导读:本文包含了高光谱遥感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:融合,湿地,GF-5,多光谱
高光谱遥感影像论文文献综述
任凯,孙伟伟,孟祥超,杨刚[1]（2019）在《GF-5高光谱遥感影像的数据融合对比分析》一文中研究指出湿地是珍贵的自然资源,也是重要的生态系统,有着不可替代的综合功能,具有物质生产、气候调控、水分调节、净化大气、维持生物多样性等功能,近年来,随着湿地的破坏不断加大,湿地的监测和保护至关重要。遥感作为一种重要的技术手段,可对湿地进行大范围的精细监测。近年来高光谱卫星发展尤为迅速,GF-5卫星是由中国设计并于2018年5月发射的一颗高光谱卫星传感器,可用于同时观察陆地和大气,为地表监测提供了重要数据来源。GF-5高光谱数据提供330个光谱带,空间分辨率为30米,条带宽度达60公里。与世界上其它高光谱传感器相比,GF-5传感器具有明显的优势。通过图像融合方法,可以将高光谱数据与多光谱数据进行融合,得到同时具有高空间分辨率与高光谱分辨率的图像数据,可应用于湿地精细分类与监测,拓展高光谱数据的应用范围。当前图像融合方法主要包括四大类:1)成分替换方法(CS)、2)多分辨率分析方法(MRA)、3)基于子空间的方法、4)基于图像映射的方法。为了验证不同融合方法在GF-5真实数据之中的融合性能,为GF-5数据的后续融合应用提出指导性建议,本次实验采用了当前可获得的八种融合方法,包括:GSA、MTF-GLP、SFIM、CNMF、LANARAS、FUSE、MAP-SMM和HCM。并且采用了GF-1、GF-2和哨兵-2A多光谱数据分别与GF-5数据进行融合。对比结果显示:1) GSA与MTF-GLP具有稳定的融合性能,基于子空间的融合方法对不同数据的融合性能不同,HCM在数据融合性能较差。2)当GF-5与GF-1数据融合时,GSA、LANARAS、MTF-GLP取得了最好的融合效果;当GF-5与GF-2数据融合时GSA、FUSE、MTF-GLP具有最稳定的融合性能;当GF-5与哨兵-2A数据融合时,GSA、MTF-GLP、SFIM和CNMF取得了最好的融合效果。(本文来源于《浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集》期刊2019-10-25）
宋海峰,杨巍巍[2]（2019）在《基于Multi-CNN空间特征提取的高光谱遥感影像分类》一文中研究指出在遥感影像处理领域,对高光谱遥感影像分类处理的需求日益增长,由于大量的高光谱遥感影像训练样本获得较难,使得卷积神经网络不适合应用到高光谱遥感影像分类中。针对此问题,文中提出一种基于Multi-CNN空间特征提取的高光谱遥感影像分类模型,该模型将原始高光谱遥感影像作为输入,最终的分类结果作为输出;自动从不同的尺度提取输入数据的空间特征;解决获得大量有标记高光谱遥感影像训练样本的棘手问题;通过伊春凉水林场数据集上的实验结果表明,文中建立的分类模型,在分类正确率上优于其他分类模型,分类正确率达到92.31%。(本文来源于《测绘工程》期刊2019年06期）
黄鸿,石光耀,段宇乐,张丽梅[3]（2019）在《加权空-谱联合保持嵌入的高光谱遥感影像降维方法》一文中研究指出高光谱遥感影像数据量大、波段数多,容易导致"维数灾难"。传统流形学习方法一般仅考虑其光谱特征,忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入(WSCPE)的维数约简算法。首先采用加权均值滤波(WMF)方法对高光谱影像进行滤波,以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性,通过采用加权空-谱联合距离(WSCD)来融合像素点的光谱信息和空间信息,有效选取各像素点的空-谱近邻,并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构,提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明,总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时,有效融合了影像的空间-光谱信息,故能提高影像特征的鉴别性,并提升分类性能。(本文来源于《测绘学报》期刊2019年08期）
