一、数学形态学在遥感图像处理中的应用（论文文献综述）
陈顺[1]（2021）在《几种类型图像边缘检测的相关问题研究》文中进行了进一步梳理近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT（非下采样轮廓波变换）分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
刘雨菡[2]（2021）在《对地观测红外成像虚警源检测方法研究》文中进行了进一步梳理随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
杨文婷[3]（2021）在《基于自适应形态学的遥感图像道路提取方法研究》文中研究指明从遥感图像中提取道路是一项非常重要且具有挑战性的任务,这对于在地图组成、交通管理和城市规划等方面扮演着重要角色。传统的道路提取通常是通过人工目视的方法进行判别的,这种方法不仅浪费了的大量的人力、物力和财力而且还具有较低的检测效率和精度。随着高分辨卫星等技术的快速发展产生了大量的可用数据,因此如何利用这些海量数据快速、完整地提取出道路信息并将其有效地利用已成为该领域的热点和难点问题。遥感图像的内容一般比较复杂,在提取遥感图像中的道路时容易产生误提取和漏提取现象,利用数学形态学能够检测遥感图像空间结构特征且较好地保持地物的几何结构。因此,本文以自适应数学形态学算法为基础,提出了一种提取遥感图像中道路的方法。论文的主要工作如下:（1）对国内外遥感图像道路提取方法和自适应数学形态学的研究现状和发展意义作了简单的介绍,分析了数学形态的基本理论及方法并进行相关的仿真实验。（2）利用经典数学形态学提取遥感图像中的道路目标时,由于采用固定形状和大小的结构元素,导致道路的部分形态和空间特征丢失,难以得到较高的分割精度。为此,提出了一种基于自适应形态学重建的遥感图像道路提取方法,该方法首先采用多尺度结构元素对图像进行重建,对重建后图像进行逐点极大值运算以获得自适应重建结果,然后将自适应重建开和闭运算组合后得到水平算子,利用该水平算子对图像形态特征进行度量从而初步将图像中的道路区域和非道路区域分开,利用形状滤波和孔洞填充获得准确的道路区域,最后采用快速并行细化算法提取出完整的道路中心线。仿真结果表明,该方法能够充分利用遥感图像道路形态和空间特征,准确提取出光滑的道路中心线。（3）遥感图像中的内容复杂多样,道路上面的车辆、行人以及路两旁的树木等噪声会导致提取道路的准确度降低。当使用经典形态学方法进行去噪处理时,较大的结构元素能够很好的滤除大部分噪声,但是容易出现边缘模糊的现象,使得部分边缘信息被丢失,而较小的结构元素能够比较完整的保留图像的信息,但是却不能完全滤除图像中的噪声,影响后续的道路提取结果。为此,提出了一种利用基于最小生成树的显着性自适应结构元素（MST-SASE,Salience Adaptive Structuring Eelement Base on Minimum Spanning Tree）的形态学遥感图像道路提取的方法。该方法首先计算图像梯度,通过非极大值抑制得到边缘图像,对边缘图像进行倒角距离变换,得到显着性图（SM,Salience Map）;然后通过计算SM的极大极小值确定结构元素半径,在SM上计算最小生成树,利用计算得到的半径构造出一种形状和大小随输入图像局部特征自适应变化的结构元素,同时利用该自适应结构元素对腐蚀、膨胀、开和闭等基本形态学运算进行重新定义,进而实现对遥感图像中噪声的滤除;最后利用灰级窗切片分割出道路区域,经过形状滤波等一系列运算准确提取出道路中心线。实验表明,该方法具有较高的完整性、正确性和提取质量。
冯魁祥[4]（2020）在《遥感图像河流提取方法研究》文中研究表明河流在我国地形地貌中占据着重要的地位,对于河流水域的监控有助于更好的利用水资源、减少洪涝灾害以及水利水电的调控。遥感技术的迅速发展可以实现地表信息采集处理。通过遥感图像河流提取可以对河流水域状况、面积以及河道变迁进行有效地监控。本文根据遥感图像中河流特征,通过对区域生长算法应用、以及彩色HSV图像分割进行研究,提出了基于K-means聚类的区域生长算法,并且将彩色HSV图像分割应用于遥感图像河流提取中。针对区域生长初始种子点人工选取造成的效率低、准确度低等问题,提出了基于K-means聚类的区域生长算法。该算法对遥感图像进行边缘分割获得河流边界框架;运用形态学处理填充河流框架,进行K-means聚类方法获得河流质点;将该质点作为区域生长算法起始点,进行生长获得河流目标。针对遥感图像处理中需要灰度转换造成的信息丢失、非连通水域难以提取问题,提出了基于HSV彩色图像遥感图像河流提取方法。该算法通过将彩色RGB图像转换为彩色HSV图像;将H、S分量点乘去除这两个分量对图像分割的影响;通过经验方法设定V阈值为0.4,与H、S分量点乘图构造阈值图像,阈值图像与彩色RGB图像相乘进行分割;根据形状检测去除非河流水域获得河流水域。论文对遥感图像河流提取方法进行研究,同时进行算法的实验论证。通过实验可以验证出改进区域生长算法可以有效地提高河流提取的准确度和效率;彩色HSV图像分割可以有效地提取河流及水域。
