导读:本文包含了高分辨率遥感影像分割论文开题报告文献综述及选题提纲参考文献，主要关键词:多任务学习,建筑物提取,深度神经网络,实例分割
高分辨率遥感影像分割论文文献综述
惠健,秦其明,许伟,隋娟[1]（2019）在《基于多任务学习的高分辨率遥感影像建筑实例分割》一文中研究指出针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性,将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割,在获取建筑物二分类结果的同时,区分不同建筑物个体,并选择Inria航空影像数据集对该方法进行验证。结果表明,在高分辨率遥感影像的建筑物二分类提取方面,基于Xception module改进的U-Net方法明显优于U-Net方法,提取精度升高1.4%;结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割,而且可将二分类建筑物的提取精度提升约0.5%。(本文来源于《北京大学学报(自然科学版)》期刊2019年06期）
张寅丹,王苗苗,陆海霞,刘勇[2]（2019）在《基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究》一文中研究指出基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2)进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明:①相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;②非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43～4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。(本文来源于《地球信息科学学报》期刊2019年09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）
李军军,曹建农,廖娟,程贝贝,朱莹莹[4]（2019）在《多尺度对象高空间分辨率遥感影像谱聚类分割》一文中研究指出针对基于像素模型的单尺度或多尺度谱聚类影像分割方法在相似矩阵存储、特征分解效率及分割精度方面存在的不足。该文首先通过给定多组空间及光谱带宽参数,利用mean-shift初分割生成不同尺度的超像素对象层;然后联合像素与超像素对高空间分辨率影像中的不同类别地物进行的多尺度建模表达其空间拓扑关系,即在图割理论框架下建立"像素-超像素"联合的多尺度无向权图模型G(V,E,W),同时根据遥感影像纹理特征丰富的特点,在顶点相似性计算过程中融合纹理特征;最后使用基于normalized cut准则的谱聚类算法,对图模型划分得到最终分割结果。该方法较好地降低了基于像素的谱聚类分割方法的计算复杂度,同时提高分割结果准确率。标准测试数据集和"高分2号"遥感影像分割结果表明了该方法的有效性。(本文来源于《测绘科学》期刊2019年10期）
汪志文[5]（2019）在《基于深度学习的高分辨率遥感影像语义分割的研究与应用》一文中研究指出高分辨率遥感影像是诸多遥感影像数据类型中的一种,根据拍摄高度不同,又分为航天和航空遥感影像。它具有地物几何与属性细节信息丰富、目视效果直观等特点,在军事、民用等领域具有广泛应用。在环境评价、灾害评估、林业测量、精细农业、城市规划、地图的生产与更新、变化检测和军事目标识别等应用中,需要对高分辨率遥感影像利用视觉识别的方法进行场景解析。语义分割是其中一种解析图像场景的方法,它通过为图像的每一个像素标注语义的标签,能够同时完成图像像素分类和图像目标分割两个过程。由于高分辨率遥感影像上存在“同物异谱”与“异物同谱”等固有现象,这是运用传统方法进行语义分割时精度较低的主要原因。最近几年,图像语义分割主要是通过深度学习的方式来实现,然而深度学习在高分辨率遥感影像中的研究与应用并不多。因此本论文基于深度学习的相关算法,深入研究了高分辨率遥感影像的语义分割,主要完成工作如下:(1)建立高分辨率遥感影像语义分割数据集:针对时序变化图像语义分割任务,本文自建了拥有新增建筑物作为语义标签的遥感影像语义分割数据集。同时详细介绍了建立遥感影像数据集的相关过程,包括数据集采集、人工标注、图像预处理、数据集划分四个部分。最后针对本文实验所使用的叁个原始数据集进行了六种数据增广。(2)解决单张遥感影像语义分割精度较低的问题:通过对基于FCN的图像语义分割方法进行剖析,发现其使用的简单的拼接融合操作在分割精度上提升有限。在此基础上,本文提出了一种基于DenseNet的特征金字塔语义分割网络DenseFPN,该网络有叁个优势:第一、特征提取部分使用DenseNet结构完成,通过密集连接的方式,增强了网络的特征提取能力;第二、融合部分使用特征金字塔结构完成,通过设计的优化单元使得各层级特征的利用度相同,再使用拼接单元融合各层级的特征,增强了网络的空间信息恢复能力;第叁、使用迁移模型提升网络的性能。本文将DenseFPN网络在城市遥感影像数据集、遥感影像道路提取数据集上进行了实验优化验证,分别取得了82.2%和86.8%的较好精度,相比于FCN精度分别提升了 14.0%和15.4%。此外该网络在小尺寸目标上表现最好,在汽车的语义分割上更是提升了3 0.9%。(3)针对时序变化图像语义分割,解决了传统方案步骤分离、标注量大、结果噪音大的问题:本文设计了时序变化图像语义分割网络DAUnet,该网络是一个端到端的框架,且标注量小,无作差带来的噪音。DAUnet需要让时序图像以拼接的形式输入,该网络主要包括编码过程、多尺度融合过程以及解码过程叁个部分。它做了以下叁种改进:第一、通过DenseNet和扩张卷积组合提高了网络的特征提取能力和保持了特征图的分辨率不变;第二、通过在ASPP中并联更多单元来丰富特征融合的多样性;第叁、在Unet解码器中使用1×1卷积降低了特征图的数量,从而减少计算量。基于自建的时序变化建筑物提取数据集,使用DAUnet语义分割网络对新增的建筑物进行识别,并得到其轮廓,最终提取的新增建筑物的IOU为79.5%,叁种改进的精度分别提升了 14.6%、2%、0.7%。(本文来源于《北京邮电大学》期刊2019-06-02）
