4 特征标准化 | 第52-53页 |
| 4.4.5 构建LVQ神经网络的训练集和测试集 | 第53页 |
| 4.4.6 基于LVQ神经网络的建筑物识别提取 | 第53页 |
| 4.5 实验数据结果分析 | 第53-60页 |
| 4.5.1 实验分析 | 第53-55页 |
| 4.5.2 实验方法比较 | 第55-56页 |
| 4.5.3 本文算法评价 | 第56-60页 |
| 4.5.3.1 定量评价 | 第58-59页 |
| 4.5.3.2 定性评价 | 第59-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 建筑物提取及轮廓规则化处理 | 第61-81页 |
| 5.1 建筑物主方向计算的研究 | 第61-72页 |
| 5.1.1 Hough变换法计算主方向 | 第61-63页 |
| 5.1.1.1 Hough变换原理 | 第61-62页 |
| 5.1.1.2 使用Hough变换提取建筑物主方向 | 第62-63页 |
| 5.1.2 改进的直线拟合计算主方向法 | 第63-70页 |
| 5.1.2.1 直线段的提取 | 第64页 |
| 5.1.2.2 最小二乘折线逼近法 | 第64-66页 |
| 5.1.2.3 改进的折线逼近法 | 第66-68页 |
| 5.1.2.4 两种折线逼近算法的比较 | 第68-69页 |
| 5.1.2.5 生成角度直方图提取主方向 | 第69-70页 |
| 5.1.3 基于ISOCLUS聚类的主方向估计算法 | 第70-72页 |
| 5.2 高分辨率遥感影像建筑物轮廓规则化处理 | 第72-79页 |
| 5.2.1 直角多边形建筑物模型 | 第72-73页 |
| 5.2.2 满足直角多边形建筑物模型的条件 | 第73-74页 |
| 5.2.3 直角多边形拟合 | 第74-79页 |
| 5.2.3.1 斜线段分裂算子 | 第75-76页 |
| 5.2.3.2 融合算子 | 第76页 |
| 5.2.3.3 角点相交算子 | 第76-77页 |
| 5.2.3.4 冗余点剔除算子 | 第77页 |
| 5.2.3.5 拐角修复算子 | 第77-78页 |
| 5.2.3.6 凹凸平滑算子 | 第78页 |
| 5.2.3.7 实验结果与分析 | 第78-79页 |
| 5.3 本章小结 | 第79-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 研究内容总结 | 第81-82页 |
| 6.2 工作展望 | 第82-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-93页 |
| 附录A 攻读硕士学位期间学术成果 | 第93-95页 |
| 附录B 使用LVQ神经网络识别提取建筑物核心代码 | 第95-105页 |
| B.1 基于OBIA的形状特征提取 | 第95-97页 |
| B.2 基于GLCM的纹理特征提取 | 第97-100页 |
| B.3 LVQ神经网络的训练 | 第100-104页 |
| B.4 LVQ神经网络的测试 | 第104-105页 |