导读:本文包含了亚像元定位论文开题报告文献综述及选题提纲参考文献，主要关键词:图像处理,亚像元定位,空间相关性,线特征探测
亚像元定位论文文献综述
刘照欣,赵辽英,厉小润,陈淑涵[1]（2019）在《高光谱亚像元定位的线特征探测法》一文中研究指出未考虑地物亚像元级空间结构特征是影响高光谱亚像元定位精度的因素之一。为了有效解决这一问题,本文提出一种基于混合像元线特征探测的亚像元定位算法。首先,通过光谱解混确定含典型线状地物的混合像元。然后,基于完备直线集的最大线性指数方法确定其余含线特征的混合像元,使用模板匹配方法结合像元引力确定含线特征混合像元的亚像元类别。最后,基于线性优化的方法迭代确定剩余混合像元的亚像元类别。通过真实数据及仿真数据的试验,结果表明所提出的方法能有效提高亚像元定位精度。(本文来源于《测绘学报》期刊2019年11期）
薛晓琴,岳亚伟,夏磊,李丽,贺雄伟[2]（2019）在《利用协同表示与神经网络的高光谱图像亚像元定位》一文中研究指出针对小样本情况下高光谱图像亚像元定位精度有限的问题,提出利用协同表示与神经网络的高光谱图像亚像元定位算法。该算法以一幅低空间分辨率的高光谱图像和少量的训练样本作为输入,首先应用空间上采样和基于协同表示的分类技术获取一幅亚像元级类别标签图,同时应用基于协同表示的分类、光谱解混和空间引力模型获取另一幅亚像元级类别标签图,之后依据两幅初始的亚像元级类别标签图扩充训练集,最后利用扩充后的训练集基于BP神经网络对高光谱图像进行亚像元定位,从而提高小样本情况下高光谱图像亚像元定位的精度。对于Indian Pines和Pavia University图像,所提算法的总体分类精度比ASPM算法分别高3.39%和9.63%,比ACSPM算法分别高0.26%和8.91%。实验结果表明,所提算法优于ASPM和ACSPM算法,尤其适用于细节信息较为丰富的高光谱图像。(本文来源于《遥感信息》期刊2019年05期）
马晓峰,洪友堂[3]（2019）在《亚像元定位方法综述》一文中研究指出混合像元大量存在于遥感图像中,如何准确的处理混合像元问题是遥感图像解译的关键点。亚像元定位方法针对光谱解混的结果进行进一步处理解决混合像元内部的空间分布问题。本文分析总结了目前亚像元定位算法的研究进展,以及其在遥感领域的具体应用。针对目前深度学习在遥感图像处理上的广泛应用,展望了未来亚像元定位技术的发展趋势,以及待解决的问题。(本文来源于《北京测绘》期刊2019年07期）
王鹏,王立国[4]（2019）在《软硬属性转换及超分辨率转换遥感图像亚像元定位研究》一文中研究指出谱解混技术虽然可以获得混合像元内各类别的比例(丰度值),但是无法获得各类别在混合像元内的具体空间分布信息。亚像元定位(Subpixel Mapping,SPM)技术作为光谱解混技术的后续处理,通过将像元分解成更小的亚像元,进而获得具有亚像元级尺度下各类别分布信息的专题制图。亚像元定位作为获得各类别空间分布信息的一项极具潜力的技术,已成为当前遥感领域的研究热点之一。现有一种软硬属性转换亚像元定位(Soft-then-hard Subpixel Mapping,STHSPM)方法,具有应用方便、运算速度快等(本文来源于《影像科学与光化学》期刊2019年03期）
顾正之,王素玉[5]（2019）在《基于端元字典稀疏解混的高光谱图像亚像元定位》一文中研究指出针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。(本文来源于《电子科技》期刊2019年04期）
