导读:本文包含了多光谱论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,植被,图像,无人机,遥感,指数,叶面积。
多光谱论文文献综述
马翰飞,范海震,李强,李甜田,陈兆飞[1]（2019）在《基于多光谱融合图像的飞机导航系统设计》一文中研究指出本文设计了一种基于多光谱融合图像的飞机姿态测量与导航系统,为飞机自主着陆或着舰提供可靠的导航信息。可见光图像和红外图像融合后的增强图像能够在昼间和夜暗条件下为监控人员、飞行员或者无人机提供可靠的图像信息,同时利用日盲紫外光谱图像具有背景干净和便于目标提取的特点,提高了姿态测量的精度和导航精度。本文对比了融合后的增强图像与单通道图像并分析了融合图像的优点,最后进行了模拟飞行仿真试验并分析了导航系统输出数据的精度。(本文来源于《电子设计工程》期刊2019年24期）
杨丽萍,马孟,谢巍,潘雪萍[2]（2019）在《干旱区Landsat8全色与多光谱数据融合算法评价》一文中研究指出针对目前Landsat8影像像素级融合算法中单因素评价指标对比性不强、置信度较低、难以实现融合效果综合评估的问题,基于居延泽地区的Landsat8影像,采用11种单因素指标和面向对象分类方法,从空间信息量、光谱特征及地物分类精度3个方面综合评价了主成分变换法(principle component transform,PC)、比值变换法(brovey transform,BT)、HSV(hue-saturation-value)变换法、相位恢复变换法(Gram-Schmidt pan sharpening,G-S)、高通滤波算法(high pass filtering,HPF)和小波变换法(wavelet transform,WT)等6种融合算法的融合效果。结果表明,各融合算法的空间分辨率及纹理特征相较于原始影像均得到增强。HSV法表达空间细节的能力最佳,但其光谱保真度较差; WT法可最大程度地保持光谱特征,且空间细节表达能力仅次于HSV法,最适用于Landsat 8的影像融合;综合考虑空间信息量与光谱特征,PC法和G-S法效果适中,略低于HPF法,BT法最劣。从分类结果来看,WT法和HPF法的分类精度相较于原始影像的分类精度有一定的提高。(本文来源于《国土资源遥感》期刊2019年04期）
焦姣,吴玲达,王朴军[3]（2019）在《结合空间-光谱调制及图像分割的多光谱图像融合方法》一文中研究指出为了进一步提高多光谱(MS)图像与全色(PAN)图像之间的融合质量,平衡空间细节的注入与光谱信息的保持,提出了一种基于局部自适应空间-光谱调制与图像协同分割的融合方法.该方法利用k-means算法、根据MS图像的光谱特性进行图像分割,得到不同的连通体组,进而基于局部连通体组构建了局部自适应光谱调制(LASpeM)系数和局部自适应空间调制(LASpaM)系数,分别对融合图像中的光谱与空间信息进行调制;其中,LASpeM系数的构建基于MS和PAN图像中的细节提取以及MS波段之间的光谱关系, LASpaM系数的构建则基于MS和低分辨率PAN图像之间光谱特性的局部差异及相关性.另外,引入融合与分割的协同思想,利用图像分割来优化融合结果,并根据融合结果的反馈信息对分割算法的参数进行调整.在Matlab环境下,采用2个卫星GeoEye-1和QuickBird数据集进行融合实验,结果表明,文中方法在主观视觉与客观评价指标方面总体上优于7种经典及流行的融合方法,能够平衡融合图像的空间信息注入和光谱信息保持,有效地减少光谱扭曲.(本文来源于《计算机辅助设计与图形学学报》期刊2019年12期）