张霞[5]（2020）在《结合笔画宽度变换与卷积神经网络的高分影像道路提取研究》文中研究指明道路作为交通运输中的主干以及基本方式,在交通系统的发展中起着关键的作用,进行道路信息提取研究在交通管理中具有十分重要的意义,包括自动道路导航、城市规划、道路监控、无人驾驶车辆、地图更新等,这些在工业和日常生活中都十分重要。道路提取是现代交通系统最重要的任务之一,完成这一任务存在许多困难,因为复杂的背景,如农村道路,具有异质外观与大的同类和低的类间变化;城市道路,覆盖的车辆、行人和周围的树木或建筑物的阴影也增大了这一任务的困难程度。进行高分影像的道路信息提取虽然是一个具有极大挑战性的研究方向,但是它同样还具有非常大的研究意义。本文在借鉴和吸收其他研究学者研究成果的基础上,做了如下几方面的研究,有效地实现了道路信息的提取:（1）对遥感技术以及高分影像中道路的特征进行了概述,介绍了笔画宽度变换算法、卷积神经网络和数学形态学的相关理论知识,奠定了本文道路信息提取方法研究的理论基础。（2）考虑影像中道路的宽度具有较强一致性这一特点,提出利用笔画宽度变换算法来进行道路信息提取。然而影像中道路周围其他地物对该算法的提取精度有较大影响,导致想要获得高精度的道路提取结果非常困难,鉴于此提出一种改进的笔画宽度变换算法,改进算法结合了均值漂移和笔画宽度变换的优点:首先,为了减少笔画宽度变换算法容易出现的错提取现象,对预处理后的影像进行均值漂移分割;其次,利用笔画宽度变换算法将分割图像中的像素分为两类,即道路类与非道路类,实现道路信息的提取,得到道路图像;最后,利用数学形态学的运算对道路图像做后处理优化,进而使获得的道路信息更加精确。并通过实验证明:改进算法能够从高分影像中准确地提取道路信息,并且精度相比于单独使用均值漂移和笔画宽度变换算法的表现更优。（3）通过学习卷积神经网络的相关理论,分析其在道路提取应用中的优势:其结构具有层次化的特性,学习和表达能力也很强,在海量的实验数据中可以自动地提取道路特征,对于提取复杂场景下的道路也能够很好适用,这能够解决笔画宽度变换算法在道路背景复杂的条件下提取精度较差的问题。因此引入卷积神经网络到本文道路提取中,提出一种U-Net网络结合笔画宽度变换的方法进行道路提取。该方法首先是对进行数据增强后的数据集进行U-Net网络的训练,用训练好的网络进行道路信息的初提取;然后借助道路的宽度及边缘信息,利用笔画宽度变换对初提取的道路图像进行处理,更大程度利用道路的浅层特征,去除道路图像中粘连的非道路部分。最后进行形态学处理优化道路提取结果并进行精度评价。该方法可以实现道路信息的提取且提取道路边缘平滑,干扰和毛刺现象更少。
王桢炜[6]（2020）在《基于EMD的多源遥感影像融合的方法研究》文中认为随着遥感技术的飞速发展,遥感数字图像融合已成为航空、卫星图像处理领域的研究重点。遥感数字图像融合不仅能提高影像信息的可利用率,集成源图像的互补信息,降低单个遥感数字图像的差异性,获得信息更丰富、更精确的融合图像,而且融合后的图像信息量丰富,清晰度增强,具有较高的解释能力。本文主要是对同一地物的多光谱图像和全色图像的融合方法进行研究,在传统经验模式分解（Empirical Mode Decomposition,EMD）的基础上,提出了一种基于粒子群优化径向基神经网络权值的插值方法。并以此为基础,针对图像融合提出了一种基于彩色空间（luminance,Hue,Saturation,IHS）变换、小波滤波和改进二维EMD的遥感数字图像融合方法。该融合方法既可以保留融合图像的光谱信息,又可以提高其空间纹理细节信息。本文的主要研究工作和创新点如下:1、叙述了遥感数字图像融合算法的研究背景与意义以及国内外研究现状,讨论了遥感数字图像融合过程中的融合方法、融合规则、融合结果评价标准,最后分析比较了几种常用的图像滤波方法。2、分别介绍了一维EMD和二维EMD的基本原理和实验步骤,并指出二维EMD方法分解过程中需要注意的问题。3、在图像分解的过程中,本文对二维EMD方法进行了改进。针对二维EMD分解过程中包络面的插值拟合方法,以粒子群算法为基础,对径向基神经网络的权值进行优化;经验证,基于粒子群优化径向基神经网络权值的插值方法相比径向基函数插值法,具有插值精度高的优点;最后,使用改进的二维EMD方法分解遥感数字图像时,可以使图像得到充分分解。4、针对遥感数字图像融合,本文提出了一种基于IHS变换、小波滤波和改进二维EMD方法的图像融合方法,并进行了四组仿真实验。实验结果表明:融合图像不仅可以最大程度保留光谱信息,在空间纹理细节信息上相比于原图像也有所提高。最后,通过分析比较四组实验结果以及经过小波滤波后的全色背景图像和高频信息面,得出了本文算法的适用范围,即本文算法适用于地物信息丰富且区别明显的遥感数字图像融合。
文昊天[7]（2020）在《基于自适应形态学的遥感图像地表水体分割方法研究》文中提出地表水体是水资源的重要组成部分,对地表水体区域定量统计是分析水资源基本情况的有效手段。人工实地勘查作为传统的水体面积测量方法,不仅耗时费力,成本高,而且误差较大,但随着高分专项工程的顺利实施,高分卫星先后成功发射,中国遥感卫星已进入亚米级高分时代,可以利用数字图像处理方法对遥感水体图像进行分析,克服了传统人工水资源测量耗时费力且误差较大的问题。因为遥感图像地形地貌复杂多样,图像中的目标形状、大小和数量等各不相同,所以本文利用自适应形态学理论方法,对遥感图像地表水体区域进行分割。论文的主要工作如下:（1）对遥感图像地表水体分割和自适应形态学的国内外研究现状进行分析并对数学形态学在遥感图像中的基本理论和方法做了剖析。（2）针对对比度较低的遥感图像,目标水体与非目标地物灰度值相近的问题,提出了一种基于自适应椭圆结构元素的形态学遥感水体图像对数增强方法,在滤除水体外噪声,保持水体边缘的同时增强遥感图像对比度。