导读:本文包含了遥感影像自动分类论文开题报告文献综述及选题提纲参考文献，主要关键词:空间分辨率,深度学习,遥感分类,GoogleNet
遥感影像自动分类论文文献综述
陈斌,王宏志,徐新良,王首泰,张亚庆[1]（2019）在《深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类》一文中研究指出提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物(不透水层、植被、水体和其他用地)的自动分类提取,并将分类结果与传统最大似然分类(ML)结果进行了对比分析。研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。(本文来源于《测绘通报》期刊2019年06期）
林聪,李二珠,杜培军[2]（2018）在《样本迁移支持下的遥感影像自动分类方法》一文中研究指出迁移学习是运用已有知识对相关的不同领域的问题进行求解的一种机器学习方法,本文结合这一方法,提出了一种基于先验知识的样本自动选取方法,并构建了一套土地覆盖自动分类的算法框架。该方法主要面向Landsat数据,通过图像变化检测技术与光谱形状编码的方法,从源领域中迁移适用的地物类别知识并标记在目标影像中,使用SVM完成基于样本迁移的自动分类流程。结果表明,该方法可以获得可靠的自动分类结果,一定程度上满足遥感信息的大范围提取与长时间序列处理分析的发展需求。(本文来源于《测绘通报》期刊2018年04期）
高洋洋[3]（2017）在《全色遥感影像地物信息自动分类方法研究》一文中研究指出随着我国经济的快速发展,城市化发展政策正在紧锣密鼓的进行当中,因此对土地资源的需求量也在不断提高。利用遥感影像对城市典型地物进行分类提取已经成为现今的主流趋势,利用合适的算法实现对城市典型地物信息的高精度提取是现在最主要的研究课题之一。本文使用“吉林一号”光学A星全色遥感影像,使用基于像元和面向对象这两种分类方法对区域内的建筑、道路、林地及草地四种典型地物进行分类提取研究,主要工作如下:(1)对于基于像元的分类方法,主要研究监督分类法的最小距离法、最大似然法、BP神经网络法和支持向量积法以及非监督分类法的ISODATA算法和K-means算法;(2)对于面向对象分类方法,根据影像的光谱、形状和纹理特征,使用基于Sobel边缘算子的分割技术和基于Full Lambda-Schedule的分割-融合算法对影像进行分割,再分析每种地物的特点利用模糊分类方法建立信息提取规则。(3)研究了混淆矩阵的分类精度评价方法,针对每种算法的分类结果,使用总体分类精度、Kappa系数这两个指标对总体分类精度进行评价,使用错分误差、漏分误差及单类分类成功指数这叁个指标对单类地物的分类精度进行评价。实验结果与数据表明:对于基于像元的分类方法来说,总体分类精度最高的分类方法是监督分类中的最大似然法,总体分类精度为83.8680%,Kappa系数为0.7561,对道路、建筑、草地这叁种地物进行单类提取时,最大似然法的单类分类精度最高,对林地进行单类提取时,支持向量积法的分类精度最高;对于面向对象分类方法来说,总体分类精度为94.4721%,Kappa系数为0.903。总体上,面向对象方法的分类精度都要高于基于像元的分类精度。本文的研究成果对长春的城市化建设发展具有十分重要的指导意义,对“吉林一号”卫星后续获取的影像进行分类处理时也起到一定的借鉴指导作用。(本文来源于《长春理工大学》期刊2017-03-01）
程希萌[4]（2016）在《基于高分遥感影像的灾害目标自动分类技术研究》一文中研究指出我国幅员辽阔,是自然灾害多发国家,灾害的发生给国家和人民造成了重大损失。遥感技术能够对灾区进行大面积同步观测,所得数据客观真实且具有时效性,可以很好的应用到灾情评估及灾后救援过程中。在灾后通过遥感影像分类技术快速提取灾害目标,并对救援工作进行指导,将有效提高救援效率,减少人员伤亡及财产损失。利用传统的目视解译方式进行影像分类,其解译速度较慢,不能满足灾害发生后快速获得分类信息产品的需求。随着科技的发展,越来越多具有高空间分辨率和高时间分辨率的遥感影像可供应用,结合灾情评估应用需求,本研究基于高分辨率影像数据,以灾害目标特征库为基础,实现灾害目标自动分类,最终为灾情快速评估应用服务。本文的研究内容主要包括:(1)灾害目标特征库的研究。