导读:本文包含了地物轮廓论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,目标检测,轮廓提取,遥感影像
地物轮廓论文文献综述
张晓东,张力飞,陈关州,朱坤[1]（2019）在《基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型》一文中研究指出随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。(本文来源于《测绘地理信息》期刊2019年06期）
王东航,周斌,张辉,明德烈[2]（2019）在《基于循环一致生成对抗网络的地物主轮廓提取方法》一文中研究指出遥感图像的地物轮廓提取在实际生产生活中有重要的意义。论文采用以深度残差网络作为生成器,深度卷积神经网络作为判别器,采用循环一致生成对抗网络的训练方式,训练出一个可以用来提取地物轮廓的生成网络。该训练方法可以不使用严格对齐的训练图对。论文采用了灰度图和梯度强度图作为生成器的输入,对比分析了两种输入方法的效果和性能,验证了网络的泛化能力。(本文来源于《计算机与数字工程》期刊2019年11期）
邓凯[3]（2018）在《顾及遥感影像特征的面状地物轮廓简化》一文中研究指出在获取面状地物基础轮廓的前提下,由人类视觉点出发,提取面状地物的边缘、纹理等特征,将其作为优化目标,使用多目标遗传算法对面状地物进行简化。实验结果表明:提出的算法顾及影像特征,弥补了传统轮廓简化算法的不足,使其简化后的结果更加符合人类视觉,为后续的分析、操作提供更好的数据。(本文来源于《传感器与微系统》期刊2018年07期）
张婷[4]（2018）在《基于轮廓波DCGAN的极化SAR图像地物分类》一文中研究指出在科技日益进步的今天,各个行业对遥感影像技术的需求日益增加。极化合成孔径雷达(Synthetic Aperture Radar,SAR)作为遥感影像技术中最受青睐的技术,有很多优势,如全天候、全天时、分辨率高、可侧视成像等。极化SAR图像富含丰富的极化信息,具有研究价值。极化SAR图像地物分类是研究极化SAR图像的基本有效方式,而且也是极化SAR图像应用的重要组成部分。但是,传统的极化SAR图像地物分类技术已经不能满足人们的需求。深度学习是近年来的研究热点,模拟人类大脑皮层,具有强大的特征表示能力。本论文研究将深度学习中深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)模型应用于极化SAR影像地物分类领域以提高极化SAR图像地物分类精度及可靠性,从而促进极化SAR图像地物分类的发展。本文主要研究内容如下:1.针对人工标记数据困难的问题提出了一种基于DCGAN的极化SAR图像地物分类方法。本方法利用大量无标记样本对DCGAN进行无监督训练。DCGAN能够从大量无标记数据样本中学习出数据的分布特性,因此本方法在有标记训练样本较少的情况下仍可以达到很高的分类精度。五组数据被用来进行了实验,然后分别用五种其他方法进行了对比。实验结果证明了本方法利用大量无标记数据的信息,只用少量有标记样本能够达到很高的分类精度,而且得到了视觉效果很好的分类结果图。2.从多尺度分析着手,提出了一种基于Contourlet-DCGAN的极化SAR图像地物分类方法。该方法主要对DCGAN进行改进,引入轮廓波(Contourlet)变换,提出了Contourlet-DCGAN模型。该模型不仅利用大量无标记数据信息,而且添加Contourlet变换对极化SAR图像进行稀疏表示,提取了图像的边缘、纹理特征。最后,用不同分辨率和平台的数据进行了实验,并对比了其他方法。实验结果证明了本方法提取了多尺度、多分辨特征,能提高分类精度。3.针对网络模型复杂的问题,提出了一种基于Contourlet Depthwise-DCGAN的极化SAR图像地物分类方法。本方法主要根据深度可分卷积的思想提出了深度可分反卷积,然后将Contourlet-DCGAN模型中的标准卷积用深度可分卷积替换,而标准反卷积都用深度可分反卷积替换,构成了Contourlet Depthwise-DCGAN模型。最后,用五组数据和不同的对比实验进行了验证,实验结果验证了该方法不仅减小了模型复杂度,避免了过拟合风险,同时提高了特征表示能力,进而提高了分类精度。(本文来源于《西安电子科技大学》期刊2018-06-01）
