导读:本文包含了面向对象分类方法论文开题报告文献综述及选题提纲参考文献，主要关键词:湿地,分类,面向对象特征,决策树
面向对象分类方法论文文献综述
杨朝辉,白俊武,陈志辉,钱新强[1]（2019）在《利用Sentinel-2A影像的面向对象特征湿地决策树分类方法》一文中研究指出苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。(本文来源于《测绘科学技术学报》期刊2019年03期）
姚博,张怀清,刘洋,刘华,凌成星[2]（2019）在《面向对象CART决策树方法的湿地遥感分类》一文中研究指出[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。(本文来源于《林业科学研究》期刊2019年05期）
张继超,周沛希,张永红[3]（2019）在《面向对象的多种特征极化SAR决策树分类方法》一文中研究指出针对目前极化合成孔径雷达(PolSAR)影像分类单一特征无法获得令人满意的分类结果的问题,该文设计了综合运用纹理和多种极化目标分解特征,结合面向对象分析及CART决策树的分类方法。为验证该方法的有效性,以北京市某区域全极化RADARSAT-2影像为例,按照"影像预处理—目标极化分解—特征参数优化选择—面向对象影像分割—多特征CART决策树分类"的总体思路进行实验,并在特征参数选择时充分考虑各参数之间的相关性、地物的散射特性和分类效果。结果表明:影像特征参数是PolSAR影像分类的关键,恰当的特征参数组合有利于获取准确的分类结果。(本文来源于《测绘科学》期刊2019年10期）
杜保佳,张晶,王宗明,毛德华,张淼[4]（2019）在《应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类》一文中研究指出农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用Savitzky Golay (S-G)滤波器对Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机(Support Vector Machine, SVM)分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明:①典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;②通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7%和0.055;③基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。(本文来源于《地球信息科学学报》期刊2019年05期）
王舒,李岩[5]（2019）在《基于随机森林的全国第叁次土地调查面向对象分类方法研究》一文中研究指出全国第叁次土地调查内业当中要求作业员将不同地物进行分类,常用的方法是在Arcgis中对地物进行手动勾绘,此操作对作业员的目视解译要求较高且费时费力。基于此本文提出利用面向对象的随机森林方法对研究区进行分类。首先通过选择最优分割尺度与影像特征,再利用随机森林进行分类得到分类结果,并与面向对象的最近邻分类方法进行对比,结果表明:随机森林的总体分类精度为89%,比面向对象提高了4%,随机森林的Kappa系数为0.74,比面向对象提高了0.09。因此利用随机森林分类方法更适合第叁次全国土地调查的分类。(本文来源于《甘肃科技》期刊2019年03期）
陈俊任,周晓华,卢兴[6]（2018）在《基于分层次多尺度分割的面向对象地物分类方法》一文中研究指出高分遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,如何从影像中提取更精准、更高质量的地物信息一直都是国内外科研人员的关注热点。通过研究基于分层次、多尺度分割的面向对象技术,并运用该技术对高分影像中的地物信息进行分类,通过试验对分类结果做了基于误差矩阵的精度评价,其分类结果的Kappa系数达到0.918,验证了该方法的可行性,为以后自动选取最佳分割尺度与参数的研究提供了参考。(本文来源于《江西测绘》期刊2018年04期）
曹应举,张永彬,郭力娜,李帅[7]（2018）在《面向对象的密云县土地利用类型遥感分类方法》一文中研究指出为减弱遥感分类过程中出现的"椒盐现象",采用面向对象和决策树相结合的分类方法,在eCognition软件中对密云县的Landsat8遥感影像进行分类,并提取出了耕地、林地、建设用地、园地、未利用地和水体六大类型,期间为确保合理性又单独提取出阴影类。研究结果表明,分类后处理的影像总体精度和Kappa系数分别为88.2%和0.848,且该方法从一定程度上避免了分类结果中存在的"椒盐现象",为遥感影像的土地利用分类提供了参考。(本文来源于《华北理工大学学报(自然科学版)》期刊2018年03期）
罗建松,曹宇佳,阳俊[8]（2018）在《基于资源叁号卫星影像的面向对象地表覆盖要素分类方法研究》一文中研究指出以2013年资源叁号高分辨率遥感影像为数据源,选取伊朗胡齐斯坦市作为试验区,采用面向对象的信息提取技术对其进行地表覆盖要素分类试验。试验结果表明,采用特征选择和最邻近分类法结合的信息提取思想,可以较好地完成不同地表要素的信息提取。信息提取总体精度为94.19%,Kappa系数为0.925 5。由此可知,基于面向对象分析方法的地表覆盖要素提取技术对国产高分率遥感影像具有一定的适用性。同时,该试验为全球地表覆盖要素的遥感信息提取提供理论和技术支持。(本文来源于《测绘与空间地理信息》期刊2018年06期）
