机器学习在卫星影像云提取和三维点云滤波中的方法研究
| 论文主要的创新点 | 第6-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 研究目的和意义 | 第13-16页 |
| 1.1.1 遥感影像云检测 | 第13-14页 |
| 1.1.2 三维激光点云滤波 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 遥感影像云检测 | 第16-17页 |
| 1.2.2 三维激光点云滤波 | 第17-22页 |
| 1.3 主要研究内容 | 第22-23页 |
| 1.4 论文组织 | 第23-25页 |
| 第2章 机器学习基础理论研究 | 第25-35页 |
| 2.1 引言 | 第25页 |
| 2.2 监督学习 | 第25-33页 |
| 2.2.1 支持向量机 | 第25-26页 |
| 2.2.2 深度卷积网络 | 第26-33页 |
| 2.3 非监督学习 | 第33页 |
| 2.4 强化学习 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于BoW模型的遥感影像云提取 | 第35-59页 |
| 3.1 引言 | 第35-36页 |
| 3.2 超像素分割 | 第36-39页 |
| 3.3 词袋(BoW)模型 | 第39-44页 |
| 3.3.1 SIFT特征 | 第40-42页 |
| 3.3.2 词袋模型描述子提取 | 第42-44页 |
| 3.4 基于GrabCut的结果优化 | 第44-49页 |
| 3.4.1 基于图论的分割方法 | 第44-46页 |
| 3.4.2 高斯混合模型(GMM) | 第46-47页 |
| 3.4.3 云区标记结果优化 | 第47-49页 |
| 3.5 实验结果与分析 | 第49-59页 |
| 3.5.1 实验数据 | 第49页 |
| 3.5.2 结果对比分析 | 第49-59页 |
| 第4章 LiDAR点云滤波的机器学习方法 | 第59-93页 |
| 4.1 引言 | 第59-61页 |
| 4.2 机载LiDAR系统技术原理 | 第61-65页 |
| 4.2.1 系统组成 | 第61页 |
| 4.2.2 技术原理 | 第61-62页 |
| 4.2.3 LiDAR数据组成 | 第62-63页 |
| 4.2.4 LiDAR应用发展 | 第63-65页 |
| 4.3 基于深度卷积神经网络的点云滤波 | 第65-72页 |
| 4.3.1 点云特征提取及映射 | 第67-68页 |
| 4.3.2 深度卷积神经网络模型训练和测试 | 第68-72页 |
| 4.4 基于全连接条件随机场的点云标记结果优化 | 第72-81页 |
| 4.4.1 马尔科夫随机场 | 第72-74页 |
| 4.4.2 条件随机场 | 第74-77页 |
| 4.4.3 全连接条件随机场 | 第77-79页 |
| 4.4.4 点云标记优化过程及结果示例 | 第79-81页 |
| 4.5 实验结果与分析 | 第81-93页 |
| 4.5.1 实验数据 | 第82-83页 |
| 4.5.2 模型训练 | 第83-84页 |
| 4.5.3 结果对比分析 | 第84-91页 |
| 4.5.4 结论 | 第91-93页 |
| 第5章 总结与展望 | 第93-96页 |
| 5.1 工作总结 | 第93-94页 |
| 5.2 展望 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 攻读博士期间发表的论文和科研情况 | 第104-105页 |
| 致谢 | 第105页 |
