第l章 绪论
1.1 概述
1.2 遥感与城市应用
1.3 城市建筑物提取研究现状综述
1.4 本书结构
第2章 城市典型地物样本库分类体系设计
2.1 研究背景
2.2 国内外样本库研究概述
2.3 城市典型地物分类体系
2.3.1 影像特征
2.3.2 分类体系
2.3.3 建筑物细类分类体系
第3章 城市地表要素样本库构建方法
3.1 样本建库总体流程
3.2 样本采集方案
3.2.1 透水地表样本的采集
3.2.2 不透水地表样本的采集
3.2.3 样本数据的命名及存储
3.3 样本制作方案
3.3.1 公里格网的划分
3.3.2 代表性格网的确定
3.3.3 样本格网的标签制作
3.4 城市典型地物样本库建设
3.4.1 城市典型地物样本库数据表设计
3.4.2 城市典型地物样本库的构建
3.4.3 城市典型地物样本库成果统计
3.5 基于ArcPv的自动建库T具
3.6 样本精度检验
3.6.1 精度评定方法
3.6.2 城市典型地物样本精度评定方法实证分析
3.7 样本的可视化管理
3.7.1 基于WebGIS的可视化方法
3.7.2 基于NodeJS服务端开发
3.7.3 样本库可视化的实现
第4章 多特征参与决策的全卷积神经网络构建
4.1 深度学习与卷积神经网络
4.1.1 从深度学习到卷积神经网络
4.1.2 卷积神经网络的内部结构
4.1.3 卷积神经网络的学习机理
4.2 全卷积神经网络与语义分割
4.2.1 FCN
4.2.2 SegNet与U-Net
4.3 多级特征参与决策的全卷积网络算法设计
4.3.1 U-Net的规整化改进
4.3.2 参与决策的多级特征融合
4.3.3 多级特征参与决策的全卷积网络结构的实现
4.4 多级特征参与决策的全卷积网络结构的测试
4.4.1 Mnih数据集概述及预处理
4.4.2 基于Mnih数据集的建筑物提取
4.5 本章小结
第5章 基于GF-2影像的长春市城区建筑物提取
5.1 数据源及数据处理
5.1.1 GF-2卫星影像概述
5.1.2 研究区概况
5.1.3 GF-2影像建筑物数据集的获取
5.2 训练数据集的增强
5.2.1 图像拉伸
5.2.2 图像几何变换
5.3 建筑物提取
5.3.1 基于单输入模型的建筑物提取
5.3.2 基于双输入模型的建筑物提取
5.3.3 面向对象的建筑物提取
5.4 建筑物提取结果分析
5.4.1 精度评定方法
5.4.2 结果分析
第6章 深度学习支持城市建筑物阴影提取
6.1 研究背景
6.2 研究区及数据
6.3 方法
6.3.1 全卷积神经网络(FCN)模型
6.3.2 阴影后处理方法
6.4 结果及分析
6.4.1 城市建筑物信息提取结果
6.4.2 精度评价
6.5 结论
第7章 多分类器组合的地表要素分类方法
7.1 研究背景
7.2 研究区及数据
7.2.1 研究区
7.2.2 数据及数据预处理
7.3 方法
7.3.1 影像分割
7.3.2 影像分类
7.4 结果与结论
7.4.1 单分类器分类结果及精度比较
7.4.2 组合分类器分类结果及精度评价
7.5 结论
第8章 GF-1、GF-2卫星联合提取城市地表要素方法研究
8.1 研究背景
8.2 数据及方法
8.2.1 研究区
8.2 2数据及数据处理
8.2.3 数据及数据预处理
8.2.4 分割与分类
8.2.5 城市LULC类型的提取
8.2.6 精度评定
8.3 结果与分析
8.3.1 城市LULC提取结果
8.3.2 定量精度评定
8.4 结论
附表
参考文献
展开