导读:本文包含了典型地物论文开题报告文献综述及选题提纲参考文献，主要关键词:设施农业,遥感影像,目标检测,Faster,R-CNN
典型地物论文文献综述
王兴,康俊锋,刘学军,王美珍,张超[1]（2019）在《设施农业典型地物改进Faster R-CNN识别方法》一文中研究指出深度学习方法可有效提高传统基于遥感影像的设施农业典型地物识别与提取方法的结果精度,对传统农业的转型和发展意义重大。本文针对遥感影像大背景小目标的特点,以及设施农业典型地物的图像特征,结合深度残差思想和Faster RCNN提出DRTOMA算法:首先,使用深度残差网络作为其基础特征提取网络,以此获得更深层次的图像特征,并抑制网络退化和衰退问题;然后在残差单元和全连接层之间加入改进的空间金字塔池化层,从而去除输入图像固定大小的限制,增加网络对图像尺度的敏感度;最后,在全连接层间添加dropout层,减少网络计算的复杂度,提升抗过拟合效果。仿真结果表明:同部分已有的检测算法相比,DRTOMA算法的平均识别准确率和召回率均取为最优,分别为91.87%和90.63%;在最优识别精度近似的情况下,DRTOMA算法比Faster R-CNN算法的召回率高约2%,网络更易收敛,训练难度较低。综上所述,DRTOMA算法是一种有效可行的设施农业典型地物检测方法。(本文来源于《地球信息科学学报》期刊2019年09期）
王蓝星,颜晓航,吴立亭,丁美青[2]（2019）在《中国古地图典型地物符号的演变探究》一文中研究指出地图对人类社会的实践活动起重要的指导作用,它具体地反映出历史上人们的社会生活情况。研究中国古代地图的源流及其发展,有助于今人复原历史时期的自然地理、政治军事、社会经济等风貌。本文选取中国古地图上山脉、河流、桥梁、居民地四种典型的地物符号,并对其在对中国历史上不同时期的表示方式进行对比和分析,从而总结出各类地物符号的演变规律。(本文来源于《中国民族博览》期刊2019年05期）
宋亚斌,林辉,喻龙华,彭检贵,江腾宇[3]（2019）在《基于高分辨率遥感影像与DSM的典型地物提取》一文中研究指出高分辨率遥感影像和数字地表模型(DSM)结合的地物信息提取,虽可以区分异物同谱中存在高度差异的地物,但相同高度的地物在DSM数据可能会因海拔高度不同而存在明显差异,降低了地物提取精度。从DSM中提取出地物高度信息(nDSM),再以nDSM结合高分辨率光学影像进行地物提取。结果表明:仅以高分辨率光学影像为数据源的方法分类效果最差,结合DSM数据的方法居中,而结合nDSM的方法最优,说明在基于光学影像和DSM数据的地物提取中,采用去除地形因素的nDSM替代DSM可以有效提高分类精度。(本文来源于《中南林业调查规划》期刊2019年02期）
普恒[4]（2019）在《高分遥感城市典型地物对象化识别方法研究》一文中研究指出城市地表要素(覆盖)的识别对于城市规划变迁、土地利用分析以及地理国情监测等具有重要的意义。然而,高空间分辨率遥感影像(HSRRSI)丰富、细致的复杂数据特性,以及城市地表本身的复杂结构,都给影像地物识别带来了诸多挑战。目前,学者们已提出了大量的地物信息提取与识别方法,但从高分影像中对象化识别地物效果仍然不佳。同时,人们对地表信息获取的需求日益增长,已远远超过了人工目视解译所能提供的种类和速度,因此从高分影像中识别城市地物的研究具有广泛的理论意义和实用价值。本文基于深度卷积神经网络,结合遥感图像处理技术,建立了一套基于改进的Mask R-CNN目标识别算法的高分遥感城市典型地物对象化识别的方法与技术流程,用于从高分遥感影像中较好的识别城市的叁类典型地物建筑物、水体和操场。首先,使用图像融合、分幅、线性拉伸以及滤波等预处理方法增强图像地物特征,并生成适用于Mask R-CNN算法的影像集;基于预处理的影像集提取地物样本特征,生成训练数据、验证数据以及测试数据。