何江,刘勇[6]（2019）在《基于多层次分割及形状因子优化的高分辨率遥感影像城市建筑物和道路提取研究》一文中研究指出最近20年来,遥感技术取得了飞速发展,遥感数据产品空间分辨率不断提高并加速累积并呈现出海量化的特点。如何高效地利用高分辨率遥感数据,快速提取建筑物和道路信息,已成为遥感领域普遍关注的热点问题[1]。本文探索基于多层次分割分类体系构建方法,通过引入新的形状因子,更好地解决了目标地物分析中的"异物同谱"问题。实验表明,本方法可以有效地降低对地物光谱特征的依赖,提高分类精度,满足自动制图要求。(本文来源于《测绘技术装备》期刊2019年01期）
王春艳[7]（2019）在《基于区间二型模糊理论的高分辨率遥感影像分割方法研究》一文中研究指出影像分割是遥感影像处理(如特征提取、目标辨识、地物目标分类)的基础工作和重要任务。高分辨率遥感影像所具有的更加丰富的地表覆盖细节信息为精准地物目标分割提供了充分的依据。然而,更加精细的空间尺度、复杂多样的地物目标及真实地表覆盖信息的缺乏,增加了像素类属的不确定性和分割决策的不确定性,给高分辨率遥感影像分割带来了新问题,导致高分辨率遥感(本文来源于《测绘学报》期刊2019年01期）
王忠芳,陈刚,于丙辰,张宪哲[8]（2018）在《南海岛礁高分辨率遥感影像最优分割尺度确定》一文中研究指出以南海岛礁为研究区,以高分辨率遥感影像为数据源,通过加权均值方差法和最大面积法确定了岛礁上各类典型地物的最优分割尺度,不仅考虑了影像分割的尺度参数,而且考虑了形状和紧密度参数。结果表明,建筑物的最优分割尺度为37~39;草地的最优分割尺度为39;道路和森林的最优分割尺度为47;沙地的最优分割尺度为43~45。各类地物的最优分割尺度对于提高海岛礁土地利用遥感分类,加强海岛礁动态监测具有重要作用。(本文来源于《地理空间信息》期刊2018年11期）
李军军,曹建农,程贝贝,廖娟,朱莹莹[9]（2019）在《联合像素与多尺度对象的高分辨率遥感影像谱聚类分割》一文中研究指出建立了融合多尺度信息的图模型,同时,为了顾及对象的局部统计特性,改进了基于对象的顶点间相似度计算方法。在图模型的基础上完成相似矩阵计算,并使用归一化分割准则对相似矩阵特征进行分解,将原始数据映射到低维子空间。最后,对特征筛选后的子集使用聚类算法完成影像分割。为了验证本文方法的有效性,选取高空间分辨率遥感影像进行实验并与目前分割精度较高的算法做定量化对比。实验结果表明:在4项实验指标中,除一项基本持平外,其他3项指标优于其他算法,证明了本文方法在高分辨率遥感影像分割中的有效性。(本文来源于《吉林大学学报(工学版)》期刊2019年06期）
吕野,胡翔云[10]（2018）在《利用增量式马尔科夫随机场分割提取高空间分辨率遥感影像道路》一文中研究指出利用遥感影像进行道路提取,能够及时提供道路更新数据。高空间分辨率遥感影像中的道路成面状,且具有复杂的道路特征。其中,车流、道路线和行人等其他非道路因素的干扰会使道路的特征变化变得复杂,对道路提取造成困难。为此,利用高斯混合模型与马尔科夫随机场模型进行前景、背景模型估计与路面区域分割,以克服路面干扰因素的影响。由于道路贯穿于遥感影像,远离道路区域的影像对道路提取并无用处,故利用局部增量式分割方法确定道路提取有效区域,在其内部进行更精确的路面提取。实验结果表明,该方法效果明显有效。(本文来源于《国土资源遥感》期刊2018年03期）
高分辨率遥感影像分割论文开题报告
（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：
基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2)进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明:①相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;②非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43～4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。
（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。
高分辨率遥感影像分割论文参考文献
[1].惠健,秦其明,许伟,隋娟.基于多任务学习的高分辨率遥感影像建筑实例分割[J].北京大学学报(自然科学版).2019
[2].张寅丹,王苗苗,陆海霞,刘勇.基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究[J].地球信息科学学报.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].李军军,曹建农,廖娟,程贝贝,朱莹莹.多尺度对象高空间分辨率遥感影像谱聚类分割[J].测绘科学.2019
[5].汪志文.基于深度学习的高分辨率遥感影像语义分割的研究与应用[D].北京邮电大学.2019
[6].何江,刘勇.基于多层次分割及形状因子优化的高分辨率遥感影像城市建筑物和道路提取研究[J].测绘技术装备.2019
[7].王春艳.基于区间二型模糊理论的高分辨率遥感影像分割方法研究[J].测绘学报.2019
[8].王忠芳,陈刚,于丙辰,张宪哲.南海岛礁高分辨率遥感影像最优分割尺度确定[J].地理空间信息.2018
[9].李军军,曹建农,程贝贝,廖娟,朱莹莹.联合像素与多尺度对象的高分辨率遥感影像谱聚类分割[J].吉林大学学报(工学版).2019
[10].吕野,胡翔云.利用增量式马尔科夫随机场分割提取高空间分辨率遥感影像道路[J].国土资源遥感.2018