首先利用线性结构张量估计图像特征值和特征向量,并用该特征建立自适应椭圆结构元素,更好地保持水体边缘;然后定义自适应形态学腐蚀膨胀,组合出自适应形态学开闭运算;最后利用自适应形态学运算构造对数增强运算,达到滤除非目标区域噪声并增强遥感水体图像的目的。实验结果表明,该方法不仅能够滤除目标外噪声干扰,增强水体区域目标,而且保证了水体边缘位置和形状,利用灰度切片对增强后图像分割的平均误差小于3.29%。（3）在利用形态学对水体做图像分割时固定结构元素会导致图像中水体特征信息改变（如产生新的人为目标、改变较大目标的边缘位置,破坏原有目标间的过渡区边界,丢失小目标等）,对后续水体分割准确率产生影响。为了准确分割遥感图像中的地表水体,提出了一种利用形态学自适应椭圆结构元素的遥感图像水体分割方法,组合衍生出相应的闭运算,消除暗细节噪声对水体的影响并且不会对水体边缘过度拉伸,因而能够更准确地保持水体边缘,在此基础上,运用灰度切片分割出水体区域。实验结果表明,本文方法具有较高的分割准确率,平均分割误差小于1.43%。
鄢文波[8]（2019）在《基于生成对抗网络的遥感图像道路识别研究》文中研究说明随着遥感技术越发成熟,可获取到更加高的遥感数据分辨率。遥感具有获取信息的速度快、周期短、可探测范围广以及受条件限制少等特点,因而遥感图像被广泛应用于各个领域,如勘测国土资源以及城市道路网的更新等。道路作为城市建设的重要一环,它的精准提取与识别可以为城市道路网快速更新、交通发展、汽车精准导航、城市规划以及基础地理信息数据库的更新等带来非常重要的意义。所以道路的精准识别提取变得尤为重要,从上世纪七十年代开始,国内外相继开展了从遥感图像中提取道路信息的研究。但是道路在高分辨率遥感影像中的表现形式比较复杂,使高分辨率遥感道路的提取和识别工作变得颇为困难。目前大多数道路提取技术在一定程度上还存在算法稳健性差、识别精度不高等问题,因此遥感图像道路提取和识别仍然是目前业界研究的热点,具有十分重要的学术价值和应用前景。本文在分析和研究了已有浅层机器学习道路提取方法的基础上,结合高分辨率遥感图像的特点,提出了一种改进的Bayes道路分割提取方法,在考虑到遥感图像中的道路会呈现出较为规范的几何特征且容易受周围的环境因素影响例如对噪声非常敏感,算法在使用Bayes进行图像分割前增加了均值漂移滤波处理,均值漂移滤波既能对局部颜色相近的图像进行平滑消除噪声,又能够很好地保持边缘轮廓,滤波后的图像比原图像更加易于识别。接下来利用Bayes分类器根据像素颜色特征对滤波后图像进行识别,即可分割得到道路的大致形态。最后再利用线性形态学滤波器对初步分割的道路图像再次进行处理,可进一步去除不规则区域,得到更为准确的道路分割图像。尽管该方法尽力减低周围噪声的影响,能够在一定程度上解决复杂场景中道路提取的问题,但正确率仍然不够高,同时鲁棒性不强,泛化能力不足。在遥感图像中道路虽为条带状,但几何形态多变,也不具有固定的色彩或纹理特征,因而道路特征提取十分困难,这使得依赖人工提取特征的传统浅层机器学习方法难以在复杂场景中取得良好的道路提取效果。近年来深度学习和卷积神经网络蓬勃发展,利用卷积网络进行特征提取在很多方面已经超越了人工特征提取方法。鉴于此,本文进一步研究了基于卷积神经网络的道路提取方法。通过卷积网络向下采样获得图像的局部特征,全连接层分类道路以及非道路,引入激活函数sigmoid将全连接层输出的像素值大小控制在0和1之间,并由此表示道路和非道路的概率。卷积网络的效果比之前的Bayes有改进,但是还是不够完美。卷积网络在下采样的过程中模糊了边缘信息。为了解决这一问题,本文还提出另一种深层次网络模型:生成式对抗神经网络的道路识别,其网络架构主要包含编码器网络和解码器网络,在每层下采样过程中会结合前一层信息进行卷积和池化,其核心思想是使生成网络和判断网络形成一个互为“博弈”的概念,上下采样互相影响互相制约,最终得到一个动态稳定的状态;另外,在生成网络G中引入了残差网络机制,优化了原GAN网络。这两种深度学习方法皆可排除对噪声的影响,并且加强了代码的鲁棒性和泛华能力。同时生成式对抗网络在复杂场景下分割精度也能保持不错的道路识别水平,不失为一个不错的分类器。
毕旋旋[9]（2019）在《遥感图像道路提取方法研究》文中指出道路作为基础地理信息数据,也是城市数据库更新比较频繁的地理信息之一,道路信息的时效性直接影响着地图绘制、交通智能管理、无人驾驶导航等方面的应用。如何快速准确的从海量的遥感图像数据中获得有意义的道路信息是一项挑战工作。当前对于从遥感图像中提取道路的方式主要靠人工目视来完成。由于计算机、理论算法等技术水平的限制,道路提取领域至今没有一套完善的系统可以智能化普适化地提取道路。现在遥感影像分辨率的不断提高,影像中的地物信息特征也逐渐变得复杂。这些信息特征在一定程度上造成了对道路的识别的干扰,进而又增加了道路提取的难度。因此,遥感图像道路提取的研究具有重要的意义。本文在基于道路的各项基本特征的基础上,探究了遥感图像中道路的自动化提取技术,提出了两种道路提取的可行的方法,主要是以下内容:第一:根据道路的辐射特征,利用图像灰度值的差异性,提出了一种改进的基于遗传算法的最大类间方差的阈值分割方法,对遥感图像进行二值化分割。遗传算法可以使得最大类间方差法快速准确的寻找最优解,以达到最佳分割的目的。之后经过中值滤波处理,然后用数学形态学的基本运算（腐蚀、膨胀、开运算、闭运算）的操作去除二值图像中非道路区域,再用边缘检测“Sobel”算子把提取的道路放到原图的灰度图上进行比对,证明方法的可行性。最后将改进分割算法得到的提取结果与原分割方法结果对比,进行定性、定量分析,得出改进算法提取效果更好。第二:提出了基于SVM结合模糊C均值聚类的道路提取方法。由于SVM本身算法对样本在极小区域容易被错误分类的缺陷,采用模糊C-均值聚类的方法对SVM不足之处进行改进。首先,用模糊C-均值聚类对遥感图像进行非监督聚类,它可以依据隶属度扩大不同类群之间的距离,对图像中似道路聚类和其他聚类进行分离。然后再用SVM对分离出的道路聚类图像进行进一步分类,之后用数学形态学处理仍存在的块状斑点噪声,最终实现了道路的提取。对结果精度定量分析,证明方法的可行性。