其次,研究了不同结构的卷积神经网络(CNN)对于HSRRSI地物识别的影响,并根据叁类典型地物的特征,设计了适宜的网络结构以改进Mask R-CNN算法,利用改进的Mask R-CNN算法从训练数据中提取HSRRSI的深度特征,训练并生成地物识别模型;对于识别算法性能的评价,本文使用eCognition中叁种代表性面向对象分类方法,即决策树算法、K最近邻算法和随机森林算法,与改进的Mask R-CNN算法进行对比分析。最后,使用训练的识别模型对不同时序的HSRRSI数据集进行测试,以验证改进的Mask R-CNN算法的泛化能力。实验结果表明:(1)改进的Mask R-CNN算法的识别性能优于决策树、K最近邻和随机森林算法。改进的Mask R-CNN算法对叁类地物的识别精度达到了总体最高的准确率0.9133和召回率0.9238,且对地物识别的完整性保持更好,可以对单个的地物实例进行对象化识别。(2)不同结构的CNN对不同类别地物的识别存在影响且表现出一定的规律性。对于光谱、纹理、形状异质性明显,且没有固定空间模式的复杂地物类别(如建筑物),重点调整网络对复杂地物深层次有效特征的提取,更有益于提高识别精度;对于特征异质性较小的地物类别(如水体、操场),重点调整网络对中高级层次有效特征的提取,识别精度更佳。(3)将改进的Mask R-CNN算法生成的训练模型,在同一地区不同时序,且地物光谱、结构特征存在明显变化的不同数据集上进行进一步测试,总体达到了0.8794的准确率,0.896的召回率,具有较好的识别效果。(本文来源于《北京建筑大学》期刊2019-04-01）
孙春生,张爽,张晓晖[5]（2019）在《激光引偏干扰中典型自然地物假目标的引偏能力》一文中研究指出针对自然地物假目标在激光引偏干扰中的应用需求,以有效引偏空域表征引偏能力,计算分析了其引偏能力。在充分考虑目标反射特性、干扰-指示激光强度和大气激光衰减系数等因素的前提下,利用信号压制系数K≥1的条件建立了假目标引偏能力分析模型,基于模型分析了典型条件下常见自然地物假目标的有效引偏空域。研究结果表明,假目标有效引偏空域与目标类型紧密相关,相同条件下植被类、砂石类和漫反射体目标的引偏能力依次增强;植被类和砂石类自然地物的引偏空域存在远小于漫射分量的镜像反射分量;干扰激光入射角的变化对有效引偏空域分布会产生较明显的影响,但对植被类目标,其引偏空域随入射角的变化却没有明显的趋势性变化规律。研究结果对于自然地物假目标的合理运用具有指导意义。(本文来源于《光电工程》期刊2019年01期）
胡艳[6]（2018）在《高分辨率遥感影像典型地物交互式提取研究》一文中研究指出随着遥感技术的迅速发展,遥感影像向高空间、高光谱、高时间分辨率方向发展,使得影像上地物的颜色、纹理、形状等特征信息更加突出。因此,利用高分辨率遥感影像对地物进行精确识别成为可能。但由于遥感影像的复杂性,计算机自动解译无法满足精度要求,在实际应用中多依靠人工目视解译,然而这种方式需要耗费大量人力物力,且效率较低,面对大量的遥感数据已经显得严重不足。基于以上考虑,交互式提取方法是目前一种可行的代替方案。该方法充分发挥人的识别能力与计算机的处理能力,不仅保证了解译精度,同时也提高了解译效率。本文以交互式提取高分辨率遥感影像上典型地物为研究目标,分别对影像上直角建筑物和自然地物的交互式提取方法进行了研究,研究内容如下:(1)探索直角建筑物的交互式提取方法。针对直角建筑物具有星形形状这一特点,提出了一种基于多星形形状约束图割的交互式提取方法。算法首先在人工建筑物上画一条线,自动得到包含目标建筑物的影像图块,然后对该影像块进行预处理和过分割,再利用多星形先验图割方法得到建筑物图斑,最后结合线段方向直方图和角点拟合分组对建筑物图斑规则化,从而获取建筑物准确轮廓。实验在两幅不同地区和不同空间分辨率的高分航空影像上验证了本文方法的准确性、高效性和稳定性。