导读:本文包含了高空间遥感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
高空间遥感论文文献综述
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）
钱六强,朱正伟[2]（2019）在《光学遥感图像高空间最佳分辨率预测仿真》一文中研究指出为了提高光学遥感图像的空间分辨成像能力,提出基于稀疏表示和超分辨重构的光学遥感图像高空间最佳分辨率预测方法。构建光学遥感图像的空间稀疏特征重构模型,进行光学遥感图像的多尺度小波分解,根据分解结果提取光学遥感图像的高空间最佳分辨特征量。采用邻域插值和灰阶补偿方法进行光学遥感图像高空间边缘轮廓特征提取和块分割处理,在此基础上运用基于近似稀疏表示方法进行光学遥感图像的目标块匹配和重迭区域高分辨重建,在高分辨率约束下进行图像高空间最佳分辨率预测。仿真结果表明,采用上述方法进行光学遥感图像高空间最佳分辨率预测的融合度较高,图像的重建质量较好,输出的峰值信噪比较高,图像的空间识别能力较强。(本文来源于《计算机仿真》期刊2019年10期）
姚丙秀,黄亮,许艳松[3]（2019）在《一种结合超像素和图论的高空间分辨率遥感影像分割方法》一文中研究指出超像素分割已成为遥感影像预处理研究的新热点,但易形成过分割。为解决该问题,提出一种结合超像素和图论的高空间分辨率遥感影像分割方法。首先,采用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对遥感影像生成超像素过分割影像;然后,采用图论算法对超像素进行合并,通过计算得到每次合并后的分割数对应的局部方差,确定合适的影像分割数;最后,根据合适的影像分割数用图论算法对超像素重新聚类合并。实验数据为4幅不同空间分辨率、不同场景的遥感影像,采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法能有效地解决遥感影像过分割结果的问题,获得了良好的分割结果。(本文来源于《国土资源遥感》期刊2019年03期）
杨泽楠,黄亮,王枭轩,方留杨,宋晶[4]（2019）在《结合L0平滑和超像素的高空间遥感影像非监督分类》一文中研究指出针对基于像元的非监督分类方法对高空间遥感影像分类时易形成"椒盐"噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法.首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类(SLIC)超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图.为验证本文提出的方法,选取3景高空间遥感影像作为实验数据.试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46%、77.55%和78.44%,Kappa系数分别达到0.788、0.779和0.779.提出方法能有效解决分类中存在的"椒盐"现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值.(本文来源于《全球定位系统》期刊2019年04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）
朱凯强[6]（2019）在《基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类》一文中研究指出随着遥感探测技术的发展,遥感数据获取逐渐朝着高光谱及高空间分辨率方向发展,在诸多遥感应用研究热点中,高光谱数据地物分类以及高空间分辨率遥感图像场景分类受到了人们的广泛关注。高光谱分辨率以及高空间分辨率带来丰富的光谱信息以及空间结构信息的同时,其数据的高维性以及空间结构的复杂性也对遥感数据特征提取方法提出了更高的要求。本论文从两类遥感数据复杂的特征分布出发,基于深度胶囊网络构建高光谱以及高空间分辨率遥感图像分类模型。模型利用胶囊网络强大的向量化特征表示能力以及基于动态路由机制的特征整合能力,更好的完成两类遥感数据的特征提取与整合,以实现更优的分类性能。论文的主要研究内容包括以下几方面:首先,深入研究了深度学习尤其是深度卷积神经网络的理论及典型模型,并在此基础上分析卷积神经网络的不足之处,引出深度胶囊网络的理论,并详细分析模型特点以及动态路由算法。