马丹[4]（2019）在《基于FPGA+DSP的高速多光谱复现系统研究》一文中研究指出为了在高速复现多光谱信息的同时,仍能保证对每个光谱复现的精度,提高系统的稳定性,研究了一种基于FPGA+DSP的复现系统。系统利用FPGA对高速AD进行控制,然后将携带不同特征波长信息的干涉条纹传输给DSP进行光谱复现。在DSP中,对不同中心波长的干涉信号采用非均匀插值处理,再通过NUFFT实现分段频域变换处理,进而达到等精度复现每个光谱的效果。实验将Virtex系列FPGA与6745型DSP联用构成处理模块,对660 nm、780 nm和808 nm叁个激光同时入射静态干涉模块的干涉条纹进行处理,再完成混合光的光谱复现。结果显示,采用NUFFT分段处理的方式相比单一采样插值法复现的光谱分布效果更好,其叁个特征波长信噪比都较高,并且速度比原有方法快近一倍。由此可见,该系统在多光谱数据复现应用中更具优势。(本文来源于《激光杂志》期刊2019年11期）
王燕妮,朱丹娜,王慧琴,王可[5]（2019）在《基于卷积神经网络的壁画颜料多光谱图像分类》一文中研究指出针对传统光谱匹配法在进行古代壁画颜料识别时存在的获取每个点反射率的过程复杂、计算具有一定误差等会影响识别精度的问题,将壁画颜料识别问题转换成多光谱图像分类问题,利用在图像分类领域有较强优势的卷积神经网络算法对多光谱图像进行处理,设计了一种新的卷积神经网络模型,并提出了光谱特征重组的数据预处理方式,通过加入两次dropout防止训练过程出现过拟合问题,进而实现了对古壁画颜料的分类。实验结果表明,该方法与统计流形支持向量机分类方法,以及未加入dropout的卷积神经网络分类方法相比,在分类效果和分类精度上具有明显的优势。(本文来源于《激光与光电子学进展》期刊2019年22期）
曹爽,潘锁艳,管海燕[6]（2019）在《机载多光谱LiDAR的随机森林地物分类》一文中研究指出机载多光谱Li DAR技术利用激光进行探测和测距,不仅可以快速获取地面物体的叁维坐标,还可以获得多个波段的地物光谱信息,可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱Li DAR的随机森林地物分类方法。该方法通过对Li DAR强度数据和高程数据提取分类特征,完成多光谱Li DAR的随机森林地物分类;并分析随机森林的特征贡献度特性,采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱Li DAR数据的试验表明:随机森林方法可以获得较好的地物分类精度,而且可以适当地去除部分冗余和相关的特征,从而有效提高分类精度。(本文来源于《测绘通报》期刊2019年11期）
朱金山,宋珍珍,赵露露[7]（2019）在《结合底质分类与SVR算法的多光谱影像测深》一文中研究指出针对目前遥感水深反演方法都是以海底底质均匀为前提而缺乏对混合海底底质研究的问题,提出了一种结合底质分类与SVR算法的水深反演模型。利用WorldView-2多光谱遥感影像对南海北岛岛礁周围混合底质的浅海海域进行底质分类,并对底质分类后的不同海域分别建立线性回归与SVR非线性回归多种测深模型。通过水深分段验证后结果表明,结合底质分类的SVR非线性回归方法更适合混合底质的浅水水深反演。(本文来源于《地理空间信息》期刊2019年11期）
董超,赵庚星,宿宝巍,陈晓娜,张素铭[8]（2019）在《基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究》一文中研究指出氮素是影响冬小麦生长的重要元素,如何根据冬小麦需求适时变量施用氮肥是现代农业精准施肥研究需要解决的关键问题之一。无人机遥感技术在冬小麦生长情况监测中具有高分辨率、高时效性、低成本等优势,为解决施肥需求监测问题提供了重要数据源。因此研究无人机多光谱影像数据,构建其与冬小麦产量与施肥量之间的关系模型对于精准施肥研究十分重要。选择冬小麦典型生产区山东省桓台县为实验区,布置4种不同施氮水平的田间实验。利用无人机搭载Sequoia多光谱传感器,采集实验区不同氮素施肥水平的冬小麦返青初期多光谱影像,同时测得冬小麦冠层叶绿素含量(soil and plant analyzer development, SPAD)数据及产量数据。