| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究的背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究的内容和方法 | 第12-14页 |
| 1.3.1 章节安排 | 第12-13页 |
| 1.3.2 本文研究采用的方法 | 第13-14页 |
| 第2章 不透水面提取的研究方法和理论 | 第14-24页 |
| 2.1 传统遥感影像分类方法 | 第14-16页 |
| 2.1.1 有监督的分类方法 | 第14-15页 |
| 2.1.2 无监督的分类方法 | 第15-16页 |
| 2.2 传统遥感图像阈值分割算法 | 第16-19页 |
| 2.2.1 最大类间方差法 | 第16-17页 |
| 2.2.2 最大熵算法 | 第17-19页 |
| 2.3 多阈值分割算法 | 第19-20页 |
| 2.3.1 量子遗传法(GQA) | 第19页 |
| 2.3.2 量子比特编码和染色体的编码方式 | 第19-20页 |
| 2.3.3 量子旋转门 | 第20页 |
| 2.3.4 基于量子遗传算法的最大熵法图像分割 | 第20页 |
| 2.4 支持向量机 | 第20-23页 |
| 2.4.1 支持向量机原理 | 第20-22页 |
| 2.4.2 多类支持向量机 | 第22-23页 |
| 2.5 本章总结 | 第23-24页 |
| 第3章 基于图像分割的不透水面提取算法 | 第24-35页 |
| 3.1 传统阈值分割不透水面检测结果 | 第24-27页 |
| 3.1.1 最大类间法不透水面检测结果 | 第25页 |
| 3.1.2 均值迭代分割法不透水面检测结果 | 第25-26页 |
| 3.1.3 最大熵分割法不透水面检测结果 | 第26-27页 |
| 3.2 基于聚类的图像分割法 | 第27-31页 |
| 3.2.1 K-means聚类的图像分割 | 第27-29页 |
| 3.2.2 ISODATA聚类的图像分割 | 第29-31页 |
| 3.3 基于量子遗传的最大熵多阈值分割算法 | 第31-32页 |
| 3.4 实验结果分析 | 第32-34页 |
| 3.4.1 图像分割结果的评估 | 第32-33页 |
| 3.4.2 实验参数选取 | 第33-34页 |
| 3.4.3 实验结果分析 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 多特征融合的不透水面提取算法 | 第35-49页 |
| 4.1 颜色特征提取 | 第35-37页 |
| 4.1.1 颜色信息分解 | 第35-36页 |
| 4.1.2 颜色特征提取 | 第36-37页 |
| 4.2 纹理特征提取 | 第37-40页 |
| 4.2.1 灰度共生矩阵 | 第37-38页 |
| 4.2.2 纹理参数计算 | 第38-39页 |
| 4.2.3 样本尺寸对纹理参数的影响分析 | 第39-40页 |
| 4.3 基于多特征融合的SVM算法设计 | 第40-45页 |
| 4.3.1 训练样本 | 第40页 |
| 4.3.2 SVM多特征融合算法 | 第40-43页 |
| 4.3.3 BP神经网络的多特征融合算法 | 第43-45页 |
| 4.4 实验结果分析 | 第45-47页 |
| 4.4.1 实验环境 | 第45页 |
| 4.4.2 信息提取评价指标 | 第45页 |
| 4.4.3 实验结果与分析 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第5章 基于Python的不透水面提取系统设计与实现 | 第49-54页 |
| 5.1 基于Python的不透水面提取系统 | 第49-50页 |
| 5.2 系统的不透水面提取结果 | 第50-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间的科研成果 | 第61-62页 |
| 致谢 | 第62-63页 |