在全连接胶囊网络层基础上,引入局部连接、权值共享的思想到胶囊网络层中,结合局部连接版动态路由算法得到卷积胶囊网络层,为后续构建基于胶囊网络的遥感数据分类模型奠定基础。其次,基于卷积胶囊网络完成高光谱数据光谱以及空-谱分类。利用卷积胶囊网络层分别构建一维光谱胶囊网络分类器和叁维空-谱胶囊网络分类器。通过对模型参数进行详细的分析,验证了深度胶囊网络对于高光谱数据分类的有效性,同时与经典的高光谱数据分类方法进行对比,在多组数据上均取得了更优的分类性能。最后,基于深度胶囊网络进行高空间分辨率遥感图像场景分类。通过迁移ImageNet数据集预训练的卷积神经网络模型参数,实现图像原始像素灰度信息到胶囊网络向量表征过渡的同时降低模型对训练数据量的需求,通过多层次特征迁移,结合卷积胶囊网络层进行特征进一步提取、整合与分类,本文在多组数据集上对比经典分类方法,取得了更精确地分类结果。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
殷亚秋,冷玥,赵玉灵,安娜,鞠星[7]（2019）在《面向对象和GURLS结合的高空间分辨率遥感数据云检测》一文中研究指出遥感信息获取过程中云是重要的干扰因素,随着国产高空间分辨率卫星数据的应用,实现数据的准确云检测对有效获取地面信息具有重要意义。本文以高分一号、高分二号多光谱影像为数据源,利用图像分割获取了同质对象,基于对象光谱、纹理和几何8种属性特征建立了规则集,以规则集为输入,利用阈值法和GURLS分类器结合进行了云检测。针对不同时相和场景的高分数据,将该方法与基于像素的最大似然法和SVM法进行了对比,结果表明该方法云提取精度均在95%以上,Kappa系数在0.9以上。(本文来源于《测绘通报》期刊2019年05期）
黎付安[8]（2019）在《面向分类的高空间分辨率遥感影像融合算法研究》一文中研究指出随着对地观测技术的快速发展,中国发射了不同系列的高空间分辨率遥感卫星,如ZY3、GF1、GF2等。高空间分辨率遥感卫星能快速获取具有丰富地物信息的影像,已广泛应用于国土、资源、环境、灾害、农业、林业、测绘等领域。但因传感器类型不同,卫星获取的影像具有不同的时间分辨率、空间分辨率、光谱分辨率等特征。而在实际应用中,单波段影像具有的特征是难以满足实际需求,需要将不同空间分辨率、不同光谱波段的影像融合,以获得观测信息更全面的影像,为影像应用提供更好数据源。影像融合是影像分类应用前期处理过程,影像融合质量对后面影像分类有较大影响,因此本文面向高空间分辨率影像土地覆盖分类应用,基于国产ZY3、GF2影像对融合算法展开研究,并给出改进算法,本文主要研究内容及成果如下:(1)应用多光谱影像与全色影像进行融合以获取高空间分辨率的多光谱影像,为影像土地覆盖分类提供可靠的数据源。选取常用的IHS变换、PCA变换、Brovey变换、HPF方法、SFIM方法、Wavelet变换、Contourlet变换等融合算法,对国产ZY3、GF2卫星的全色影像与多光谱影像进行融合,对融合影像进行分类,从融合影像的光谱保留度、空间信息注入度、影像分类准确度等方面评价融合算法与ZY3、GF2影像的适宜性。结果表明:PCA方法对ZY3影像的整体融合效果较佳,光谱保持较好,空间信息增强和融合影像分类精度均优于其它方法;SFIM方法对GF2影像的空间信息增强较好,光谱保持较佳,融合影像分类精度最高,整体融合效果优于其它方法。(2)对空间细节丰富的高空间分辨率影像进行分类,面向对象分类方法比基于像元的分类方法更合适,而影像空间细节信息是面向对象分类方法利用的重要特性,其对分类结果存在一定影响的。为了能给予影像分类提供更高质量的融合影像,本文应用卷积神经网络超分辨率重构与NSCT变换结合的算法融合多光谱影像与全色影像,先是对低分辨率多光谱影像进行超分辨率重构,使其保持影像光谱特性的同时增强空间信息,再利用IHS与NSCT变换融合全色影像与增强后多光谱影像,其融合规则为低频采用多光谱影像系数,以保持多光谱影像光谱特性,高频采用绝对值取大的策略,以能够融合能量较大系数,使得影像更加清晰。结果表明:本文算法的整体融合效果优于对比算法,能有效注入空间细节的同时,更有效的保留融合影像光谱特征,得到了更好质量的融合影像。在此基础上,基于面向对象分类方法对融合影像进行土地覆盖分类,提取建设用地、裸地、绿地、水体和工业用地等五种地类,从地类信息提取的准确度方面探讨融合算法对地类信息提取的适宜性,得出了适宜各地类信息提取的融合算法。(本文来源于《湘潭大学》期刊2019-05-01）