张辉,刘万军,吕欢欢[4]（2019）在《小波核局部Fisher判别分析的高光谱遥感影像特征提取》一文中研究指出为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.(本文来源于《模式识别与人工智能》期刊2019年07期）
赵扬,杨清洁[5]（2019）在《基于改进的叁维卷积神经网络的高光谱遥感影像分类技术研究》一文中研究指出高光谱遥感影像数据具有多样化的光谱信息和空间信息,然而传统的高光谱影像分类只是针对目标的光谱特征进行处理。基于叁维空间滤波操作可以作为一种简单高效的提取高光谱影像光谱和空间特征的方式,基于此提出一种改进的叁维卷积神经网络框架以实现更加准确的高光谱遥感影像分类。利用高光谱遥感影像数据立方体有效地提取光谱-空间组合特征,而不依赖于任何预处理或后期处理。另外,与其他传统的基于深度学习的方法相比,该方法去除了池化层,从而达到所需参数更少,模型规模更小,更容易训练的效果。将该方法与其他基于深度学习的高光谱遥感影像分类方法进行了比较,并使用两个真实场景的高光谱遥感影像数据集作为测试。实验结果表明,该方法在地物分类准确度方面较传统的基于深度学习的高光谱遥感影像分类方法取得了更好的分类效果。(本文来源于《信息技术与网络安全》期刊2019年06期）
李冠东,张春菊,高飞,张雪英[6]（2019）在《双卷积池化结构的3D-CNN高光谱遥感影像分类方法》一文中研究指出目的高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN(3D convolutional neural network)能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法双卷积池化结构包括两个卷积层、两个BN(batch normalization)层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果实验对比了SVM(support vector machine)、SAE(stack autoencoder)以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99. 65%和99. 82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。(本文来源于《中国图象图形学报》期刊2019年04期）
万欢,孙昕,周浩澜,王长委[7]（2019）在《基于决策树的无人机高光谱遥感影像地物分类研究》一文中研究指出高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。(本文来源于《河北农业科学》期刊2019年01期）
甘乐[8]（2019）在《高光谱遥感影像稀疏表示与字典学习分类研究》一文中研究指出稀疏表示作为一种新型数据挖掘技术,能够有效地挖掘影像中各种类型的稀疏特性,已被广泛应用于高光谱遥感影像分类。但是,基于单一特征的稀疏表示模型不能有效地挖掘影像中蕴含的丰富的稀疏特性,且每种单一特征关联的不同非线性结构特征同样蕴含丰富的稀疏特性,充分地挖掘不同特征的稀疏模式和不同非线性结构特征的稀疏模式有助于增强地物的可分离性。此外,通过标注像元直接构建的字(本文来源于《地理与地理信息科学》期刊2019年01期）