王鹏,王立国[6]（2018）在《一种新型基于插值的高光谱图像亚像元定位算法》一文中研究指出在高光谱图像亚像元定位领域中,基于插值的亚像元定位算法具有无参数、无迭代、快速运算等优点,得到了广泛的应用。传统的基于插值的亚像元定位算法由于原始高光谱图像分辨率低和现有的光谱解混技术的局限性,使得丰度图像不能充分携带原始高光谱图像的先验信息。针对这一问题,提出了一种新型基于插值的高光谱图像亚像元定位算法。将插值算法直接应用于原始低分辨率高光谱图像,得到高分辨率图像。将高分辨率图像通过光谱解混得到具有丰富原始图像先验信息的丰度图像,利用丰度图像提供的信息将类别标签分配到每个亚像元中,获得亚像元定位结果。仿真实验证明,该方法可以充分地携带原始图像的先验信息,获得比传统的基于插值的亚像元定位算法精度更高的结果。(本文来源于《黑龙江大学自然科学学报》期刊2018年06期）
许楠[7]（2018）在《高光谱遥感图像亚像元定位技术研究》一文中研究指出亚像元定位技术可以获取高光谱遥感图像中混合像元内部的空间细节信息,提供具有更高空间分辨率的遥感信息,有利于提高遥感图像目标识别和地物分类的精度。(本文来源于《中国新通信》期刊2018年22期）
顾正之[8]（2018）在《基于端元字典的成像光谱图像稀疏解混与亚像元定位研究》一文中研究指出随着遥感技术的逐渐成熟,成像光谱图像在目前社会中的应用越来越广泛。但是由于成像光谱仪的限制,大多数成像光谱图像的空间分辨率较低,这也就导致了混合像元在遥感影像中大量普遍存在,给后续的数据处理工作带来了许多不便。因此成像光谱图像的光谱解混技术具有重要的理论研究意义和实际应用价值。本文从成像光谱图像的特点和成像原理出发,开展了基于端元字典的成像光谱图像稀疏解混技术的研究工作,提出了一种基于地物类别的高光谱图像端元冗余字典训练算法和一种基于K-SVD和端元字典的光谱解混算法,收到了较好的效果。进一步将其应用于亚像元定位领域,设计实现了一种基于空间相关性约束的亚像元定位算法,有效提高了传统算法的定位精度。具体包括:设计并实现了一种基于K-SVD的和标准光谱库的端元冗余字典训练算法。该方法以标准光谱库为基础,首先基于光谱特征对光谱库数据进行地物分类,然后对每类地物的光谱曲线分别训练单类字典,选择最具代表性的地物光谱曲线,来构建端元冗余字典;进一步利用光谱角匹配与光谱信息散度结合的方法,对字典内的端元进行进一步筛选优化,使得端元字典内的原子在保证充分性的同时降低相关性,以消除后续光谱解混过程中无关项的消极影响,为后续成像光谱图像混合像元的高效解混奠定基础。设计并实现了一种基于端元冗余字典的混合像元光谱解混算法。该方法基于线性光谱混合模型,首先通过KNN的方法对图像中的混合像元进行检测,进而以基于地物类别的端元冗余字典作为端元集,采用基于K-SVD的稀疏分解的方法对混合像元进行解混。通过模拟数据和真实数据的实验表明该方法的解混效果良好,具有较高的鲁棒性,改善了低信噪比的情况下传统解混方法精度较低的问题。设计并实现了一种基于光谱解混和空间相关性约束的成像光谱图像亚像元定位算法。将所提出的基于端元冗余字典的混合像元解混算法用于亚像元定位过程,进一步验证了算法的有效性。该方法设计构造了两种基于空间相关性的代价函数,进而基于前述混合像元解混结果,利用解混分量图通过像元交换实现了高光谱图像的亚像元定位。实验结果表明该算法在地物边界处的亚像元定位效果良好,贴近实际地物分布情况,在实现高性能亚像元定位的同时也验证了所提出的光谱解混算法的有效性。(本文来源于《北京工业大学》期刊2018-05-01）
