导读:本文包含了高分辨率遥感影像分类论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感影像,分类,纹理特征,几何特征
高分辨率遥感影像分类论文文献综述
马长辉,黄登山[1]（2019）在《纹理与几何特征信息在高空间分辨率遥感影像分类中的应用》一文中研究指出为充分利用高空间分辨率遥感影像所包含的纹理与几何特征信息,提高影像的分类精度,应用面向对象技术和Log-Gabor小波来提取影像纹理和几何特征信息,并结合影像光谱信息对影像进行分类。选用的分类器为粒群优化算法优化参数的支持向量机分类器,使用资源叁号和高分二号两种不同传感器的卫星影像对方法进行验证,影像数据地物类型包含林地、草地、裸地、沙地、建筑物和道路等典型实体对象。通过对实验结果的目视比较和统计分析结果表明,所提方法分类结果精度较传统方法有所提高。(本文来源于《测绘地理信息》期刊2019年06期）
楚恒,蔡衡,单德明[2]（2019）在《高分辨率遥感影像的多特征多核ELM分类方法》一文中研究指出针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。(本文来源于《计算机工程与科学》期刊2019年10期）
陈志会,卞振奇,赵秀英[3]（2019）在《基于属性形态学剖面多特征超高分辨率遥感影像分类研究》一文中研究指出针对近年来出现的超高分辨率遥感卫星数据,本文提出了一种基于形态学属性剖面多特征分类方法。首先针对超高分辨率多光谱影像提取属性形态学剖面,提取相应的细节信息;然后结合多光谱影像的光谱信息,训练分类器。其次,对Worldview2城镇区域影像进行了分类,可以看出,应用形态学属性剖面多特征分类的算法可以有效地将地物进行区分,目视结果和定量结果都达到了较高精度。(本文来源于《测绘与空间地理信息》期刊2019年09期）
许慧敏,齐华,南轲,陈敏[4]（2019）在《结合nDSM的高分辨率遥感影像深度学习分类方法》一文中研究指出针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型(nDSM)约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段迭加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。(本文来源于《测绘通报》期刊2019年08期）
郝怀旭,万太礼,罗年学[5]（2019）在《利用OpenStreetMap数据进行高空间分辨率遥感影像分类》一文中研究指出针对高分辨率遥感影像分类样本标注困难的问题,提出了一种利用OpenStreetMap(OSM)数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同,该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先,基于OSM数据提供的地物类别和位置信息进行样本标注,为了降低OSM数据中少量错误信息对分类结果的影响,采用聚类分析的方法对样本进行提纯;其次,使用形态学轮廓来提取影像的结构特征,挖掘高分辨率遥感影像丰富的空间信息,与光谱特征相迭加并输入分类器进行分类。试验证明,本文提出的方法能够有效避免人工样本标注所需要的人力物力;同时,联合影像的光谱空间特征能够更好地描述地物特性,得到较高的分类精度。(本文来源于《测绘通报》期刊2019年07期）
孟庆祥,吴玄[6]（2019）在《基于深度卷积神经网络的高分辨率遥感影像场景分类》一文中研究指出场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。(本文来源于《测绘通报》期刊2019年07期）
孟庆祥,段学琳[7]（2019）在《基于DCNN的高分辨率遥感影像场景分类》一文中研究指出针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用叁个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显着提升了分类精度.(本文来源于《华中师范大学学报(自然科学版)》期刊2019年04期）
陈斌,王宏志,徐新良,王首泰,张亚庆[8]（2019）在《深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类》一文中研究指出提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物(不透水层、植被、水体和其他用地)的自动分类提取,并将分类结果与传统最大似然分类(ML)结果进行了对比分析。研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。(本文来源于《测绘通报》期刊2019年06期）