赵自雨[9]（2018）在《基于DBN的高光谱遥感影像分类方法研究》一文中研究指出随着高光谱遥感成像技术的飞快发展,高光谱数据维度不断增加。在面对高光谱数据多维度、非线性、数据量大的特点下,如何从其中挖掘特征信息并实现数据分类,成为了高光谱遥感图像解译处理中的重要问题。作为应用在图像识别方面取得成功算法,深度置信网络具有小样本学习、高维空间、非线性等特点,成为高光谱遥感影像分类的一个研究热点。本课题尝试将深度置信网络应用在高光谱数据分类中,利用其深度学习的优势去解决高光谱数据分类问题。首先对深度学习中的深度置信网络理论架构做了研究,构建了支持深度置信网络的Matlab算法,并通过该平台实现了高光谱数据的特征提取和数据分类,最后对高光谱数据与机载雷达数据进行了融合并利用模型分类和分类后评价。在分析深度置信网络(Deep Belief Network,DBN)的基础上,研究基于深度置信网络的高光谱数据分类方法,通过实验证明,采用信息熵的方法确定针对不同数据的网络模型最佳隐含层层数分类精度最高。针对具有较多波段数的机载高光谱影像,提出了一种基于马氏距离波段选择方法,通过该方法剔除了冗余的波段,实现了数据的降维。高光谱数据中同时包含光谱和空间信息,分别从光谱、空间和光谱-空间叁个特征空间对数据处理分析,并和支持向量机分类进行了结果对比,实验表明,两种分类器利用光谱-空间特征的分类结果均好于单一特征的分类结果,在分类精度上DBN分类器高于SVM分类器3.78%。此外,为充分证明DBN模型对特征挖掘的能力,利用该模型实现了对机载高光谱影像与机载雷达影像的融合数据的分类,结果表明DBN分类效果好于SVM分类效果,同时融合数据的分类精度也高于高光谱数据的分类结果。(本文来源于《华北理工大学》期刊2018-12-01）
陈志坤[10]（2018）在《基于改进滤波算法的高光谱遥感影像特征提取研究》一文中研究指出高光谱遥感影像可以提供数十甚至数百含有丰富地球表面的波段信息。从这些信息中,有效提取特征信息,对于地物识别、场景理解、目标检测等诸多相关领域的研究具有非常重要的意义。然而高光谱遥感影像为数据分析提供丰富的有用波段信息的同时,也为高光谱遥感影像分析处理带来许多问题和挑战:(1)噪声问题。高光谱遥感影像在获取过程中,受到传感器、大气、光照变化等因素的影响,影像常会存在大量复杂噪声,使波段信息严重失真,不利于特征信息的有效提取;(2)小样本问题。高光谱遥感影像真实地物标签获取成本高和难度大,不容易采集到大量的标签样本用于训练模型,常会出现仅有少量标签样本可用于高光谱遥感影像分类的高挑战性问题,这种在样本数目稀少情况下实现高光谱遥感影像精细分类的问题,称之为小样本问题。(3)跨区域混合问题。高光谱遥感影像在去噪过程中由于空间分辨率小和地物分布复杂,将经常发生跨区域混合,即除目标地物特征外还混合有其他地物特征,此时,执行去噪任务,将受到跨区域混合影响,使输出影像产生模糊区域,从而影响高光谱遥感影像的特征提取。为此,本文开展了基于改进滤波算法的高光谱遥感影像特征提取研究,在高光谱遥感影像的噪声问题处理、小样本问题处理和跨区域混合问题处理等方面的研究取得了创新性成果:(1)分类优选双边滤波算法及高光谱遥感影像噪声处理针对传统双边滤波在去噪过程中,模板内将会对空间距离近的非相似结构像素分配较大权重,降低去噪效果,影响高光谱遥感影像的特征提取的问题,提出了分类优选的双边滤波改进算法,解决双边滤波去噪效果不理想的问题。该算法通过在双边滤波模板内分类优选,选出结构相似像素生成新模板,排除非结构相似像素对滤波去噪的影响,确保选取的像素应用于权重分配时,构建新的像素具有更好的特征,增强高光谱遥感影像去噪功能,从而更有效地提取影像特征。实验结果表明分类优选的双边滤波提取高光谱遥感影像特征方法即简单又有效。(2)叁边平滑滤波算法及高光谱遥感影像噪声处理针对传统双边滤波在高光谱遥感影像去噪过程中,邻域中心像素点是噪声点时,双边滤波不能很好地提取高光谱遥感影像特征的问题,提出基于叁边平滑滤波的特征提取方法。该方法在双边滤波的基础上,加入邻域均值相似性判断函数,解决双边滤波在高光谱遥感影像中空间临近测度函数对噪声不敏感以及邻域中心为噪声点时,灰度相似度测量函数不能很好的表达像素之间的实际相似性的问题。结果表明,基于叁边平滑滤波的特征提取方法去噪能力强,提取的高光谱遥感影像特征可有效的保留空间特征信息和光谱特征信息,提高了分类器的分类精度。