基于不同自然灾害特点以及灾情评估应用需求,建立了自然灾害分类体系(地物分类类别),并依此设计了面向灾情评估应用的灾害目标特征库,以便有效存储历史灾害信息,使其可以作为先验知识更好的服务于灾情评估及灾后救援过程。详细论述了灾害目标特征库的总体框架以及具体的物理结构,同时分析研究了特征信息的提取过程。(2)样本自动选择算法的研究。基于灾害目标特征库结构,提出了一种样本自动选择算法,其包含样本初选及样本修正两个环节。详细研究了算法的实现流程,并对时空临近规则以及遥感影像变化检测技术、地物波谱特征等进行分析,同时通过实验对样本自动选择算法进行了验证,证明其可以有效提高分类效率。(3)特征优选及分类算法的研究。在实现样本自动选择的基础上,重点对mRMR特征优选算法进行研究,结合mRMR算法的基本原理,采用3种计算方法实现mRMR特征优选流程,并利用C5.0决策树及K近邻两种监督分类算法基于特征优选结果进行影像分类实验,同时将主成分分析方法与mRMR特征优选算法进行对比。通过实验证明了mRMR算法对影像分类过程的优化效果。(4)灾情快速评估模型的建立与应用示范。基于论文对灾害目标自动分类技术的研究分析,在文章的最后以地震灾害为例进行灾情评估应用示范。结合地震灾害的特点,研究并建立了地震灾情快速评估模型,同时利用云南鲁甸地震灾后无人机影像数据进行灾情快速评估实验,得到的建筑物倒损率、地震烈度、建筑物倒损面积等评估产品均较为准确,由此证明了模型的有效性。(本文来源于《中国地质大学(北京)》期刊2016-05-01）
黄奇瑞[5]（2015）在《基于FCM和SVM的TM遥感影像自动分类算法》一文中研究指出遥感影像分类是遥感信息提取和定量化分析的重要手段,是目前遥感技术研究中的一个热点.以TM遥感影像为研究对象,提出了一种基于模糊C均值聚类和支持向量机的自动分类方法,解决了以往利用SVM等监督分类方法训练样本时需要人工选择样本且样本难以选定的问题,比FCM等非监督聚类算法的分类精度高.该方法首先对待分类的遥感影像用FCM算法进行初始聚类,然后根据聚类后得到的隶属度矩阵设计一种算法,选取其中的混合像元作为标注的训练样本,并送入SVM分类器进行训练.最后通过一块TM遥感影像对该方法进行验证.试验结果表明,该方法减少了人工对分类过程的干预,具有较高的分类效率和分类精度.(本文来源于《华北水利水电大学学报(自然科学版)》期刊2015年04期）
黄奇瑞[6]（2015）在《基于模糊C均值和BP神经网络的遥感影像自动分类算法》一文中研究指出针对非监督分类算法分类精度不高、监督法分类算法的训练样本需要人工选择且容易误选的问题,提出了一种基于模糊C均值聚类(FCM)和BP神经网络相结合的遥感影像自动分类算法。首先利用FCM对影像进行初始聚类,然后根据聚类结果,由该算法自动选取其中的纯净像元作为训练样本,并送入BP网络进行学习,用最终训练得到的BP神经网络分类器对TM遥感影像进行分类,实验结果表明该算法具有较高的分类精度,能够满足大尺度地物类别判定的需要。(本文来源于《南阳理工学院学报》期刊2015年04期）
侯亮,许皓月,蔡海燕,王新栋[7]（2015）在《遥感影像自动分类技术在作物提取中的应用》一文中研究指出结合遥感在相关研究应用中的优势及特点,分析了自动分类技术在作物提取中的应用方法和思路,并讨论了该技术在作物提取工作中的应用前景。(本文来源于《河北农业科学》期刊2015年01期）
曾波,赵展[8]（2015）在《地理国情普查中高分辨率遥感影像自动分类技术研究》一文中研究指出地表覆盖分类是我国地理国情普查的重要内容。地理国情普查要求的地物类别非常细致,对影像分类技术提出了很大的挑战。本文总结了山西省地理国情普查试点中的实践经验,结合面向对象分类技术、人工实地采集分类样本及分层次分类的思想,并加入适当的人工干预过程,提出了一个利用高分辨率遥感影像进行国情监测影像分类的方案。试验表明本文方案能够兼顾作业效率和分类精度,为我国国情普查的工程化作业提供了一条可行的备选技术路径。(本文来源于《测绘通报》期刊2015年01期）
余先川,安卫杰,贺辉[9]（2012）在《基于面向对象的无监督分类的遥感影像自动分类方法》一文中研究指出为了实现无任何先验知识的高分辨率遥感数据的自动分类,并进一步提高自动分类精度和效率,提出了一种基于面向对象的无监督分类方法(Object Oriented Unsupervised Classification).具体步骤如下:首先对遥感影像进行分割,得到一系列空间上相邻、同质性较好的分割单元,然后对分割单元进行特征提取,得到分割单元的对象特征(光谱特征、纹理特征等多特征信息),进而对分割单元进行基于对象特征马氏距离聚类.最后,通过分类后处理(类别合并、错分类别调整等)得到最终的分类结果.通过实验表明:本文提出的方法不仅能够利用影像中更多的特征信息进行聚类而且还可以有效地减少聚类对象的个数,从而使自动分类的精度和效率都得到较大的提升.(本文来源于《地球物理学进展》期刊2012年02期）