滕文秀,王妮,陈泰生,王本林,陈梦琳[9]（2019）在《基于深度对抗域适应的高分辨率遥感影像跨域分类》一文中研究指出提出一种基于深度对抗域适应的高分辨率遥感影像跨域分类方法。利用深度卷积神经网络VGG16(Visual Geometry Group)学习场景影像的深度特征,然后利用对抗学习方法最小化源域和目标域特征分布差异。利用RSI-CB256(Remote Sensing Image Classification Benchmark)、NWPU-RESISC45(Northwestern Polytechnical University Remote Sensing Image Scene Classification)和AID(Aerial Image data set)数据集构建源域数据集,并将UC-Merced(University of California,Merced)和WHU-RS 19(Wuhan University Remote Sensing)两个数据集作为目标域数据集进行实验,实验结果表明,所提方法在目标域数据集没有标签的情况下,能够提高模型对目标域数据集的泛化能力。(本文来源于《激光与光电子学进展》期刊2019年11期）
刘威[10]（2019）在《基于多类特征深度学习的高分辨率遥感影像分类》一文中研究指出伴随我国高分辨率对地观测系统的启动,高空间分辨率(下文简称“高分辨率”)遥感影像数据也呈现海量增长。高分辨率遥感影像具有空间分辨率高、影像复杂程度高、光谱信息欠缺、类内差异大以及几何纹理等特征丰富的特点,利用传统的遥感影像分类方法对其进行分类效果不理想,亟须寻找一种高精度、快速高效的影像分类方法。而近年来深度学习技术迅猛发展,针对这一问题,本文将深度学习技术用于了高分辨率遥感影像分类,考虑到高分影像光谱信息欠缺,所以构建了多类影像特征作为其补充,提出了一种基于多类特征深度学习的高分辨率遥感影像分类方法,共完成了以下几点工作:第一,阐述了国内外对于深度学习技术以及遥感影像分类的研究现状。介绍了常用的遥感影像分类方法,并指出了深度学习方法在高分辨率遥感影像分类中的优势。第二,介绍了高分辨率遥感影像的深度学习分类方法。对几种常见的影像分类深度模型进行了阐述,通过具体的比较和分析,选取了较优的U-Net模型进行后续的高分辨率遥感影像分类研究。第叁,介绍了高分辨率遥感影像的多类特征构建。考虑到高分辨率遥感影像的光谱信息较为欠缺,但包含丰富的空间、纹理等信息,所以文中分别构建了四种影像特征,即影像空间特征、影像对比度特征、影像植被特征和影像纹理特征,将其作为原始光谱信息的补充,用于后续的深度学习训练。文中采用了数字表面模型将其作为影像空间特征;文中详细对比分析了基于全局对比度的HC算法和基于局部对比度的AC算法,结合实际应用情况,选取了基于局部对比度的AC算法进行影像对比度特征提取;文中通过构建归一化植被指数来进行影像植被特征提取;文中利用圆形LBP算法来进行影像纹理特征提取。第四,提出了一种基于多类特征深度学习的高分辨率遥感影像分类方法。首先利用U-Net模型作为基础深度学习模型,将构建的影像多类特征输入模型中进行训练,然后利用测试集预测得到分类图,文中利用了条件随机场的方法对分类图进行后处理。由于构建了四类影像特征,所以相应会得到四幅分类图,文中根据一定的融合规则对多幅分类图进行了融合,得到最终分类结果。第五,总结分析了实验结果。利用多个精度评定指标对本文方法的分类结果进行定量精度评价,详细分析了影像多类特征以及分类图融合对分类结果的影响。然后将本文方法与几种经典的深度学习模型即FCN-32s、FCN-16s、FCN-8s、SegNet和原始U-Net模型进行了详细的对比分析。实验结果表明,本文方法的精度较高、效果较好,可以很好地对高分辨率遥感影像进行分类。(本文来源于《北京建筑大学》期刊2019-06-01）
高分辨率遥感影像分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高分辨率遥感影像分类论文参考文献
[1].马长辉,黄登山.纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J].测绘地理信息.2019
[2].楚恒,蔡衡,单德明.高分辨率遥感影像的多特征多核ELM分类方法[J].计算机工程与科学.2019
[3].陈志会,卞振奇,赵秀英.基于属性形态学剖面多特征超高分辨率遥感影像分类研究[J].测绘与空间地理信息.2019
[4].许慧敏,齐华,南轲,陈敏.结合nDSM的高分辨率遥感影像深度学习分类方法[J].测绘通报.2019
[5].郝怀旭,万太礼,罗年学.利用OpenStreetMap数据进行高空间分辨率遥感影像分类[J].测绘通报.2019
[6].孟庆祥,吴玄.基于深度卷积神经网络的高分辨率遥感影像场景分类[J].测绘通报.2019
[7].孟庆祥,段学琳.基于DCNN的高分辨率遥感影像场景分类[J].华中师范大学学报(自然科学版).2019
[8].陈斌,王宏志,徐新良,王首泰,张亚庆.深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类[J].测绘通报.2019
[9].滕文秀,王妮,陈泰生,王本林,陈梦琳.基于深度对抗域适应的高分辨率遥感影像跨域分类[J].激光与光电子学进展.2019
[10].刘威.基于多类特征深度学习的高分辨率遥感影像分类[D].北京建筑大学.2019