导读:本文包含了中高空间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
中高空间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）
毛学刚,竹亮,刘怡彤,姚瑶,范文义[2]（2019）在《高空间分辨率影像与SAR数据协同特征面向对象林分类型识别》一文中研究指出【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省叁明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBird&Radarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度叁特征的分类精度,引入强度后的四特征组合分类与叁特征组合无明显差异。QuickBird&Radarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。(本文来源于《林业科学》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）
郝怀旭,万太礼,罗年学[4]（2019）在《利用OpenStreetMap数据进行高空间分辨率遥感影像分类》一文中研究指出针对高分辨率遥感影像分类样本标注困难的问题,提出了一种利用OpenStreetMap(OSM)数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同,该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先,基于OSM数据提供的地物类别和位置信息进行样本标注,为了降低OSM数据中少量错误信息对分类结果的影响,采用聚类分析的方法对样本进行提纯;其次,使用形态学轮廓来提取影像的结构特征,挖掘高分辨率遥感影像丰富的空间信息,与光谱特征相迭加并输入分类器进行分类。试验证明,本文提出的方法能够有效避免人工样本标注所需要的人力物力;同时,联合影像的光谱空间特征能够更好地描述地物特性,得到较高的分类精度。(本文来源于《测绘通报》期刊2019年07期）
陈向东,邓江洪,安国成[5]（2019）在《融合算法在高空间分辨率影像中的应用研究》一文中研究指出为了分析非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)在高空间分辨率影像处理中的优势,对影像降噪处理的具体过程进行分析,得到二次采样Contourlet变换(Sampled Contourlet Transform,SCT)与NSCT算法之间的相关性以及互补性,给出了基于小波理论的Contourlet变换图像融合算法.分析结果显示,在该图像融合算法下,SCT及NSCT方法的标准差均高于原始光谱带,整体的空间及光谱分辨率都较高.(本文来源于《河南师范大学学报(自然科学版)》期刊2019年04期）
朱凯强[6]（2019）在《基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类》一文中研究指出随着遥感探测技术的发展,遥感数据获取逐渐朝着高光谱及高空间分辨率方向发展,在诸多遥感应用研究热点中,高光谱数据地物分类以及高空间分辨率遥感图像场景分类受到了人们的广泛关注。高光谱分辨率以及高空间分辨率带来丰富的光谱信息以及空间结构信息的同时,其数据的高维性以及空间结构的复杂性也对遥感数据特征提取方法提出了更高的要求。本论文从两类遥感数据复杂的特征分布出发,基于深度胶囊网络构建高光谱以及高空间分辨率遥感图像分类模型。模型利用胶囊网络强大的向量化特征表示能力以及基于动态路由机制的特征整合能力,更好的完成两类遥感数据的特征提取与整合,以实现更优的分类性能。论文的主要研究内容包括以下几方面:首先,深入研究了深度学习尤其是深度卷积神经网络的理论及典型模型,并在此基础上分析卷积神经网络的不足之处,引出深度胶囊网络的理论,并详细分析模型特点以及动态路由算法。在全连接胶囊网络层基础上,引入局部连接、权值共享的思想到胶囊网络层中,结合局部连接版动态路由算法得到卷积胶囊网络层,为后续构建基于胶囊网络的遥感数据分类模型奠定基础。其次,基于卷积胶囊网络完成高光谱数据光谱以及空-谱分类。利用卷积胶囊网络层分别构建一维光谱胶囊网络分类器和叁维空-谱胶囊网络分类器。通过对模型参数进行详细的分析,验证了深度胶囊网络对于高光谱数据分类的有效性,同时与经典的高光谱数据分类方法进行对比,在多组数据上均取得了更优的分类性能。最后,基于深度胶囊网络进行高空间分辨率遥感图像场景分类。通过迁移ImageNet数据集预训练的卷积神经网络模型参数,实现图像原始像素灰度信息到胶囊网络向量表征过渡的同时降低模型对训练数据量的需求,通过多层次特征迁移,结合卷积胶囊网络层进行特征进一步提取、整合与分类,本文在多组数据集上对比经典分类方法,取得了更精确地分类结果。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