夏列钢[10]（2011）在《耦合“图—谱”特征的遥感影像自动分类方法研究》一文中研究指出遥感影像分类是遥感数据处理的核心内容之一,也是土地覆盖分类、资源环境调查等应用的重要基础。随着遥感观测技术的发展和行业应用的深入,分类的自动化程度和结果精度之间的矛盾越来越突出,如何合理解决这一矛盾已逐渐成为各种分类方法研究的主要目标之一。目前的分类方法或多或少需要人工参与,难以适应大数据量、定量化等应用需求。本文提出了完全脱离人工操作的全自动分类的概念,通过结合图谱耦合认知理论与模式识别方法,将遥感分类过程细化为特征学习、模式学习两个过程,在保证分类精度的前提下,初步实现了遥感影像的全自动分类。本文的主要研究工作和成果如下:1.在研究现有分类方法的基础上,建立了遥感影像自动分类体系,具体包括像素级自动分类与对象级自动分类,分别对应不同空间分辨率多光谱数据的自动化分类。2.分别以改进的光谱匹配技术提高谱特征提取的精度,以形状匹配技术与非线性回归实现图特征的精确提取,从而实现了自动化分类中关键的样本自动选取过程。3.通过模糊支撑向量机(Support Vector Machine,SVM)分类方法与带有隶属度的自动样本相结合,实现了模式学习过程的定量化控制,提高分类结果的精度。4.建立了多层次迭代分类模型实现“图-谱”特征的耦合,同时构建知识融入机制以不断优化最终分类结果。5.根据上述自动化分类方法开发了原型系统,并在不同区域的土地覆盖分类中得到了应用,取得了较好的效果。虽然从自动分类概念的提出到系统的开发应用已经取得了不少成果,但是当前的研究中还存在较多不足,如分类过程中没有考虑尺度因素对于影像特征、类型的影响,在深入研究过程中需要特别注意,同时还需要提高先验知识库的科学性与适用性,另外将多分类器结合迭代分类模型等方面也需要进一步研究。(本文来源于《浙江工业大学》期刊2011-06-07）
遥感影像自动分类论文开题报告
（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：
迁移学习是运用已有知识对相关的不同领域的问题进行求解的一种机器学习方法,本文结合这一方法,提出了一种基于先验知识的样本自动选取方法,并构建了一套土地覆盖自动分类的算法框架。该方法主要面向Landsat数据,通过图像变化检测技术与光谱形状编码的方法,从源领域中迁移适用的地物类别知识并标记在目标影像中,使用SVM完成基于样本迁移的自动分类流程。结果表明,该方法可以获得可靠的自动分类结果,一定程度上满足遥感信息的大范围提取与长时间序列处理分析的发展需求。
（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。
遥感影像自动分类论文参考文献
[1].陈斌,王宏志,徐新良,王首泰,张亚庆.深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类[J].测绘通报.2019
[2].林聪,李二珠,杜培军.样本迁移支持下的遥感影像自动分类方法[J].测绘通报.2018
[3].高洋洋.全色遥感影像地物信息自动分类方法研究[D].长春理工大学.2017
[4].程希萌.基于高分遥感影像的灾害目标自动分类技术研究[D].中国地质大学(北京).2016
[5].黄奇瑞.基于FCM和SVM的TM遥感影像自动分类算法[J].华北水利水电大学学报(自然科学版).2015
[6].黄奇瑞.基于模糊C均值和BP神经网络的遥感影像自动分类算法[J].南阳理工学院学报.2015
[7].侯亮,许皓月,蔡海燕,王新栋.遥感影像自动分类技术在作物提取中的应用[J].河北农业科学.2015
[8].曾波,赵展.地理国情普查中高分辨率遥感影像自动分类技术研究[J].测绘通报.2015
[9].余先川,安卫杰,贺辉.基于面向对象的无监督分类的遥感影像自动分类方法[J].地球物理学进展.2012
[10].夏列钢.耦合“图—谱”特征的遥感影像自动分类方法研究[D].浙江工业大学.2011