张敬尊[10]（2019）在《稀疏算法模型构建及其在遥感高性能计算中的应用》文中进行了进一步梳理伴随计算机网络及传感器技术的发展,遥感数据呈现出多样化、大规模化的特点。数据的激增造成大量冗余,如何有效地从上述价值密度低且结构复杂的数据中获取其内在的知识成为传统图像处理工具需要面临的新挑战,遥感图像处理任务亟需更具知识发现能力的处理算法。稀疏表示作为一种新型的数据挖掘技术,具有严谨的理论依据以及广泛的领域应用验证。自然图像处理领域的应用证明,相较于传统算法,稀疏表示类算法更善于发现隐藏在数据背后的知识,具有优秀的特征发现和保持能力,同时对于图像中的噪声具有鲁棒性,受噪声干扰小。遥感图像作为自然图像的一种,其本身亦具有天然的稀疏性,稀疏表示在遥感图像处理中的适用性和应用潜力有待进一步深入。与此同时,诸如灾害监测等高时效性处理任务要求遥感图像处理算法不仅需要具有良好的知识发现能力,同时需要具有尽可能优化的时空复杂度和处理速度,高性能计算成为上述需求的必然解决方案。实际应用中,高性能计算的实施与实现与计算硬件的底层结构紧密相关,需要开发人员充分了解目标体系结构并具备并行编程知识与能力。然而,多样化的硬件结构、复杂的并行编程框架、数据、计算资源的优化配置和调度等对于遥感领域的开发人员是非常挑战的。为降低非高性能计算领域并行计算的实施难度,哥本哈根大学尼尔斯玻尔研究所高性能研究组搭建了基于GPU计算的高性能计算平台Manjula,设计开发了可实现自动并行映射的工具Bohrium。Manjula与Bohrium的组合为用户屏蔽了底层硬件的多样性和并行的复杂性,使用者只需专注于自己的领域研究,算法的并行设计、加速优化等均可经由上述组合自动实现无需人工干预。基于上述背景,本论文以稀疏表示为理论基础,稀疏表示的遥感应用为目标,从先验知识刻画、模型构建、优化求解三方面对稀疏表示类算法在遥感图像处理任务中的适用性展开研究。在对稀疏表示理论进行梳理总结的基础上,针对遥感图像处理中的数据量大、计算密集且算法复杂的问题,围绕稀疏表示中稀疏编码、字典学习两个关键问题研究稀疏算法模型构建,并将其应用到高光谱、高空间分辨率两种遥感图像的降维、分类及融合三类图像处理任务中,共完成四个算法的设计、实现和实验。具体包括:为具有高维特征的高光谱图像设计实现了无监督双稀疏降维算法及基于上下文的稀疏分类算法;为验证稀疏算法的普适性,针对具有高空间分辨率特征的高分二号图像设计实现了改进的稀疏分类算法和稀疏融合算法,四个算法的实验结果不仅充分验证了稀疏类算法在遥感图像处理任务中的适用性,同时表明稀疏类算法不失为大规模数据背景下的一种有效备选。为进一步提升算法的计算速度,本论文以尼尔斯玻尔研究所的Manjula为硬件依托,Bohrium为软支撑,并在此基础上对Bohrium进行了稀疏并行拓展,融入专门用于稀疏运算并行的存储结构CSR5和运算框架Sp GEMM,对高时耗的稀疏编码子算法进行了自动并行实现及实验,为遥感图像高性能计算的快速实现提供了一种参考途径。
二、数学形态学在遥感图像处理中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、数学形态学在遥感图像处理中的应用（论文提纲范文）
（1）几种类型图像边缘检测的相关问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 织物图像边缘检测研究现状 |
| 1.2.2 彩色图像边缘检测研究现状 |
| 1.2.3 遥感图像边缘检测研究现状 |
| 1.2.4 齿轮图像边缘检测研究现状 |
| 1.3 图像去噪预处理研究 |
| 1.3.1 图像噪声分类 |
| 1.3.2 图像卷积处理 |
| 1.3.3 图像去噪方法 |
| 1.3.4 图像去噪效果客观评价指标 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 印花织物图像边缘提取 |
| 2.1 传统滤波器介绍 |
| 2.1.1 高斯滤波器 |
| 2.1.2 均值滤波器 |
| 2.1.3 修正的阿尔法均值滤波器 |
| 2.1.4 中值滤波器 |
| 2.1.5 自适应中值滤波器 |
| 2.2 改进滤波器 |
| 2.2.1 改进修正的阿尔法均值滤波器 |
| 2.2.2 改进自适应中值滤波器 |
| 2.3 小波模极大值法边缘检测 |
| 2.3.1 经典小波模极大值法 |
| 2.3.2 传统Otsu算法 |
| 2.3.3 改进的小波模极大值法 |
| 2.4 印花织物图像边缘检测实验过程 |
| 2.4.1 高斯噪声平滑实验分析 |
| 2.4.2 椒盐噪声平滑实验分析 |
| 2.4.3 混合噪声平滑实验分析 |