(2)探索面状自然地物的交互式提取方法。针对水域、林地、梯田、裸露地等含有丰富颜色与纹理信息的面状自然地物,提出了一种基于全连接条件随机场的交互式提取方法。算法首先以对影像过分割为基础,提取每个对象的颜色与纹理特征,然后通过人工交互标记前景样本估计前景背景模型,再建立全连接条件随机场模型描述影像的全局信息,最后利用高维高斯滤波支持下的均值场估计方法实现模型推断,从而获取目标轮廓。通过对一幅高分辨率遥感影像上多种地物进行提取实验,实验结果证明了本文方法的有效性。(本文来源于《西安科技大学》期刊2018-06-01）
张超[7]（2018）在《基于深度学习的无人机影像设施农业典型地物识别方法研究》一文中研究指出深度学习作为当下应用最为广泛的图像识别技术,除了在人工智能、计算机视觉领域取得成功应用,也在遥感影像处理领域发挥极为重要的作用,实现了传统的地物分类方法向深度学习完成高分遥感影像下地物分类的转变。已有研究大多数是利用深度学习实现了农业地物信息的提取和分类,本研究在使用Tensorflow搭建深度学习模型和设计设施农业典型地物(Typical Objects of Protected Agriculture,TOPA)识别算法的基础上,提出一种基于深度学习的TOPA识别新方法。设施农业典型地物主要是塑料大棚、连栋温室和日光温室,并以青海省互助县设施农业试验区为研究区域,通过对无人机影像数据中TOPA进行深度学习,实现了设施农业区目标地物的准确识别,为设施农业发展和管理提供技术支持。论文的主要研究工作和成果如下:(1)通过对无人机影像数据进行裁剪分割、数据增强、添加标签等采集和预处理操作,获取TOPA的样本影像数据,并对样本数据中的TOPA按照其所在影像中的位置和类别添加标签得到样本数据集,将样本数据集划分为训练集和测试集形成样本知识库。(2)基于Tensorflow搭建深度学习模型并设计TOPA识别算法。在分析CNN模型原理和Tensorflow平台特性的基础上,通过模型框架搭建和设计实现形成深度学习模型;然后以CNN模型为基础设计TOPA识别算法,利用改进的卷积神经网络结构生成图像分类网络并在区域生成基础上设计候选区域提取算法,将两者结合用于样本集的训练识别。(3)编写TOPA识别程序,实现无人机影像上TOPA的自动识别和标记,并对识别结果进行分析评价。通过对实验结果的分析,得出实验受光线、云层等干扰因素影响存在少量的误识和漏识;其次分析影响TOPA识别的关键性因素,通过调整训练步数、卷积神经网络层数和节点数等神经网络参数优化识别效果;最后对识别结果给予精度评价,TOPA的平均识别准确率和成功率为88.62%和83.27%,识别效果良好,可以为高分影像类似地物识别提供新的方法和借鉴。(4)与传统地物识别方法、不同深度学习平台进行多角度的对比分析,得到本文提出的深度学习识别方法相比传统地物识别方法在识别速度上更快,并且识别结果更为直观;与Caffe深度学习框架下的5种常用方法对比,两者有基本相同的准确率和成功率,但本文方法在处理速度上更具优势。(本文来源于《江西理工大学》期刊2018-05-26）
张玉沙,黄岩,谭琨,陈宇,杜培军[8]（2018）在《基于多分类器集成和对象的城市典型地物要素变化检测——以ZY-3影像为例》一文中研究指出分类器具有较强的信息挖掘能力,已被广泛应用于变化检测。多分类器集成可以综合利用不同分类器的优势以提取变化信息,因此,本文利用异质性较大的两类分类器——极限学习机(ELM)和支持向量机(SVM)构建集成结构。通常像素级变化检测可以较好地保存边缘信息,对象级变化检测可以较好地抑制噪声,两者可相互补充。本文利用较小异质度的多尺度分割对象对初始像素级变化检测结果进行约束,根据判定准则得到最终的变化检测结果。该方法既消除了像素级变化检测方法中普遍存在的"椒盐噪声",又减少了面向对象中分割尺度对变化检测的影响。通过徐州市的两景资源叁号(ZY-3)遥感影像进行实验,对城市典型地物要素进行变化检测研究,证明本文构建的算法可以综合利用基于像素和面向对象两种方法的优势,能够有效提高变化检测方法的精度和稳定性。(本文来源于《地理与地理信息科学》期刊2018年03期）