吴柳青,胡翔云[9]（2019）在《基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测》一文中研究指出建筑物检测在城市规划、变化检测、地表覆盖等方面均起到重要作用。然而高空间分辨率遥感影像(简称"高分影像")中建筑物朝向不一,形态颜色各异,大小尺寸也有着较大差别,使得建筑物检测成为一道难题。为此,提出一种基于多尺度多特征来自动化检测高分影像中建筑物的方法:首先,对影像降采样构建高斯金字塔模型,固定尺度的滑动窗口在不同层影像中对应着不同的实际地面面积;然后,对影像进行超像素分割并计算滑动窗口中多种描述建筑物特性的特征值,通过多特征融合来衡量建筑物目标在不同尺度影像中的显着性;最后,计算超像素块的显着性均值,结合Otsu算法自动求取阈值,进一步设置长宽比等约束条件,从而准确、自动地提取建筑物目标。分别采用空间分辨率为0. 5 m和0. 2 m的影像进行实验,并和基于颜色和纹理建模的马尔科夫随机场模型算法进行定性和定量的比较。实验结果表明,该方法对高分影像中建筑物的提取有更好的实际效果和检测精度。(本文来源于《国土资源遥感》期刊2019年01期）
李序春,徐惠民,索安宁[10]（2019）在《基于高空间分辨率遥感影像的港口区集约利用监测与评估——以渤海5个典型港区为例》一文中研究指出采用高空间分辨率卫星遥感影像,建立了面向对象的港口空间格局遥感监测技术流程,构建出码头指数、堆场指数、港池指数、深水岸线指数、港口效率指数,用来定量描述港口空间组成与使用效能.并选取营口鲅鱼圈港区、锦州港区、京唐港区、烟台龙口港区、烟台芝罘港区5个渤海典型港口为例,开展了实证研究.结果显示:渤海区域港口码头岸线与码头、堆场、港池的平均基本比例为1. 00∶6. 96∶51. 85∶66. 05,营口鲅鱼圈港区的堆场和港池、锦州港区的堆场以及京唐港区的码头、堆场和港池面积比例均已超过区域平均值.渤海地区5个典型港区都有较大的提升空间,营口鲅鱼圈港区、京唐港区、锦州港区、烟台芝罘港区和烟台龙口港区分别有8 722、9 587、5 940、6 909、8 795万t的吞吐量潜力可供挖掘.(本文来源于《应用海洋学学报》期刊2019年01期）
高空间遥感论文开题报告
（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：
为了提高光学遥感图像的空间分辨成像能力,提出基于稀疏表示和超分辨重构的光学遥感图像高空间最佳分辨率预测方法。构建光学遥感图像的空间稀疏特征重构模型,进行光学遥感图像的多尺度小波分解,根据分解结果提取光学遥感图像的高空间最佳分辨特征量。采用邻域插值和灰阶补偿方法进行光学遥感图像高空间边缘轮廓特征提取和块分割处理,在此基础上运用基于近似稀疏表示方法进行光学遥感图像的目标块匹配和重迭区域高分辨重建,在高分辨率约束下进行图像高空间最佳分辨率预测。仿真结果表明,采用上述方法进行光学遥感图像高空间最佳分辨率预测的融合度较高,图像的重建质量较好,输出的峰值信噪比较高,图像的空间识别能力较强。
（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。
高空间遥感论文参考文献
[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].钱六强,朱正伟.光学遥感图像高空间最佳分辨率预测仿真[J].计算机仿真.2019
[3].姚丙秀,黄亮,许艳松.一种结合超像素和图论的高空间分辨率遥感影像分割方法[J].国土资源遥感.2019
[4].杨泽楠,黄亮,王枭轩,方留杨,宋晶.结合L0平滑和超像素的高空间遥感影像非监督分类[J].全球定位系统.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].朱凯强.基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类[D].哈尔滨工业大学.2019
[7].殷亚秋,冷玥,赵玉灵,安娜,鞠星.面向对象和GURLS结合的高空间分辨率遥感数据云检测[J].测绘通报.2019
[8].黎付安.面向分类的高空间分辨率遥感影像融合算法研究[D].湘潭大学.2019
[9].吴柳青,胡翔云.基于多尺度多特征的高空间分辨率遥感影像建筑物自动化检测[J].国土资源遥感.2019
[10].李序春,徐惠民,索安宁.基于高空间分辨率遥感影像的港口区集约利用监测与评估——以渤海5个典型港区为例[J].应用海洋学学报.2019