导读:本文包含了遥感影像分辨率论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感影像,分类,纹理特征,几何特征
遥感影像分辨率论文文献综述
马长辉,黄登山[1]（2019）在《纹理与几何特征信息在高空间分辨率遥感影像分类中的应用》一文中研究指出为充分利用高空间分辨率遥感影像所包含的纹理与几何特征信息,提高影像的分类精度,应用面向对象技术和Log-Gabor小波来提取影像纹理和几何特征信息,并结合影像光谱信息对影像进行分类。选用的分类器为粒群优化算法优化参数的支持向量机分类器,使用资源叁号和高分二号两种不同传感器的卫星影像对方法进行验证,影像数据地物类型包含林地、草地、裸地、沙地、建筑物和道路等典型实体对象。通过对实验结果的目视比较和统计分析结果表明,所提方法分类结果精度较传统方法有所提高。(本文来源于《测绘地理信息》期刊2019年06期）
龚婷婷[2]（2019）在《高分辨率遥感影像道路提取方法研究》一文中研究指出基于高分辨率遥感影像的道路网提取一直是影像处理领域的研究热点和难点。众多学者针对道路在高分辨率遥感影像中的图像表现特征开展了大量的研究,论文在综述遥感影像道路提取研究现状的基础上,对现有并广泛应用的集中模型的特点进行了分析,并对未来采用多源信息融合技术、多维信息生成技术、高层次知识库等实现道路提取的可行性进行了展望。(本文来源于《信息系统工程》期刊2019年11期）
陈迪,郭锐,刘士彬,马勇,姚武韬[3]（2019）在《基于长短期记忆网络模型的中分辨率遥感影像变化检测研究》一文中研究指出随着遥感数据量的增加,传统变化检测方法难以满足大数据背景下众多应用的需求。为此,该文提出了一种基于长短期记忆网络(LSTM)模型的遥感影像变化检测方法,利用循环神经网络权重共享的优势处理时间序列数据,同时加入长短期记忆网络模型的细胞状态"记忆"影像变化,以解决遥感影像变化检测中的复杂性和困难性。分别利用高光谱影像和多光谱影像进行二分类和多分类实验,从检测地物是否变化到确认变化类型两个层次证明了该方法的可靠性和适用性;相较于传统变化检测方法,该方法的自动化程度和精度有较大程度的提升,为遥感影像变化检测提供了一种新思路。(本文来源于《地理与地理信息科学》期刊2019年06期）
范红艳[4]（2019）在《关于卫星遥感影像时间分辨率的解析》一文中研究指出通过解释概念及计算,理清了时间分辨率与运行周期、重复周期和重访周期的关系。结果表明:从概念上看时间分辨率与重访周期一致。对于静止轨道卫星,对固定区域进行连续观测,具有较高的时间分辨率。对于太阳同步轨道卫星,一般重访周期等于重复周期;若卫星具有侧视能力,或影像刈宽远大于轨道间隔,或卫星组网,重访周期小于重复周期,提高了时间分辨率。(本文来源于《测绘与空间地理信息》期刊2019年10期）
楚恒,蔡衡,单德明[5]（2019）在《高分辨率遥感影像的多特征多核ELM分类方法》一文中研究指出针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。(本文来源于《计算机工程与科学》期刊2019年10期）
贺丹[6]（2019）在《基于高分辨率遥感影像的城市绿地信息提取——以东莞市为例》一文中研究指出城市绿地作为城市生态系统中一个极为重要的子系统,在城市建设中扮演着越来越重要的角色。因此获得并提取城市绿地信息对城市长远的发展具有重要意义。本文提出了基于高分辨率遥感影像的城市绿地信息提取方法,并以东莞市为研究区域,采用国产高分一号卫星(GF-1)的遥感影像进行绿地信息提取研究实验。研究结果表明,东莞市城市绿地信息提取结果较为理想,总体精度达到92.56%,Kappa系数为0.89。(本文来源于《数字通信世界》期刊2019年10期）
张兆鹏,李增元,田昕[7]（2019）在《高分辨率遥感影像林地类型精细识别》一文中研究指出以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法(MLC)和支持向量机法(SVM)]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%, Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%, Kappa系数分别提高了0.07和0.08; ImageRF法总体分类精度分别提高了5.93%和6.82%, Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。图7表5参24(本文来源于《浙江农林大学学报》期刊2019年05期）