逄超[7]（2019）在《基于前向受激布里渊散射的高空间分辨率传感研究》一文中研究指出前向布里渊散射因其具有探测光纤外物质机械性质的能力在近年来受到了广泛关注。最近,相关研究成功实现了基于前向受激布里渊散射(FSBS)的分布式液体传感,其在石油天然气勘探、海洋探测、污染物监测、泄露检测等方面具有极大的应用潜力。然而,受声子寿命和信噪比的限制,目前FSBS传感器空间分辨率为几十米到一百米,其离实际应用还有很大差距。本文旨在提出一种新的传感方案,改善系统空间分辨率,提高FSBS传感器的实用性。本文提出了新型的光力时域分析传感方案:一方面,通过长激发脉冲将横向声波场激发到稳态,然后用短读取脉冲探测声子寿命来反演外界物质的机械性质,消除了声子寿命对空间分辨率的限制;另一方面,采用相干前向受激布里渊散射读取横向声波场,使用布里渊光时域分析技术探测读取脉冲在光纤中的功率变化,使用更加稳定的解调公式解调出分布式前向受激布里渊散射谱,得到了信噪比更高的FSBS信号,减小了噪声对空间分辨率的限制。在理论研究方面,建立了光力时域分析的数学模型,理论上证明了方案的可行性,得到了实验结果的理论预期。基于该模型,进一步分析了FSBS作用强度和Kerr效应对系统的影响,仿真发现Kerr效应中的四波混频项会导致FSBS谱的畸变;注入光功率较高时,解调算法与实际情况偏差明显,系统的解调误差较大,这对实验功率的选取具有一定的指导意义。在实验研究方面,测量了不同横向声波模的FSBS增益,增益最大的为R_(0,7)模;研究了相干前向受激布里渊散射的相位敏感特性,读取脉冲两频率成分间的相位差与预激发相干声波场相位的关系会极大影响读取脉冲中FSBS能量转移的大小和方向;研究了激发脉冲宽度和读取脉冲宽度对FSBS谱的影响,激发脉冲越长FSBS谱越窄,读取脉冲宽度对FSBS谱无影响;提出了通过使用伪随机相位编码的四频激发脉冲产生更强的声波场以提高FSBS作用强度。在理论研究和实验研究的基础上,选择合理的实验参数进行了高空间分辨率传感实验。在225 m的单模光纤上实现了对空气和无水酒精的分辨,验证了2 m的空间分辨率,相比国际上相关工作该指标提高了一个数量级。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
殷亚秋,冷玥,赵玉灵,安娜,鞠星[8]（2019）在《面向对象和GURLS结合的高空间分辨率遥感数据云检测》一文中研究指出遥感信息获取过程中云是重要的干扰因素,随着国产高空间分辨率卫星数据的应用,实现数据的准确云检测对有效获取地面信息具有重要意义。本文以高分一号、高分二号多光谱影像为数据源,利用图像分割获取了同质对象,基于对象光谱、纹理和几何8种属性特征建立了规则集,以规则集为输入,利用阈值法和GURLS分类器结合进行了云检测。针对不同时相和场景的高分数据,将该方法与基于像素的最大似然法和SVM法进行了对比,结果表明该方法云提取精度均在95%以上,Kappa系数在0.9以上。(本文来源于《测绘通报》期刊2019年05期）
陈洋[9]（2019）在《中高空间分辨率卫星NDVI时间序列数据重建技术研究》一文中研究指出目前不同空间分辨率的Normalized Difference Vegetation Index(NDVI)时间序列数据在植被物候监测,区域变化检测等研究中得到了广泛应用。NDVI时间序列数据的空间分辨率主要有中空间分辨率和高空间分辨率两种,它们在应用中有不同的特点和优势。但是由于云、成像条件和传感器等因素的影响,NDVI时间序列数据中可能会出现噪声、数据缺失等降低数据质量的因素。针对两种不同空间分辨率NDVI时间序列,研究人员提出了很多方法重建时间序列,希望提高时间序列的质量。目前,针对两种空间分辨率NDVI时间序列,人们提出的重建方法分为两种策略。对于中空间分辨率NDVI时间序列,重建方法主要是为了消除噪声和异常值;对于高空间分辨率NDVI时间序列,重建方法主要是采取时空融合技术填补缺失值,提高时间分辨率重建时间序列。已有的降噪重建方法存在过拟合局部正常低值以及处理连续缺失值能力有限的问题。同时已有的融合重建方法生成长时间时间序列数据能力较弱,并对时间序列中的噪声敏感。针对已有两种重建策略中的不足,本研究充分利用了邻域像元和历史数据集提供的信息,提出了两种新的重建方法,分别是针对中空间分辨率NDVI时间序列滤波重建的STSG方法,以及针对高空间分辨率NDVI时间序列融合重建的GFSTF方法。STSG利用相邻像元的信息来帮助降低目标像元时序数据中的噪声,而目标像元和邻近像元NDVI值之间的参考关系可以从多年NDVI时间序列中得到。本文在中国大陆实验区对STSG进行了测试。结果表明,相比其他滤波方法,如非对称高斯滤波、双逻辑模型滤波、傅里叶变换滤波和Savitzky-Golay滤波,STSG更有优势,可以处理连续数据缺失,并且不存在错误地过拟合低值。GFSTF则使用再融合的策略,利用多年数据间的关系,对初始NDVI融合数据进行了再融合,改善了融合效果。本文对GFSTF测试的结果表明,相比FSDAF,GFSTF在不同的植被类型区域有更低的平均绝对误差,其对初始NDVI融合时间序列的质量有了很大的改善。虽然GFSTF采用了多年NDVI数据,但其对不同年份间的土地覆盖类型变化和植被绿度变化不敏感。本文系统性地比较总结了中空间和高空间分辨率NDVI时间序列数据各自的局限以及它们不同的重建策略,有针对性地提出了STSG和GFSTF算法,构建了系统的时间序列重建技术,丰富了重建策略,改善了时间序列重建技术。(本文来源于《电子科技大学》期刊2019-05-19）