(3)超像素双边滤波算法及高光谱遥感影像小样本处理针对高光谱遥感影像光谱信息维度大,标签训练样本较少的问题,通过使用超图像像素改进双边滤波,提取更接近真实地物的本质特征,从而解决高光谱遥感影像小样本问题。双边滤波对高光谱遥感影像进行去噪时,一方面,如果非结构相似像素和目标像素的距离较近,有可能比结构相似而距离远的像素对输出值影响大,这将局限了双边滤波对非结构相似像素加权限制的作用。同时,虽然双边滤波通过加权对非相似结构像素进行限制,但依然会对非结构像素进行权重分配,非结构像素对输出值依然有影响。另一面,高光谱遥感影像特性与一般的图像特性不同,高光谱遥感影像存在许多同质区域,在每个区域内的像素更可能是结构相似的,使用邻域结构相似像素可以增强目标像素的特征。根据双边滤波存在的局限问题和高光谱遥感影像的特性,如果将高光谱遥感影像的同质区域进行合理分割,然后使用双边滤波分别对同质区域进行过滤处理,将极大的提高双边滤波对非结构相似像素的限制作用,从而使双边滤波提取的高光谱遥感影像特征更明显,更具可分性。由此,本文在双边滤波的基础上,提出超像素双边滤波特征提取算法,通过结合超像素分割算法和双边滤波,提取高光谱遥感影像光谱中的空间和光谱特征,使获得的特征更明显,从而实现小样本在保留原有维度的情况下,能获得高的分类精度。实验结果表明基于超像素双边滤波的高光谱遥感影像特征提取方法在小样本分类问题上得到了突破,提高了分类器的分类性能。(4)传播滤波算法及高光谱遥感影像跨区域混合处理针对高光谱遥感影像在去噪过程中由于空间分辨率小的限制和地物分布的复杂性,常会发生跨区域混合的问题。本文引入传播滤波,在遇到跨区域混合时,不分配或者尽可能小的分配跨区域混合像素的权重,从而避免或者有效减缓跨区域混合的影响。结果表明,基于传播滤波的特征提取方法有效地解决了跨区域混合问题,提高了分类器的分类精度。(本文来源于《中国地质大学》期刊2018-11-01）
高光谱遥感影像论文开题报告
（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：
在遥感影像处理领域,对高光谱遥感影像分类处理的需求日益增长,由于大量的高光谱遥感影像训练样本获得较难,使得卷积神经网络不适合应用到高光谱遥感影像分类中。针对此问题,文中提出一种基于Multi-CNN空间特征提取的高光谱遥感影像分类模型,该模型将原始高光谱遥感影像作为输入,最终的分类结果作为输出;自动从不同的尺度提取输入数据的空间特征;解决获得大量有标记高光谱遥感影像训练样本的棘手问题;通过伊春凉水林场数据集上的实验结果表明,文中建立的分类模型,在分类正确率上优于其他分类模型,分类正确率达到92.31%。
（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。
高光谱遥感影像论文参考文献
[1].任凯,孙伟伟,孟祥超,杨刚.GF-5高光谱遥感影像的数据融合对比分析[C].浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集.2019
[2].宋海峰,杨巍巍.基于Multi-CNN空间特征提取的高光谱遥感影像分类[J].测绘工程.2019
[3].黄鸿,石光耀,段宇乐,张丽梅.加权空-谱联合保持嵌入的高光谱遥感影像降维方法[J].测绘学报.2019
[4].张辉,刘万军,吕欢欢.小波核局部Fisher判别分析的高光谱遥感影像特征提取[J].模式识别与人工智能.2019
[5].赵扬,杨清洁.基于改进的叁维卷积神经网络的高光谱遥感影像分类技术研究[J].信息技术与网络安全.2019
[6].李冠东,张春菊,高飞,张雪英.双卷积池化结构的3D-CNN高光谱遥感影像分类方法[J].中国图象图形学报.2019
[7].万欢,孙昕,周浩澜,王长委.基于决策树的无人机高光谱遥感影像地物分类研究[J].河北农业科学.2019
[8].甘乐.高光谱遥感影像稀疏表示与字典学习分类研究[J].地理与地理信息科学.2019
[9].赵自雨.基于DBN的高光谱遥感影像分类方法研究[D].华北理工大学.2018
[10].陈志坤.基于改进滤波算法的高光谱遥感影像特征提取研究[D].中国地质大学.2018