何雪,邹峥嵘,张云生,杜守基,郑特[9]（2018）在《面向对象的倾斜摄影测量点云分类方法》一文中研究指出随着影像密集匹配方法的发展,目前可以从多视倾斜航空影像获得大量类比于激光扫描数据密度甚至精度的点云,但获取结果以着色的点云为主,缺乏分类信息。针对此问题,提出了一种面向对象的倾斜摄影测量点云分类方法。首先,计算单点特征向量;然后,利用SLIC(simple linear iterative clustering)算法将点云对应的影像分割成超像素,再根据点云和影像间的关系,将点云聚类成超体素对象,并计算每个对象的特征向量;在此基础上,采用随机森林算法对超体素进行分类;最后,根据语义信息对分类结果进行后处理获得最终的点云分类结果。2组典型实验数据结果表明,总体分类精度分别达到91.2%和88.1%,比基于单点的分类方法分别提高了2.3%和8.2%。(本文来源于《国土资源遥感》期刊2018年02期）
陈扬洋[10]（2018）在《基于卷积神经网络的面向对象遥感影像分类方法研究》一文中研究指出近年来,随着遥感技术的迅猛发展,人们可以十分便捷、高效地获取高空间分辨率遥感影像(简称高分影像)。高空间分辨率使影像中的地物细节更加清晰与丰富,但是同时也为地物分类带来了新的挑战。使用传统的分类方法对高分影像进行分类只能提取影像中的低层次特征,难以得到满意的分类结果。如何深入挖掘蕴藏在高分影像中的高层次特征是高分影像分类精度提升的关键。目前有学者提出基于卷积神经网络技术的逐像素分类方法,可以提取并利用影像中的高层次特征,取得更高的分类精度。但是由于采用像素作为分析基元,在实际应用中仍存在一定的缺陷与不足,如在分类结果中存在大量椒盐现象等。因此研究将面向对象影像分析思想和卷积神经网络分类技术相结合的理论与方法,充分利用高分遥感影像的深度特征进行地物识别和分类,对于高分辨率遥感影像的高精度信息提取具有重要意义与实用价值。本文结合高分影像自身的特点,剖析了高分影像分类的难点,对目前卷积神经网络技术在高分影像分类中应用的优劣进行了分析与综述。在卷积神经网络技术与面向对象分析的理论基础上,建立了一种基于卷积神经网络的面向对象高分影像分类思想与框架。以分割对象作为分析基元,利用卷积神经网络提取的高层次特征对其进行分类,提出了基于单尺度卷积神经网络的超像素分类方法。此外,本文针对高分影像尺度效应明显的特点,对卷积神经网络的结构进行改进,提出了基于多尺度卷积神经网络的超像素分类方法。本文以两幅高分影像作为实验数据进行对比试验,印证了所提新方法的优越性和可靠性。通过实验结果可知,基于卷积神经网络的面向对象分类方法有叁个主要优点:(1)以分割对象作为分析基元,克服了基于卷积神经网络逐像素分类方法的缺陷。可以有效避免由于混合像元造成的椒盐现象,极大减少了分类的计算量,并取得更高的分类精度。(2)使用卷积神经网络可以充分提取并利用高分影像中的高层次特征,大幅提升高分影像的分类精度。(3)使用多尺度卷积神经网络可以充分提取影像中多尺度的高层次信息,减少了尺度效应对分类结果的影响,解决高分影像多尺度特征难以提取与利用的难题,进一步提升高分影像的分类精度。本文建立了卷积神经网络技术与面向对象分析之间的桥梁,从新的角度将卷积神经网络技术与遥感影像分类相结合,对未来的研究有重要的理论意义和应用价值。(本文来源于《中国地质大学(北京)》期刊2018-05-01）
面向对象分类方法论文开题报告
（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：
[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。
（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。
面向对象分类方法论文参考文献
[1].杨朝辉,白俊武,陈志辉,钱新强.利用Sentinel-2A影像的面向对象特征湿地决策树分类方法[J].测绘科学技术学报.2019
[2].姚博,张怀清,刘洋,刘华,凌成星.面向对象CART决策树方法的湿地遥感分类[J].林业科学研究.2019
[3].张继超,周沛希,张永红.面向对象的多种特征极化SAR决策树分类方法[J].测绘科学.2019
[4].杜保佳,张晶,王宗明,毛德华,张淼.应用Sentinel-2ANDVI时间序列和面向对象决策树方法的农作物分类[J].地球信息科学学报.2019
[5].王舒,李岩.基于随机森林的全国第叁次土地调查面向对象分类方法研究[J].甘肃科技.2019
[6].陈俊任,周晓华,卢兴.基于分层次多尺度分割的面向对象地物分类方法[J].江西测绘.2018
[7].曹应举,张永彬,郭力娜,李帅.面向对象的密云县土地利用类型遥感分类方法[J].华北理工大学学报(自然科学版).2018
[8].罗建松,曹宇佳,阳俊.基于资源叁号卫星影像的面向对象地表覆盖要素分类方法研究[J].测绘与空间地理信息.2018
[9].何雪,邹峥嵘,张云生,杜守基,郑特.面向对象的倾斜摄影测量点云分类方法[J].国土资源遥感.2018
[10].陈扬洋.基于卷积神经网络的面向对象遥感影像分类方法研究[D].中国地质大学(北京).2018