王轩,孙权森,刘佶鑫[9]（2018）在《基于典型地物字典学习的遥感图像分块重构方法》一文中研究指出遥感图像压缩的传统方法普遍存在着重构时间长、重构质量有待改进等应用难题。本文针对不同典型地物的遥感图像,采用K-SVD字典学习方法分别进行过完备字典训练。重构过程中,采用图像分块优化机制:首先对部分图像块通过多次迭代,从相应地物的过完备字典里求解出能线性表示原图像的原子;然后对其邻域内的图像块,优先使用这些原子中的一部分作为初始值求表示残差,以减少迭代次数。该方法充分利用了典型地物遥感图像的信息内容以及图像块间的相似性,在重构的图像质量、重构速度方面,与非冗余正交基构造的通用字典或未分类的学习字典相比,有一定优越性。(本文来源于《数据采集与处理》期刊2018年03期）
金永涛,杨秀峰,高涛,郭会敏,刘世盟[10]（2018）在《基于面向对象与深度学习的典型地物提取》一文中研究指出针对遥感图像地物分割问题面向对象方法可以将不同地物分割到不同的对象之中,在很大程度上解决了农作物、林地、水体、道路、建筑物等典型地物的混分问题,但面向对象方法对于形状、纹理等特征描述仍不够全面,信息量还不足以支撑完整的地物分类、识别。提出一种将面向对象与深度学习相结合的新方法,选用卷积神经网络Caffe框架,对训练样本数据进行深度学习,掌握不同对象的纹理等特性,形成深度学习模型,反过来指导对象分类。实验表明,新方法可以有效解决典型地物分不准的问题。(本文来源于《国土资源遥感》期刊2018年01期）
典型地物论文开题报告
（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：
地图对人类社会的实践活动起重要的指导作用,它具体地反映出历史上人们的社会生活情况。研究中国古代地图的源流及其发展,有助于今人复原历史时期的自然地理、政治军事、社会经济等风貌。本文选取中国古地图上山脉、河流、桥梁、居民地四种典型的地物符号,并对其在对中国历史上不同时期的表示方式进行对比和分析,从而总结出各类地物符号的演变规律。
（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。
典型地物论文参考文献
[1].王兴,康俊锋,刘学军,王美珍,张超.设施农业典型地物改进FasterR-CNN识别方法[J].地球信息科学学报.2019
[2].王蓝星,颜晓航,吴立亭,丁美青.中国古地图典型地物符号的演变探究[J].中国民族博览.2019
[3].宋亚斌,林辉,喻龙华,彭检贵,江腾宇.基于高分辨率遥感影像与DSM的典型地物提取[J].中南林业调查规划.2019
[4].普恒.高分遥感城市典型地物对象化识别方法研究[D].北京建筑大学.2019
[5].孙春生,张爽,张晓晖.激光引偏干扰中典型自然地物假目标的引偏能力[J].光电工程.2019
[6].胡艳.高分辨率遥感影像典型地物交互式提取研究[D].西安科技大学.2018
[7].张超.基于深度学习的无人机影像设施农业典型地物识别方法研究[D].江西理工大学.2018
[8].张玉沙,黄岩,谭琨,陈宇,杜培军.基于多分类器集成和对象的城市典型地物要素变化检测——以ZY-3影像为例[J].地理与地理信息科学.2018
[9].王轩,孙权森,刘佶鑫.基于典型地物字典学习的遥感图像分块重构方法[J].数据采集与处理.2018
[10].金永涛,杨秀峰,高涛,郭会敏,刘世盟.基于面向对象与深度学习的典型地物提取[J].国土资源遥感.2018