| 2.4.4 印花织物图像边缘提取实验分析 |
| 2.5 本章小结 |
| 3 彩色图像边缘检测研究 |
| 3.1 基于小波变换的去噪算法研究 |
| 3.1.1 小波变换的基本理论 |
| 3.1.2 基于小波变换的去噪方法介绍 |
| 3.2 基于小波变换的小波阈值去噪算法介绍 |
| 3.2.1 小波阈值去噪原理 |
| 3.2.2 常见的小波阈值去噪函数 |
| 3.2.3 自适应阈值选取 |
| 3.3 改进小波阈值去噪函数 |
| 3.3.1 改进自适应阈值选取 |
| 3.3.2 建立多层小波阈值去噪函数 |
| 3.3.3 多层小波阈值去噪函数效果验证 |
| 3.4 四元数理论构建特征矩阵 |
| 3.4.1 四元数理论及基本运算 |
| 3.4.2 四元数表示彩色图像 |
| 3.4.3 四元数结合Canny算子 |
| 3.5 彩色图像边缘检测实验过程 |
| 3.6 本章小结 |
| 4 齿轮图像边缘检测研究 |
| 4.1 数学形态学边缘检测 |
| 4.1.1 数学形态学基本理论 |
| 4.1.2 数学形态学的基本运算 |
| 4.2 Canny算子边缘检测 |
| 4.2.1 传统Canny算子 |
| 4.2.2 传统Canny算子分析 |
| 4.3 改进Canny算子边缘检测 |
| 4.3.1 改进梯度幅值和梯度幅角计算方式 |
| 4.3.2 改进阈值选取方式 |
| 4.4 改进数学形态学边缘检测 |
| 4.5 齿轮图像边缘检测实验过程及分析 |
| 4.5.1 改进数学形态学算法去噪效果验证 |
| 4.5.2 齿轮图像边缘检测实验过程 |
| 4.6 本章小结 |
| 5 遥感图像边缘检测研究 |
| 5.1 Top-hat变换基本理论 |
| 5.2 改进的一维Otsu阈值分割算法 |
| 5.3 非下采样轮廓波变换(NSCT)基本理论 |
| 5.4 遥感图像边缘检测算法 |
| 5.4.1 边缘检测算法整体流程 |
| 5.4.2 边缘检测算法实验过程 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（2）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于自适应形态学的遥感图像道路提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像道路提取研究现状 |
| 1.2.2 自适应形态学研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 1.3.1 主要内容 |
| 1.3.2 论文结构 |
| 2 数学形态学理论基础 |
| 2.1 形态学运算 |
| 2.1.1 二值形态学运算 |
| 2.1.2 灰度形态学 |
| 2.2 形态学重建 |
| 2.3 本章小结 |
| 3 基于自适应形态学重建的遥感图像道路提取方法 |
| 3.1 引言 |
| 3.2 方法介绍 |
| 3.3 自适应形态学重建 |
| 3.4 基于形态特征的分割方法 |
| 3.4.1 形态特征度量 |
| 3.4.2 形态特征分类 |
| 3.5 形状滤波和孔洞填充 |
| 3.6 道路中心线提取 |
| 3.7 实验与分析 |
| 3.7.1 评价指标 |
| 3.7.2 实验结果与分析 |
| 3.8 本章小结 |
| 4 利用MST-SASE的遥感图像道路提取方法 |
| 4.1 图像分割方法 |
| 4.1.1 基于阈值分割方法 |
| 4.1.2 边缘分割方法 |
| 4.1.3 区域分割方法 |
| 4.2 本文采用的方法及流程图 |
| 4.3 基于最小生成树的显着性自适应结构元素的构造 |
| 4.3.1 显着性距离变换 |
| 4.3.2 最小生成树 |
| 4.3.3 自适应结构元素的构造 |
| 4.4 基于MST-SASE的形态学运算 |
| 4.5 图像增强 |
| 4.6 灰级窗切片分割方法 |
| 4.7 实验结果与分析 |
| 4.8 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）遥感图像河流提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 半自动河流提取 |
| 1.2.2 自动河流提取 |
| 1.3 本文研究内容 |
| 1.4 本章小结 |
| 第2章 遥感图像河流提取的理论基础 |
| 2.1 遥感图像河流的地物特征 |
| 2.2 彩色遥感图像的灰度转换 |
| 2.2.1 遥感图像与颜色 |
| 2.2.2 RGB彩色模型 |
| 2.2.3 彩色图像灰度转换 |
| 2.3 遥感图像增强方法 |
| 2.4 遥感图像分割方法 |
| 2.4.1 图像分割定义 |
| 2.4.2 阈值分割 |
| 2.4.3 基于边缘的分割 |
| 2.4.4 区域分割 |
| 2.5 本章小结 |
| 第3章 遥感图像河流目标区域分割 |
| 3.1 算法原理 |
| 3.1.1 最大类间方差阈值分割 |
| 3.1.2 比例分割 |
| 3.2 算法描述 |
| 3.2.1 遥感图像河流目标区域粗提取流程 |
| 3.2.2 遥感图像河流目标区域粗提取实现步骤 |
| 3.3 算法实验与结果分析 |
| 3.3.1 实验数据与设置 |