惠健,秦其明,许伟,隋娟[8]（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）
欧阳松南[9]（2019）在《基于IR-MAD的高分辨率遥感影像交叉融合变化检测方法》一文中研究指出高分辨率遥感影像数据在带来丰富地物信息的同时,也对变化检测提出了新的问题和挑战。本文从高分辨率遥感影像数据的空间结构特征和光谱分布信息入手,针对多光谱数据交叉融合的变化检测方法展开研究。采用基于GSA(Gram-Schmidt Adaptive Pansharpening Algorithm)法对全色和多光谱影像数据处理,生成四幅交叉融合影像;将迭代加权多元变化检测(Iteratively Regularized Multivariate Alteration Detection,IR-MAD)算法应用于高分辨率融合影像,提取变化信息。结果表明,本研究方法能够有效提取变化信息,并降低数据配准不一致所造成的误检测。(本文来源于《北京测绘》期刊2019年09期）
陈辉,张卡,宿东,王蓬勃[10]（2019）在《建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法》一文中研究指出针对现有利用阴影长度法提取建筑物高度时存在的阴影间相互遮挡问题,提出了一种基于建筑物侧面轮廓线进行建筑物高度估算的新方法。首先,利用RPC模型计算建筑物像点位移的方向与卫星成像角度,再将遥感影像进行旋转,使建筑物像点位移沿水平方向;然后,利用Canny算法进行轮廓检测,并构建一定长度的矩形形态学结构元素,对轮廓图像进行形态学开运算,以提取侧面轮廓线,再利用Hough变换与建筑物角点约束,对所提取的轮廓线进一步筛选;最后,根据卫星侧视成像时建筑物高度与像点位移的几何关系进行建筑物的高度估算。利用实际的高分辨率卫星影像对本文方法进行了验证,并与阴影法估算建筑物高度进行了对比。试验结果证明,利用建筑物侧面轮廓线进行建筑物高度估算平均误差可以达到0.7 m,且实际精度优于使用阴影法进行建筑物高度估算。(本文来源于《测绘通报》期刊2019年09期）
遥感影像分辨率论文开题报告
（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：
基于高分辨率遥感影像的道路网提取一直是影像处理领域的研究热点和难点。众多学者针对道路在高分辨率遥感影像中的图像表现特征开展了大量的研究,论文在综述遥感影像道路提取研究现状的基础上,对现有并广泛应用的集中模型的特点进行了分析,并对未来采用多源信息融合技术、多维信息生成技术、高层次知识库等实现道路提取的可行性进行了展望。
（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。
遥感影像分辨率论文参考文献
[1].马长辉,黄登山.纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J].测绘地理信息.2019
[2].龚婷婷.高分辨率遥感影像道路提取方法研究[J].信息系统工程.2019
[3].陈迪,郭锐,刘士彬,马勇,姚武韬.基于长短期记忆网络模型的中分辨率遥感影像变化检测研究[J].地理与地理信息科学.2019
[4].范红艳.关于卫星遥感影像时间分辨率的解析[J].测绘与空间地理信息.2019
[5].楚恒,蔡衡,单德明.高分辨率遥感影像的多特征多核ELM分类方法[J].计算机工程与科学.2019
[6].贺丹.基于高分辨率遥感影像的城市绿地信息提取——以东莞市为例[J].数字通信世界.2019
[7].张兆鹏,李增元,田昕.高分辨率遥感影像林地类型精细识别[J].浙江农林大学学报.2019
[8].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
[9].欧阳松南.基于IR-MAD的高分辨率遥感影像交叉融合变化检测方法[J].北京测绘.2019
[10].陈辉,张卡,宿东,王蓬勃.建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法[J].测绘通报.2019