第1章 绪论
1.1 移动测图系统产生的背景
1.2 移动测图系统与可量测实景影像
1.2.1 移动测图系统
1.2.2 可量测实景影像
1.3 可量测实景影像的应用
第2章 道路实景影像的获取方法
2.1 道路实景影像数据获取方式
2.2 道路实景影像数据采集流程
2.2.1 采集项目实施前准备
2.2.2 单次数据采集前准备
2.2.3 数据质量检查与评价
第3章 传统图像处理技术
3.1 颜色模型相关理论
3.2 彩色图像灰度化
3.3 图像增强
3.3.1 灰度变换
3.3.2 直方图均衡化
3.3.3 直方图规定化
3.4 图像平滑
3.4.1 均值滤波
3.4.2 高斯滤波
3.4.3 中值滤波
3.4.4 双边滤波
3.5 二值化
3.5.1 全局阈值法
3.5.2 迭代法阈值分割
3.5.3 Otsu阈值分割
3.5.4 基于二值化的形态学法
3.6 图像变换
3.6.1 Hough变换
3.6.2 Radon变换
3.6.3 傅里叶变换
3.6.4 小波变换
第4章 深度学习图像处理技术
4.1 深度学习的概念
4.2 卷积神经网络
4.3 深度学习与图像识别
4.3.1 图像分类
4.3.2 目标检测
4.3.3 语义分割
4.3.4 实例分割
第5章 实景影像交通标志信息提取
5.1 实景影像交通标志的特征分析
5.1.1 道路交通标志概念
5.1.2 道路交通标志的分类
5.2 实景影像交通标志的提取方法
5.2.1 交通标志图像预处理
5.2.2 交通标志检测与分类
5.3 实景影像交通标志信息提取实例
5.3.1 实验数据集介绍
5.3.2 实验环境
5.3.3 通过dropout防止过拟合
5.3.4 损失函数与ADAM优化算法
5.3.5 模型参数设置
5.3.6 实验过程及分析
5.3.7 结论
第6章 实景影像车道线检测
6.1 基于实景影像车道线特征分析
6.1.1 道路类型
6.1.2 车道线类型
6.1.3 车道线检测过程中目前存在的主要问题
6.2 基于实景影像的车道线检测
6.2.1 车道线图像预处理
6.2.2 车道线图像分割方法
6.2.3 Hough变换检测车道线
6.2.4 改进的Hough变换
6.3 基于实景影像的车道线检测实例
第7章 实景影像道路裂缝信息提取
7.1 实景影像道路裂缝的特征分析
7.1.1 路面裂缝的产生
7.1.2 路面裂缝的分类
7.1.3 路面裂缝的识别面临的挑战
7.2 实景影像道路裂缝的提取方法
7.2.1 算法流程
7.2.2 DeeDLab V3+网络概述
7.2.3 数据不平衡问题
7.3 实景影像道路裂缝的提取实例
7.3.1 制作数据集
7.3.2 语义分割实验评价指标
7.3.3 实验过程及结果
7.3.4 结论
第8章 实景影像道路路牌信息提取
8.1 实景影像道路路牌的特征分析
8.1.1 路牌种类及其特征
8.1.2 指路标志信息含义
8.1.3 道路路牌研究意义
8.2 实景影像道路路牌的提取方法
8.2.1 图像预处理方法
8.2.2 光学字符识别技术
8.2.3 场景文本检测算法
8.2.4 卷积递归神经网络
8.3 实景影像道路路牌的提取实例
8.3.1 制作数据集
8.3.2 基于C#的路牌文字识别
8.3.3 基于深度学习的路牌文字识别
8.3.4 结论
第9章 实景影像城市环境专题应用
9.1 基于街景的城市美学环境评估
9.2 基于街景的城市物理环境评估
9.3 基于街景的城市社会环境评价
9.4 基于街景的城市经济环境评价
第10章 展望
参考文献
展开