| 3.3.2 遥感图像预处理 |
| 3.3.3 最大类间方差阈值分割 |
| 3.3.4 以质心为中心点的比例分割 |
| 3.4 本章小结 |
| 第4章 基于K-means聚类的区域生长的遥感图像河流提取 |
| 4.1 区域生长法概述 |
| 4.1.1 区域生长法原理 |
| 4.1.2 区域生长法实现 |
| 4.2 改进区域生长算法 |
| 4.2.1 Prewitt边缘分割 |
| 4.2.2 K-means中心点标定 |
| 4.3 改进的区域生长算法实现 |
| 4.3.1 算法提取流程 |
| 4.3.2 改进算法实现步骤 |
| 4.4 区域生长算法实验及结果分析 |
| 4.4.1 实验数据及设置 |
| 4.4.2 边缘分割 |
| 4.4.3 形态学膨胀处理 |
| 4.4.4 改进区域生长算法实现 |
| 4.4.5 人工选取误差问题 |
| 4.4.6 算法时间问题 |
| 4.5 不同形态河流的提取问题 |
| 4.5.1 多交叉河流提取 |
| 4.5.2 部分堵塞河流提取 |
| 4.5.3 分叉河流提取 |
| 4.5.4 环绕河流提取 |
| 4.6 本章小结 |
| 第5章 基于彩色HSV图像分割的彩色遥感图像河流提取 |
| 5.1 彩色图像河流提取基础 |
| 5.1.1 彩色模型 |
| 5.1.2 HSV色度空间变换原理 |
| 5.2 HSV彩色遥感图像河流提取实现 |
| 5.2.1 算法提取流程 |
| 5.2.2 算法实现步骤 |
| 5.3 彩色图像河流提取实现与分析 |
| 5.3.1 实验数据与设置 |
| 5.3.2 HSV转换 |
| 5.3.3 H、S分量点乘 |
| 5.3.4 V阈值分割 |
| 5.3.5 形状检测去除非河流区域 |
| 5.3.6 V参数的选取 |
| 5.4 提取算法比较 |
| 5.4.1 区域生长算法河流提取 |
| 5.4.2 基于K-means聚类的区域生长算法河流提取 |
| 5.4.3 基于彩色RGB图像分割的河流提取 |
| 5.4.4 基于彩色HSV图像分割的河流提取 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（5）结合笔画宽度变换与卷积神经网络的高分影像道路提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于非监督方法的道路提取 |
| 1.2.2 基于监督方法的道路提取 |
| 1.3 研究内容和论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 道路提取的相关理论基础 |
| 2.1 遥感技术概述 |
| 2.2 高分辨率遥感影像概述 |
| 2.3 高分影像道路特征分析 |
| 2.4 本文道路提取相关算法 |
| 2.4.1 笔画宽度变换算法 |
| 2.4.2 卷积神经网络 |
| 2.4.3 数学形态学 |
| 2.5 本章小结 |
| 第三章 改进笔画宽度变换算法的高分影像道路提取 |
| 3.1 引言 |
| 3.2 改进笔画宽度变换的道路提取方法 |
| 3.2.1 本章道路提取算法框架 |
| 3.2.2 均值漂移(mean shift)算法 |
| 3.2.3 笔画宽度变换运算过程 |
| 3.2.4 改进SWT道路提取 |
| 3.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 笔画宽度变换结合卷积神经网络的高分影像道路提取 |
| 4.1 引言 |
| 4.2 结合笔画宽度变换与卷积神经网络的道路提取方法 |
| 4.2.1 卷积神经网络特点 |
| 4.2.2 卷积神经网络训练过程 |
| 4.2.3 U-Net卷积神经网络 |
| 4.2.4 方法流程 |
| 4.3 实验结果及分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验配置 |
| 4.3.3 道路提取结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录A |
（6）基于EMD的多源遥感影像融合的方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经验模态分解研究现状 |
| 1.2.2 其它图像融合方法研究现状 |
| 1.3 图像融合概述 |
| 1.3.1 融合方法 |
| 1.3.2 融合规则 |
| 1.3.3 融合评价 |
| 1.4 研究的主要内容及论文结构 |
| 2 相关理论基础 |
| 2.1 一维EMD基本原理 |
| 2.1.1 瞬时频率 |
| 2.1.2 时间尺度 |
| 2.1.3 固有模态函数 |
| 2.1.4 一维EMD分解过程 |
| 2.2 二维EMD基本原理 |
| 2.2.1 二维EMD分解过程 |
| 2.2.2 二维EMD分解中的关键问题 |
| 2.3 本章小结 |
| 3 改进的二维EMD方法及其在图像分解中的应用 |
| 3.1 改进的径向基插值算法 |
| 3.1.1 粒子群算法 |
| 3.1.2 基于粒子群算法优化RBF网络权值 |
| 3.2 分量融合规则 |
| 3.3 改进二维EMD方法的分解过程 |
| 3.3.1 改进二维EMD方法实现过程 |
| 3.3.2 改进二维EMD方法的仿真实验 |