陈飞宇,胡友彬,施恩[9]（2018）在《海岸线亚像元定位技术研究进展》一文中研究指出海岸线是陆地与海洋相互交汇的部位,是海岸带的重要标志之一,其分析技术和应用在海洋科学研究、生产活动和国防建设上具有十分重要的意义。混合像元是制约海岸线提取精度的重要因素之一,亚像元定位是处理混合像元问题的主流方法。介绍利用遥感影像对海岸线进行亚像元定位的基本流程,依据不同的分类标准,对现有的亚像元定位方法进行归纳和总结,对海岸线亚像元定位方法的未来发展趋势进行展望。(本文来源于《现代计算机(专业版)》期刊2018年03期）
陈飞宇,胡友彬,施恩[10]（2018）在《基于GAC的局部自适应海岸线亚像元定位算法》一文中研究指出针对采用全局地物端元的亚像元定位方法忽略了遥感影像中属于同类地物的不同像元可能存在的较大的光谱差异,进而影响亚像元定位的精度的问题,提出了基于GAC的局部自适应海岸线亚像元定位算法(LA_SPSMG)。该算法首先采用GAC模型提取初始海岸线,然后利用数学形态学原理确定进行亚像元定位的混合像元,最后采用局部自适应选取地类端元的亚像元定位方法进行海岸线亚像元定位,减缓采用全局端元引起的光谱分解误差的影响,提高海岸线亚像元定位的精度。(本文来源于《现代计算机(专业版)》期刊2018年02期）
亚像元定位论文开题报告
（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：
针对小样本情况下高光谱图像亚像元定位精度有限的问题,提出利用协同表示与神经网络的高光谱图像亚像元定位算法。该算法以一幅低空间分辨率的高光谱图像和少量的训练样本作为输入,首先应用空间上采样和基于协同表示的分类技术获取一幅亚像元级类别标签图,同时应用基于协同表示的分类、光谱解混和空间引力模型获取另一幅亚像元级类别标签图,之后依据两幅初始的亚像元级类别标签图扩充训练集,最后利用扩充后的训练集基于BP神经网络对高光谱图像进行亚像元定位,从而提高小样本情况下高光谱图像亚像元定位的精度。对于Indian Pines和Pavia University图像,所提算法的总体分类精度比ASPM算法分别高3.39%和9.63%,比ACSPM算法分别高0.26%和8.91%。实验结果表明,所提算法优于ASPM和ACSPM算法,尤其适用于细节信息较为丰富的高光谱图像。
（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。
亚像元定位论文参考文献
[1].刘照欣,赵辽英,厉小润,陈淑涵.高光谱亚像元定位的线特征探测法[J].测绘学报.2019
[2].薛晓琴,岳亚伟,夏磊,李丽,贺雄伟.利用协同表示与神经网络的高光谱图像亚像元定位[J].遥感信息.2019
[3].马晓峰,洪友堂.亚像元定位方法综述[J].北京测绘.2019
[4].王鹏,王立国.软硬属性转换及超分辨率转换遥感图像亚像元定位研究[J].影像科学与光化学.2019
[5].顾正之,王素玉.基于端元字典稀疏解混的高光谱图像亚像元定位[J].电子科技.2019
[6].王鹏,王立国.一种新型基于插值的高光谱图像亚像元定位算法[J].黑龙江大学自然科学学报.2018
[7].许楠.高光谱遥感图像亚像元定位技术研究[J].中国新通信.2018
[8].顾正之.基于端元字典的成像光谱图像稀疏解混与亚像元定位研究[D].北京工业大学.2018
[9].陈飞宇,胡友彬,施恩.海岸线亚像元定位技术研究进展[J].现代计算机(专业版).2018
[10].陈飞宇,胡友彬,施恩.基于GAC的局部自适应海岸线亚像元定位算法[J].现代计算机(专业版).2018