马丽媛[5]（2017）在《基于深度轮廓波卷积神经网络的遥感图像地物分类》一文中研究指出本文主要研究基于深度轮廓波卷积神经网络的遥感图像地物分类问题。深度卷积神经网络是一种可以直接处理图像块的前馈神经网络,能够引入像素空间相关性,减弱相干斑影响、提升分类精度。将深度卷积神经网络延拓至复数域进行运算,可充分利用遥感图像的相位信息,构造得复数卷积神经网络。轮廓波变换用不同尺度上的不同方向的子带来逼近图像,能更好的捕捉图像的内部几何结构,获得判别特征。以复数卷积神经网络为基础,引入轮廓波变换构造多尺度深度学习模型,可有效解决背景复杂的遥感图像分类问题。主要工作如下:1.提出了一种基于非下采样轮廓波卷积神经网络的遥感图像分类方法。该方法通过深度卷积神经网络实现图像分类,并用非下采样轮廓波滤波器替换深度卷积神经网络第一个卷积层中的滤波器,构造非下采样轮廓波卷积神经网络,得到具有多方向、多尺度、多分辨特性的特征。该模型在遥感图像上取得了很好的分类效果。样本数目较少时,优势明显。2.提出了一种基于Contourlet-CNN(轮廓波-卷积神经网络)的遥感图像分类方法。由非下采样轮廓波滤波器和Gabor滤波器构造得到多尺度深度轮廓波滤波器组,并替换深度卷积神经网络第一个卷积层中的滤波器得到多尺度深度学习模型,将其命名为Contourlet-CNN。该模型是一种双通道融合框架。相比于深度卷积神经网络,Contourlet-CNN能够获取更为鲁棒的判别特征,并可以更高效的调整模型参数。3.提出了一种基于复数轮廓波卷积神经网络的遥感图像分类方法。在复数域上重新定义深度卷积神经网络中卷积层、下采样层、归一化层和全连接层的运算规则,得到复数卷积神经网络。用多尺度深度轮廓波滤波器组替换复数卷积神经网络第一个复数卷积层中的滤波器,将构造得到的多尺度深度学习模型命名为复数轮廓波卷积神经网络。该模型可以提取具有多方向、多尺度、多分辨特性的幅度特征和相位特征,有效提高遥感图像的分类精度。(本文来源于《西安电子科技大学》期刊2017-06-01）
沈伟[6]（2008）在《高分辨率遥感影像分割及地物轮廓提取方法研究》一文中研究指出随着空间技术和信息技术的飞速发展,高分辨率遥感卫星已经为人类提供了大量的高清晰度遥感卫星影像。高分辨率遥感影像使得在较小的空间尺度上观察地表细节变化。人们对地理信息的要求不断提高,使得高分辨率遥感信息提取的重要性也日趋凸显。当前,针对高分辨率遥感影像分割及地物轮廓提取研究已成为高分辨率遥感应用的关键课题,围绕这个课题,本文进行了如下研究:(1)分析了高分辨率遥感影像的特点及高分辨率遥感影像分割提取的关键。阐述并以试验证明了基于像素光谱特征分割方法的局限性。(2)试验研究了面向对象的多尺度分割算法,利用eCognition软件,对试验图像进行多尺度分割,得出了对于试验图像中建筑物和道路轮廓信息提取的最佳尺度参数。(3)试验研究了基于置信度的Meanshift算法、ACM算法,将这两种算法应用于高分辨率遥感影像的分割。对不同类别人工地物的轮廓信息提取进行了组合试验,分析了它们在提取地物轮廓信息中的优缺点。(4)通过多种方法分割、多次试验,对比文中使用的分割算法分割效果,并统计分析建筑物和道路轮廓信息的提取效果,对统计的结果作出评价。(5)通过对比发现:面向对象的多尺度分割算法在相对较大的建筑物轮廓信息的提取方面更加准确;基于置信度的Meanshift算法对相对较小的建筑物处理上效果较好;而对于道路轮廓信息的提取,二值化分割则更加理想。(本文来源于《北京交通大学》期刊2008-12-01）
地物轮廓论文开题报告
（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：
遥感图像的地物轮廓提取在实际生产生活中有重要的意义。论文采用以深度残差网络作为生成器,深度卷积神经网络作为判别器,采用循环一致生成对抗网络的训练方式,训练出一个可以用来提取地物轮廓的生成网络。该训练方法可以不使用严格对齐的训练图对。论文采用了灰度图和梯度强度图作为生成器的输入,对比分析了两种输入方法的效果和性能,验证了网络的泛化能力。
（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。
地物轮廓论文参考文献
[1].张晓东,张力飞,陈关州,朱坤.基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型[J].测绘地理信息.2019
[2].王东航,周斌,张辉,明德烈.基于循环一致生成对抗网络的地物主轮廓提取方法[J].计算机与数字工程.2019
[3].邓凯.顾及遥感影像特征的面状地物轮廓简化[J].传感器与微系统.2018
[4].张婷.基于轮廓波DCGAN的极化SAR图像地物分类[D].西安电子科技大学.2018
[5].马丽媛.基于深度轮廓波卷积神经网络的遥感图像地物分类[D].西安电子科技大学.2017
[6].沈伟.高分辨率遥感影像分割及地物轮廓提取方法研究[D].北京交通大学.2008