| 3.4 本章小结 |
| 4 基于改进二维EMD的遥感数字图像融合 |
| 4.1 遥感数字图像融合过程 |
| 4.1.1 遥感数字图像融合步骤 |
| 4.1.2 图像滤波实验及评价结果 |
| 4.2 数据来源 |
| 4.3 遥感数字图像融合实验及评价结果 |
| 4.3.1 遥感数字图像融合的仿真实验 |
| 4.3.2 遥感数字图像融合结果评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于自适应形态学的遥感图像地表水体分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像水体提取及分割研究现状 |
| 1.2.2 自适应形态学研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 1.3.1 主要内容 |
| 1.3.2 论文结构 |
| 2 数学形态学理论基础 |
| 2.1 形态学运算 |
| 2.1.1 二值形态学 |
| 2.1.2 灰度形态学 |
| 2.2 图像梯度 |
| 2.3 线性结构张量 |
| 2.4 本章小结 |
| 3 自适应椭圆结构元素的遥感水体图像对数增强方法 |
| 3.1 引言 |
| 3.2 图像增强方法 |
| 3.2.1 空域图像增强 |
| 3.2.2 频域图像增强 |
| 3.3 遥感水体图像对数增强方法流程 |
| 3.4 自适应椭圆结构元素形态学运算 |
| 3.4.1 自适应椭圆结构元素 |
| 3.4.2 自适应形态学运算 |
| 3.5 对数图像增强 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 4 自适应形态学椭圆结构元素遥感水体图像分割 |
| 4.1 引言 |
| 4.2 图像分割方法 |
| 4.2.1 阈值分割 |
| 4.2.2 边缘分割 |
| 4.2.3 区域分割 |
| 4.3 遥感水体图像分割方法流程 |
| 4.4 灰度切片 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 5 总结 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于生成对抗网络的遥感图像道路识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究的背景及意义 |
| 1.2 技术的研究现状 |
| 1.3 本文研究内容及创新点 |
| 第2章 道路提取的理论及技术基础 |
| 2.1 城市道路的影像特征 |
| 2.1.1 城市道路的基本特征 |
| 2.1.2 高分辨率遥感图像下的道路特征 |
| 2.2 图像预处理技术 |
| 2.2.1 图像预处理的定义 |
| 2.2.2 图像预处理方法的简单阐述 |
| 2.3 图像分割技术 |
| 2.3.1 图像分割的定义 |
| 2.3.2 图像分割算法简介 |
| 2.3.3 图像分割技术流程图 |
| 2.4 数学形态学 |
| 2.4.1 数学形态学的定义 |
| 2.4.2 结构元素的定义 |
| 2.4.3 二值形态学 |
| 2.4.4 灰度形态学 |
| 2.5 本章小结 |
| 第3章 基于改进的Bayes分类进行道路提取 |
| 3.1 遥感图像预处理 |
| 3.1.1 直方图均衡化 |
| 3.1.2 高斯滤波 |
| 3.2 均值漂移算法 |
| 3.3 贝叶斯分类算法 |
| 3.3.1 贝叶斯定理 |
| 3.3.2 朴素贝叶斯分类的原理及流程 |
| 3.3.3 估计类别下特征属性划分的条件概率及Laplace校准 |
| 3.4 基于改进的Bayes分类进行道路提取 |
| 3.4.1 贝叶斯分类 |
| 3.4.2 颜色特征识别 |
| 3.4.3 形状特征识别 |
| 3.4.4 本算法的流程图 |
| 3.4.5 实验结果和分析 |
| 3.5 本章总结 |
| 第4章 基于深度学习的道路识别 |
| 4.1 卷积神经网络的相关内容介绍 |
| 4.1.1 CNN结构的基本组成 |
| 4.1.2 CNN常用的激活函数 |
| 4.1.3 基于卷积神经网络的道路检测 |
| 4.2 生成式对抗网络 |
| 4.2.1 网络整体结构 |
| 4.2.2 网络工作原理 |
| 4.2.3 目前的衍生模型 |
| 4.3 基于生成式对抗神经网络的道路识别 |
| 4.3.1 网络结构 |
| 4.3.2 生成网络与判别网络 |
| 4.3.3 Adam优化器 |
| 4.3.4 训练与测试 |
| 4.3.5 实验结果和分析 |
| 4.3.6 网络优化 |
| 4.4 CNN和 GAN对道路检测的结果对比 |
| 4.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
（9）遥感图像道路提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 论文研究内容及章节安排 |
| 第2章 道路提取的理论基础 |
| 2.1 道路的基本特征 |
| 2.2 图像分割理论 |
| 2.2.1 阈值分割 |
| 2.2.2 区域生长 |
| 2.2.3 边缘检测 |
| 2.3 中值滤波 |
| 2.4 本章小结 |
