导读:本文包含了设施影像论文开题报告文献综述及选题提纲参考文献，主要关键词:设施蔬菜,影像提取,GF-2,多特征融合
设施影像论文文献综述
赵建鹏,杨秀峰,李国洪,李旭青,金永涛[1]（2019）在《基于面向对象的设施蔬菜高分遥感影像提取》一文中研究指出以河北省廊坊市香河县五百户镇为研究区,综合利用高分二号(GF-2)遥感影像的光谱、纹理特征,并结合边缘检测、阈值分割、数学形态学算法,设计了面向对象的多特征融合设施蔬菜面积提取方法。首先对影像进行增强处理,结合影像中光谱和纹理特征剔除建筑物和道路干扰。然后采用阈值分割算法将边缘检测后的"噪声"进行删除,并使用数学形态学方法提高影像分割效率。最后对于一些难以去除的"噪声"采用面积(Ar)、周长(Per)、圆形度(Rd)、长宽比(Pwl)、矩形比(Pr)这5个形状特征参数进行剔除,实现利用高分遥感影像提取设施蔬菜面积。精度验证结果表明,该方法在试验区野外核查的精度为86.02%,随机样本点的总体分类精度为84.5%,Kappa系数为83.1%。(本文来源于《江苏农业学报》期刊2019年04期）
吴德群[2]（2019）在《深圳精准医学影像大设施启动筹建》一文中研究指出深圳特区报讯（ 吴德群）昨日，深圳精准医学影像大设施筹建启动大会在北京大学深圳研究生院举行，这标志着深圳精准医学影像大设施建设正式启动。据悉，深圳精准医学影像大设施是深圳立项建设的医学影像重大科学设施之一，总投资匡算为9.38亿元，主要建设人(本文来源于《深圳特区报》期刊2019-08-30）
许成涛[3]（2019）在《交通基础设施叁维全息影像采集技术的研究与应用》一文中研究指出针对交通基础设施精细化与可视化管理的需求,运用融合叁维激光扫描、倾斜摄影测量等技术的叁维全息影像采集技术,通过室内外、空地一体化的交通基础设施叁维场景数据获取与集成,建设全面反映交通基础设施立体信息的叁维全息影像空间模型,形成交通基础设施叁维全息影像数据采集、融合与管理技术方案,并选择全省典型的淮阴船闸开展工程应用实践。通过研究和实践,可以证明交通基础设施室内外一体化叁维全息影像数据技术,既可为江苏省全面开展交通基础设施叁维全息影像数据建设探索技术基础,又能有效扩充省交通地理信息服务平台数据内容,为全省交通行业管理、运行监测、应急处置和公众服务提供更强有力的技术支撑,能够进一步提升全省交通地理信息的建设水平。(本文来源于《建材与装饰》期刊2019年15期）
周斌[4]（2019）在《基于国产高分辨率遥感影像的中巴经济走廊基础设施监测研究》一文中研究指出2013年底习近平主席在出访哈萨克斯坦和印度尼西亚期间先后提出共建“丝绸之路经济带”和“21世纪海上丝绸之路”的重大倡议,简称“一带一路”倡议。中巴经济走廊作为我国“一带一路”倡议建设的先行试点区,随着中巴经济走廊建设的深入开展,迫切需要开展中巴经济走廊基础设施研究,以便科学支撑中巴经济走廊建设和服务区域经济可持续发展。但目前已有的研究主要从政治、经济、安全、生态评价等角度去考虑中巴经济走廊建设中的风险,缺乏从基础设施变化监测角度对中巴经济走廊建设进展、基础设施空间分布等方面的研究。本文以中巴经济走廊为研究区,利用资源叁号、高分一号卫星影像数据,基于大范围高精度卫星影像无控校正技术,利用PCI-GXL系统制作出中巴经济走廊2013年、2017年正射影像。其次是收集整理中巴经济走廊专题资料,重点是中巴经济走廊项目规划及建设资料,研究中巴经济走廊建设重点任务,构建以中巴经济走廊重点任务为核心要素的基础设施监测指标体系;然后根据中巴经济走廊监测指标体系内容,采集研究区基础设施变化信息;之后对中巴经济走廊基础设施变化信息开展基本统计分析,统计分析中巴经济走廊建设以来沿线发生的变化情况,直观反映中巴经济走廊建设实施成效。本文主要得到以下结论:(1)使用PCI-GXL系统以自动化的生产模式,对大范围区域的大量国产卫星影像进行正射纠正处理,既保证了国产卫星影像的在境外监测等项目中应用的精度要求,又缩短了大量影像的正射纠正时间。这种方法完全适用于大范围无控制点国产卫星影像的快速正射纠正。(2)通过对中巴经济走廊公路、铁路、医院、公园、发电厂等基础设施的监测与变化分析可以看出,总体上项目分布十分广泛,基本覆盖巴基斯坦全境;单个项目实施周期十分迅速,往往在两年甚至一年就可以完成;基础设施项目数量巨大。(3)中巴经济走廊基础设施建设初具规模,但目前在中巴经济走廊的建设仍面临许多挑战,例如:基础设施建设区生态环境极端脆弱,自然灾害、生态恶化风险巨大;投资相对单一,主要集中在能源、基础设施和港口叁大领域,对于巴方优势出口产业的投入相对较少,不利于其出口增长用于偿还债务。(本文来源于《新疆大学》期刊2019-05-01）
马昱肖,戚浩平,田馨,姜钧陶[5]（2018）在《高分辨率航摄影像城市交通设施变化检测方法研究》一文中研究指出提取不同时相航摄影像中的交通设施变化信息,可为交通规划、重要交通目标监测提供基础信息。文中选取2012-04和2014-06两期江宁区高分辨率航摄影像,采用融合C4.5分类和面向对象变化检测方法,首先对影像进行多尺度分割,随后构建纹理信息和光谱信息的特征空间,并用C4.5算法自动构建分类决策树,最后迭置分析两期影像分类结果,提取变化信息。结果表明,与传统逐像元变化检测方法相比,融合C4.5和面向对象变化检测方法结果"椒盐"现象较少,在提取城市交通设施如道路、相关建筑物的变化信息中结构性和边缘完整性更好,变化信息检测精度最高。(本文来源于《测绘工程》期刊2018年11期）