黎付安[10]（2019）在《面向分类的高空间分辨率遥感影像融合算法研究》一文中研究指出随着对地观测技术的快速发展,中国发射了不同系列的高空间分辨率遥感卫星,如ZY3、GF1、GF2等。高空间分辨率遥感卫星能快速获取具有丰富地物信息的影像,已广泛应用于国土、资源、环境、灾害、农业、林业、测绘等领域。但因传感器类型不同,卫星获取的影像具有不同的时间分辨率、空间分辨率、光谱分辨率等特征。而在实际应用中,单波段影像具有的特征是难以满足实际需求,需要将不同空间分辨率、不同光谱波段的影像融合,以获得观测信息更全面的影像,为影像应用提供更好数据源。影像融合是影像分类应用前期处理过程,影像融合质量对后面影像分类有较大影响,因此本文面向高空间分辨率影像土地覆盖分类应用,基于国产ZY3、GF2影像对融合算法展开研究,并给出改进算法,本文主要研究内容及成果如下:(1)应用多光谱影像与全色影像进行融合以获取高空间分辨率的多光谱影像,为影像土地覆盖分类提供可靠的数据源。选取常用的IHS变换、PCA变换、Brovey变换、HPF方法、SFIM方法、Wavelet变换、Contourlet变换等融合算法,对国产ZY3、GF2卫星的全色影像与多光谱影像进行融合,对融合影像进行分类,从融合影像的光谱保留度、空间信息注入度、影像分类准确度等方面评价融合算法与ZY3、GF2影像的适宜性。结果表明:PCA方法对ZY3影像的整体融合效果较佳,光谱保持较好,空间信息增强和融合影像分类精度均优于其它方法;SFIM方法对GF2影像的空间信息增强较好,光谱保持较佳,融合影像分类精度最高,整体融合效果优于其它方法。(2)对空间细节丰富的高空间分辨率影像进行分类,面向对象分类方法比基于像元的分类方法更合适,而影像空间细节信息是面向对象分类方法利用的重要特性,其对分类结果存在一定影响的。为了能给予影像分类提供更高质量的融合影像,本文应用卷积神经网络超分辨率重构与NSCT变换结合的算法融合多光谱影像与全色影像,先是对低分辨率多光谱影像进行超分辨率重构,使其保持影像光谱特性的同时增强空间信息,再利用IHS与NSCT变换融合全色影像与增强后多光谱影像,其融合规则为低频采用多光谱影像系数,以保持多光谱影像光谱特性,高频采用绝对值取大的策略,以能够融合能量较大系数,使得影像更加清晰。结果表明:本文算法的整体融合效果优于对比算法,能有效注入空间细节的同时,更有效的保留融合影像光谱特征,得到了更好质量的融合影像。在此基础上,基于面向对象分类方法对融合影像进行土地覆盖分类,提取建设用地、裸地、绿地、水体和工业用地等五种地类,从地类信息提取的准确度方面探讨融合算法对地类信息提取的适宜性,得出了适宜各地类信息提取的融合算法。(本文来源于《湘潭大学》期刊2019-05-01）
中高空间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：
【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省叁明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBird&Radarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度叁特征的分类精度,引入强度后的四特征组合分类与叁特征组合无明显差异。QuickBird&Radarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。
（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。
中高空间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].毛学刚,竹亮,刘怡彤,姚瑶,范文义.高空间分辨率影像与SAR数据协同特征面向对象林分类型识别[J].林业科学.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].郝怀旭,万太礼,罗年学.利用OpenStreetMap数据进行高空间分辨率遥感影像分类[J].测绘通报.2019
[5].陈向东,邓江洪,安国成.融合算法在高空间分辨率影像中的应用研究[J].河南师范大学学报(自然科学版).2019
[6].朱凯强.基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类[D].哈尔滨工业大学.2019
[7].逄超.基于前向受激布里渊散射的高空间分辨率传感研究[D].哈尔滨工业大学.2019
[8].殷亚秋,冷玥,赵玉灵,安娜,鞠星.面向对象和GURLS结合的高空间分辨率遥感数据云检测[J].测绘通报.2019
[9].陈洋.中高空间分辨率卫星NDVI时间序列数据重建技术研究[D].电子科技大学.2019
[10].黎付安.面向分类的高空间分辨率遥感影像融合算法研究[D].湘潭大学.2019