论文目录 | |
摘要 | 第1-7页 |
ABSTRCT | 第7-8页 |
第一章 绪论 | 第9-16页 |
1.1 研究背景 | 第9-10页 |
1.2 研究现状与趋势 | 第10-13页 |
1.3 现有研究存在的问题及研究意义 | 第13-14页 |
1.4 主要工作 | 第14页 |
1.4.1 基于低秩表示学习判别字典的多光谱图像变化检测 | 第14页 |
1.4.2 基于孪生网络的多光谱遥感图像变化检测 | 第14页 |
1.5 论文内容及结构 | 第14-15页 |
1.6 本章小结 | 第15-16页 |
第二章 基于低秩表示学习判别字典的遥感图像变化检测 | 第16-32页 |
2.1 引言 | 第16-18页 |
2.1.1 稀疏表示 | 第16-17页 |
2.1.2 低秩表示 | 第17-18页 |
2.2 基于低秩表示学习判别字典的变化检测 | 第18-20页 |
2.3 基于低秩表示学习判别字典的变化检测具体步骤 | 第20-26页 |
2.3.1 特征获取 | 第21-22页 |
2.3.2 基于低秩表示挑选超像素样本 | 第22-24页 |
2.3.3 判别字典学习 | 第24页 |
2.3.4 通过重构误差图检测变化 | 第24-26页 |
2.4 实验结果与分析 | 第26-31页 |
2.4.1 实验设置 | 第26页 |
2.4.2 河北省保定市城区数据集实验结果 | 第26-28页 |
2.4.3 河北省石家庄市城郊数据集实验结果 | 第28-30页 |
2.4.4 实验结果分析 | 第30-31页 |
2.5 本章小结 | 第31-32页 |
第三章 基于孪生网络的遥感图像变化检测 | 第32-49页 |
3.1 引言 | 第32-33页 |
3.2 基于孪生网络的遥感图像变化检测模型概述 | 第33-39页 |
3.2.1 孪生网络 | 第33-35页 |
3.2.2 应用在遥感图像场景分类中的孪生卷积网络 | 第35-36页 |
3.2.3 应用在地物分类中的孪生卷积网络 | 第36-37页 |
3.2.4 应用在语句分类中的卷积神经网络 | 第37-39页 |
3.2.5 针对遥感数据变化检测设计的孪生网络思想 | 第39页 |
3.3 基于孪生网络的遥感图像变化检测模型 | 第39-43页 |
3.3.1 差异化特征提取 | 第39-40页 |
3.3.2 基于孪生网络的变化检测网络框架 | 第40-42页 |
3.3.3 基于孪生网络的遥感图像变化检测步骤 | 第42-43页 |
3.4 实验结果与分析 | 第43-48页 |
3.4.1 实验设置 | 第43-44页 |
3.4.2 OSCD数据集中的aguasclaras遥感影像实验结果 | 第44-46页 |
3.4.3 河北省保定市城区数据集实验结果 | 第46页 |
3.4.4 实验结果分析 | 第46-48页 |
3.5 本章小结 | 第48-49页 |
第四章 总结与展望 | 第49-51页 |
4.1 总结 | 第49-50页 |
4.2 展望 | 第50-51页 |
参考文献 | 第51-56页 |
攻读硕士学位期间的主要成果 | 第56-57页 |
致谢 | 第57页 |