| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状与发展趋势 | 第12-19页 |
| 1.2.1 城市不透水面提取遥感数据源 | 第12-15页 |
| 1.2.2 城市不透水面遥感提取方法 | 第15-19页 |
| 1.3 论文主要内容以及组织结构 | 第19-21页 |
| 2 多源遥感图像融合理论与方法 | 第21-26页 |
| 2.1 多源遥感图像融合的三个层次 | 第21-23页 |
| 2.2 多源遥感图像数据配准 | 第23-24页 |
| 2.3 多源遥感图像融合方法选择 | 第24-26页 |
| 2.4 本章小结 | 第26页 |
| 3 研究区概况与数据预处理 | 第26-33页 |
| 3.1 研究区概况与数据集 | 第26-29页 |
| 3.2 数据预处理 | 第29-32页 |
| 3.2.1 WorldView-2 影像数据预处理 | 第29-30页 |
| 3.2.2 机载LiDAR数据预处理 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 基于像元的支持向量机分层分类与阈值调节提取方法 | 第33-56页 |
| 4.1 研究方法 | 第33-45页 |
| 4.1.1 支持向量机分类 | 第34-38页 |
| 4.1.2 两种数据源融合的分层分类方法 | 第38-39页 |
| 4.1.3 阈值调节的城市不透水面提取方法 | 第39-41页 |
| 4.1.4 精度评价方法 | 第41-45页 |
| 4.2 提取结果与分析 | 第45-55页 |
| 4.2.1 分类精度评价 | 第45-47页 |
| 4.2.2 分类结果的视觉比较 | 第47-50页 |
| 4.2.3 不透水面提取结果与制图 | 第50-53页 |
| 4.2.4 不透水面百分比精度分析 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 面向对象的支持向量机分层分类提取方法 | 第56-72页 |
| 5.1 研究方法 | 第56-60页 |
| 5.1.1 WorldView-2 高分影像与LiDAR nDSM图像的分割 | 第57-59页 |
| 5.1.2 对象特征参数选择 | 第59-60页 |
| 5.2 提取结果与分析 | 第60-71页 |
| 5.2.1 不同特征参数输入的面向对象分层分类结果 | 第60-64页 |
| 5.2.2 基于像元与面向对象的分层提取不透水面结果对比 | 第64-71页 |
| 5.3 本章小结 | 第71-72页 |
| 6 运用卷积神经网络模型的分层分类提取方法 | 第72-92页 |
| 6.1 研究方法 | 第72-79页 |
| 6.1.1 卷积神经网络模型概述 | 第73-75页 |
| 6.1.2 一维卷积神经网络（1D CNN）模型 | 第75-76页 |
| 6.1.3 三维卷积神经网络模型（3D CNN）及其参数优选方法 | 第76-79页 |
| 6.2 提取结果与分析 | 第79-90页 |
| 6.2.1 CNN预训练模型参数优选 | 第79-81页 |
| 6.2.2 不同CNN模型的四种不透水面提取结果对比 | 第81-85页 |
| 6.2.3 基于SVM分类与CNN模型的不透水面提取结果对比 | 第85-90页 |
| 6.3 本章小结 | 第90-92页 |
| 7 结论与展望 | 第92-96页 |
| 7.1 主要研究结论 | 第92-94页 |
| 7.2 创新点 | 第94-95页 |
| 7.3 对下一步工作的设想与展望 | 第95-96页 |
| 参考文献 | 第96-107页 |
| 附录 | 第107-108页 |
| 致谢 | 第108-109页 |