孙智文[6]（2018）在《基于航拍影像的道路附属设施检测技术研究》一文中研究指出随着道路基础设施的大量建设,传统的道路管理方法和技术已经越来越不能满足道路管理的要求。道路管理部门也在不断的探索和寻求更高效的管理技术和方法。同时,伴随着我国低空域的开放以及无人机的发展,利用无人机航拍道路及其道路附属设施,对其进行识别检测为道路管理部门提供了一种新的解决方案。基于无人机航拍影像的目标识别检测是人工智能研究的一个重要领域,目标识别检测主要是通过计算机视觉技术和图像处理技术,对图像进行分析、处理、理解,完成对图像的检测和分类。而将该技术应用到道路管理部门,那么对于该技术在应用上也是一个非常大的进步,因此,探索无人机航拍影像的的图像识别检测技术是具有非常大的意义。本文针对道路管理部门的需求,研究了基于航拍影像的道路和交通标志牌的检测。首先分析了道路检测和交通标志检测目前的研究现状,以及道路检测和交通标志检测的难点和存在的问题。然后研究了道路交通目标检测的相关理论,具体对比分析了四种图像分割方法的优缺点,另外概述了交通标志的特点,针对它的颜色和形状的特征,介绍了颜色特征描述方法,以及形状匹配的方法,还介绍了目标检测的常用图像局部特征优缺点和机器学习理论及其分类算法。然后具体研究了航拍影像的道路检测,针对航拍影像不能很好的按图像结构特征分割边界的问题,由于传统的GraphCuts算法没有考虑到高分辨率航拍影像不同区域对比度不同的特点,提出了一种改进GraphCuts平滑项的图割算法,通过对航拍影像进行实验证明该算法具有较好的有效性和鲁棒性。另外为了证明本文算法具有较好的普适性,对非航拍影像进行检测,实验证明本文算法效果也较好。其次研究了航拍影像的交通标志检测,针对云台摄影视角的变化和设备抖动带来的模糊以及交通标志牌本身的颜色退化、阴影等问题,在ROI粗提取阶段提出了一种改进的RGB空间颜色特征增强算法,有效的增强ROI区域并抑制背景区域,然后进行阈值分割,实验结果表明该改进算法有效的提取了目标区域。对上一步的处理结果,采用形态学处理和形状匹配获得ROI,然后通过机器学习方法对上述ROI进行验证以降低误检和漏检,本文采用SVM训练分类器,用训练好的分类器通过对航拍影像的多目标、轻雾、复杂背景真实场景进行测试,实验结果表明经过该算法具有较好的准确率。同时为了证明本文算法具有较好的普适性,也对非航空影像下的颜色失真、形状不足、光线模糊的场景进行测试,实验结果表明本文算法效果也较好。最后对本文的研究进行了总结并指出了不足,对下一步工作进行了展望。(本文来源于《西安电子科技大学》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）
葛咏,陈跃红,贾远信,郭贤,胡姗[8]（2018）在《基于多时相高分辨率遥感影像的斯里兰卡重要港口基础设施动态监测（英文）》一文中研究指出Colombo port and Hambantota port in Sri Lanka play a key role in transiting and supporting the shipping trade of "the 21 st-Century Maritime Silk Road". In recent years, Chinese enterprises have made huge investments in the infrastructure construction of Colombo port and Hambantota port. The construction progress and development trend of Colombo port and Hambantota port have been attracting the attention of Chinese investment enterprises and the society. In this paper, multi-temporal high spatial resolution remote sensing images are used to monitor the infrastructure construction condition of Colombo port and Hambantota port from 2010 to 2017. According to the interpreted infrastructure information of the two ports, the international container terminal of Colombo and Hambantota port have completed their constructions. By the end of 2017, the international container terminal of Colombo built the container yards with 28.8 ha and roads with 32.6 ha. At the south of