| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于高分辨率遥感影像 | 第11-12页 |
| 1.2.2 基于LIDAR点云数据 | 第12-13页 |
| 1.2.3 基于高分辨率遥感影像和LIDAR点云数据 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 单棵树检测相关理论和技术 | 第16-28页 |
| 2.1 区域生长方法（Region Growing） | 第18-20页 |
| 2.2 分水岭分割方法（Watershed Segmentation） | 第20-22页 |
| 2.3 模版匹配方法（Template Matching） | 第22-25页 |
| 2.4 检测结果匹配和参数 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于级联神经网络的单棵树检测方法 | 第28-48页 |
| 3.1 区域增长和模版匹配方法的检测结果 | 第28-30页 |
| 3.2 神经网络原理 | 第30-32页 |
| 3.3 基于级联神经网络的单棵树检测方法 | 第32-38页 |
| 3.3.1 基于BP神经网络的单棵树检测方法 | 第32-35页 |
| 3.3.2 基于级联神经网络的单棵树检测方法 | 第35-38页 |
| 3.4 实验数据 | 第38-42页 |
| 3.5 实验结果分析 | 第42-47页 |
| 3.5.1 各个实验区域的检测结果 | 第42-45页 |
| 3.5.2 总体检测结果 | 第45页 |
| 3.5.3 不同森林类型的检测结果 | 第45-47页 |
| 3.5.4 各个检测方法的时间对比 | 第47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于梯度方向聚类的LIDAR点云数据单棵树木检测方法 | 第48-63页 |
| 4.1 算法思路概述 | 第49-50页 |
| 4.2 基于梯度方向聚类的LIDAR点云数据单棵树木检测方法 | 第50-54页 |
| 4.2.1 LIDAR点云数据栅格化 | 第50-52页 |
| 4.2.2 基于方向梯度的聚类 | 第52-53页 |
| 4.2.3 单棵树的选取和参数的确定 | 第53-54页 |
| 4.3 实验数据 | 第54-56页 |
| 4.4 实验结果分析 | 第56-62页 |
| 4.4.1 检测结果演示 | 第56-58页 |
| 4.4.2 各个实验区域的检测结果 | 第58-60页 |
| 4.4.3 总体检测结果 | 第60-61页 |
| 4.4.4 不同森林类型的检测结果 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 多源遥感数据中单棵树木检测系统的设计和实现 | 第63-73页 |
| 5.1 系统层次架构 | 第63-65页 |
| 5.2 系统详细说明 | 第65-72页 |
| 5.2.1 系统运行环境 | 第65页 |
| 5.2.2 系统详细介绍 | 第65-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