| 第3章 基于GA-OTSU算法和数学形态学的道路提取 |
| 3.1 改进的最大类间方差阈值分割算法 |
| 3.1.1 遗传算法理论 |
| 3.1.2 改进的GA-OTSU分割方法 |
| 3.1.3 实验结果分析和结论 |
| 3.2 数学形态学理论 |
| 3.2.1 数学形态学概述 |
| 3.2.2 结构元素 |
| 3.2.3 数学形态学的基本运算 |
| 3.3 道路提取实验与结果分析 |
| 3.4 精度评价 |
| 3.5 本章小结 |
| 第4章 基于SVM结合模糊C均值聚类的道路提取方法 |
| 4.1 模糊C均值聚类 |
| 4.2 支持向量机 |
| 4.2.1 线性可分 |
| 4.2.2 非线性可分 |
| 4.3 实验过程及结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历、申请学位期间参与的科研项目及发表的论文 |
| 致谢 |
（10）稀疏算法模型构建及其在遥感高性能计算中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 稀疏表示模型 |
| 1.1.2 遥感图像处理的高性能计算需求 |
| 1.1.3 GPU计算遥感应用 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 稀疏表示模型及遥感领域应用现状 |
| 2.1 稀疏表示概述 |
| 2.2 稀疏表示的多领域应用研究总结 |
| 2.3 稀疏表示数学模型 |
| 2.3.1 稀疏编码 |
| 2.3.2 字典及字典学习 |
| 2.4 稀疏表示模型遥感应用梳理 |
| 2.5 本章小结 |
| 第3章 无监督双稀疏降维模型 |
| 3.1 遥感领域现有降维算法总结与分析 |
| 3.2 无监督双稀疏降维算法设计 |
| 3.3 高光谱稀疏降维实验与分析 |
| 3.3.1 稀疏主成分分析SPCA与 s PCA-r SVD |
| 3.3.2 实验数据 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于上下文的高光谱图像稀疏分类模型 |
| 4.1 基于稀疏表示的高光谱图像分类研究 |
| 4.2 基于上下文的稀疏分类算法设计 |
| 4.2.1 联合稀疏表示模型 |
| 4.2.2 监督字典学习框架 |
| 4.2.3 高光谱分类算法流程 |
| 4.3 高光谱稀疏分类实验与分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设置 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 面向高分二号图像的稀疏表示模型 |
| 5.1 高分二号图像稀疏分类模型构建 |
| 5.1.1 实验区及数据预处理 |
| 5.1.2 改进的稀疏分类算法 |
| 5.1.3 实验设置及结果分析 |
| 5.2 基于稀疏表示的高分二号图像融合算法 |
| 5.2.1 算法原理及数学模型 |
| 5.2.2 算法设计 |
| 5.2.3 实验区域选择 |
| 5.2.4 融合结果评价方式及指标 |
| 5.2.5 实验验证及分析 |
| 5.3 本章小结 |
| 第6章 基于高性能计算平台的扩展及算法并行 |
| 6.1 高性能计算平台 |
| 6.1.1 NBI Manjula集群 |
| 6.1.2 自动并行映射工具Bohrium |
| 6.2 面向稀疏并行的高性能扩展 |
| 6.2.1稀疏存储结构CSR5 |
| 6.2.2 稀疏运算框架Sp GEMM |
| 6.3 LARS算法并行实验 |
| 6.3.1 Bohrium安装与配置 |
| 6.3.2 实验设置及结果 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文研究工作总结 |
| 7.2 论文创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读博士期间发表的论文与研究成果 |
四、数学形态学在遥感图像处理中的应用（论文参考文献）
- [1]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)
- [2]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [3]基于自适应形态学的遥感图像道路提取方法研究[D]. 杨文婷. 兰州交通大学, 2021(02)
- [4]遥感图像河流提取方法研究[D]. 冯魁祥. 长春大学, 2020(01)
- [5]结合笔画宽度变换与卷积神经网络的高分影像道路提取研究[D]. 张霞. 贵州大学, 2020(04)
- [6]基于EMD的多源遥感影像融合的方法研究[D]. 王桢炜. 华北水利水电大学, 2020(01)
- [7]基于自适应形态学的遥感图像地表水体分割方法研究[D]. 文昊天. 兰州交通大学, 2020(01)
- [8]基于生成对抗网络的遥感图像道路识别研究[D]. 鄢文波. 成都理工大学, 2019(07)
- [9]遥感图像道路提取方法研究[D]. 毕旋旋. 桂林理工大学, 2019(05)
- [10]稀疏算法模型构建及其在遥感高性能计算中的应用[D]. 张敬尊. 中国科学院大学(中国科学院遥感与数字地球研究所), 2019(06)