the international container terminal of Colombo, the 62.2 ha of reclamation area were built for the planned port city. In Hambantota port, 77 ha of container yards, 48 ha of roads and 2.9 ha of oil storage areas were constructed during this period. Meanwhile, the analysis of potential storage capacity of Colombo port and Hambantota port shows that the throughput of Colombo port may increase by 3 million tons per year while the throughput of Hambantota port will be over its designed 2.5 million tons per year. These analysis results are able to provide a useful reference for Chinese investment enterprises and the related research of "the Belt and Road".(本文来源于《Journal of Geographical Sciences》期刊2018年07期）
王港,陈金勇,高峰,吴金亮[9]（2018）在《基于深度学习的遥感影像基础设施目标检测研究》一文中研究指出随着航天技术、计算机技术以及图像处理技术的发展,遥感图像的分辨率越来越高,覆盖范围也越来越广,高分辨率的遥感影像在军事侦察、地质勘探和国土资源等领域的应用也越来越广泛。"高分一号"作为我国"高分专项"系列卫星的首星,其图像处理技术对于其他高分影像处理具有重大的借鉴意义。针对"高分一号"遥感影像目标检测的问题,通过深度学习神经网络设计和优化,实现在遥感影像中准确检测机场、操场等基础设施目标。实验结果表明,深度学习网络用于遥感目标检测,具有良好的准确度和鲁棒性,从而为国产高分系列遥感卫星的应用提供多样化技术支持。(本文来源于《无线电工程》期刊2018年03期）
王孟和,储征伟,宋以胜,王宝光[10]（2017）在《基于移动可量测实景影像的道路设施数据采集方案》一文中研究指出随着道路交通建设的飞速发展,道路及其附属设施养护管理的重要性日益突显,而道路设施数据的采集和更新维护一直是道路交通管理部门面临的巨大挑战。道路设施作为一种重要的交通安全设施,在道路设施的建设和运营管理中都是道路管理中一项非常重要的内容。为保证道路设施发挥正常的效能,必须能够及时准确地获取道路设施的相关情况。基于移动可量测实景影像的道路设施数据采集系统是一种安全高效、精度可靠、实用方便的道路设施数据采集方案,能够很好地解决人工采集道路设施效率低下、质量难以保证、安全程度低的问题,可以实现道路沿线设施数据的快速采集和信息更新,有效解决道路养护管理中数据采集的难题。(本文来源于《地理信息与人工智能论坛暨江苏省测绘地理信息学会2017年学术年会论文集》期刊2017-11-07）
设施影像论文开题报告
（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：
深圳特区报讯（ 吴德群）昨日，深圳精准医学影像大设施筹建启动大会在北京大学深圳研究生院举行，这标志着深圳精准医学影像大设施建设正式启动。据悉，深圳精准医学影像大设施是深圳立项建设的医学影像重大科学设施之一，总投资匡算为9.38亿元，主要建设人
（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。
设施影像论文参考文献
[1].赵建鹏,杨秀峰,李国洪,李旭青,金永涛.基于面向对象的设施蔬菜高分遥感影像提取[J].江苏农业学报.2019
[2].吴德群.深圳精准医学影像大设施启动筹建[N].深圳特区报.2019
[3].许成涛.交通基础设施叁维全息影像采集技术的研究与应用[J].建材与装饰.2019
[4].周斌.基于国产高分辨率遥感影像的中巴经济走廊基础设施监测研究[D].新疆大学.2019
[5].马昱肖,戚浩平,田馨,姜钧陶.高分辨率航摄影像城市交通设施变化检测方法研究[J].测绘工程.2018
[6].孙智文.基于航拍影像的道路附属设施检测技术研究[D].西安电子科技大学.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].葛咏,陈跃红,贾远信,郭贤,胡姗.基于多时相高分辨率遥感影像的斯里兰卡重要港口基础设施动态监测（英文）[J].JournalofGeographicalSciences.2018
[9].王港,陈金勇,高峰,吴金亮.基于深度学习的遥感影像基础设施目标检测研究[J].无线电工程.2018
[10].王孟和,储征伟,宋以胜,王宝光.基于移动可量测实景影像的道路设施数据采集方案[C].地理信息与人工智能论坛暨江苏省测绘地理信息学会2017年学术年会论文集.2017