通过多光谱影像数据计算获得归一化植被指数(normalized difference vegetation index, NDVI)、叶绿素吸收指数(modified chlorophyll absorption ratio index, MCARI2)等6种形式植被指数,建立无人机多光谱影像植被指数与小麦冠层SPAD值的线性、二阶多项式、对数、指数和幂函数模型,优选地面氮素状况最优植被指数模型,反演冬小麦不同施氮水平的状况,进而根据不同施氮水平与敏感植被指数和冬小麦产量的关系,构建了基于植被指数指标的氮肥变量施肥模型,并将模型应用于同时期小麦多光谱影像。结果如下:(1)地面实测的SPAD值能较好的反映冬小麦施氮水平及生长状况。无人机多光谱数据分区统计结果表明不同施氮水平冬小麦冠层反射率有较大差异性。(2)结构性植被指数与SPAD拟合效果优于其他类型指数。MCARI2的二阶多项式模型精度最优(R~2=0.790, RMSE=0.22),其能较好的移除冬小麦返青初期土壤背景等因素的影响,为氮肥敏感植被指数。(3)基于产量-施氮量模型和产量-敏感植被指数模型,构建敏感植被指数的氮肥变量施肥模型为N_r=10 707.63×MCARI2~2-5 992.36×MCARI2+715.27。通过模型应用生成了实验区冬小麦氮肥变量施肥图,与实际情况具有较高一致性。该研究提出了利用无人机多光谱数据进行冬小麦施氮决策的模型及方法,为冬小麦精准施肥的进一步研究提供了依据。(本文来源于《光谱学与光谱分析》期刊2019年11期）
孙诗睿,赵艳玲,王亚娟,王鑫,张硕[9]（2019）在《基于无人机多光谱遥感的冬小麦叶面积指数反演》一文中研究指出以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。(本文来源于《中国农业大学学报》期刊2019年11期）
冷若琳,张瑶瑶,谢建全,李芙凝,胥刚[10]（2019）在《基于多光谱数据与小型无人机的甘南草地非生长季植被覆盖度》一文中研究指出草地非生长季植被是牲畜在冬春季节的主要饲料来源,研究非生长季植被对估算当地牧场载畜量有重要意义。本文以甘南州为研究区,通过小型无人机搭载相机获得60 m×60 m的草地非生长季植被数码照片,通过监督分类得到样地非生长季植被覆盖度数据。利用MODIS/Terra+Aqua双向反射分布函数和半球反射率产品MCD43A4,以及Landsat8 OLI影像数据,分别计算土壤耕作指数(soil tillage index,STI)、干枯燃料指数(dead fuel index,DFI)、归一化差异耕作指数(normalized difference tillage index,NDTI)等9种植被指数,通过分析不同植被指数与非生长季植被覆盖度之间的相关性,建立草地非生长季植被覆盖度回归模型,通过评价模型的精度来对比不同数据源估算草地非生长季植被覆盖度的能力,并筛选出甘南州草地非生长季植被覆盖度的最优反演模型,分析其空间分布特征。结果表明:1) Landsat8 OLI数据比MODIS数据更适合于甘南地区的草地非生长季植被覆盖度的反演;2)草地非生长季植被覆盖度估测的最优指数是NDTI,其线性模型为y=1 432.074x–166.855 (R2=0.407),是草地非生长季植被覆盖度最优反演模型;3)甘南州2018年4月–5月草地植被覆盖度总体西部高、东部低,大部分地区覆盖度介于20%～50%,仅有夏河北部、合作中部以及玛曲东南部少部分区域覆盖度小于20%,玛曲西北部覆盖度大于60%。本研究结果可为甘南州季节载畜量计算提供依据。(本文来源于《草业科学》期刊2019年11期）
多光谱论文开题报告
（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：
针对目前Landsat8影像像素级融合算法中单因素评价指标对比性不强、置信度较低、难以实现融合效果综合评估的问题,基于居延泽地区的Landsat8影像,采用11种单因素指标和面向对象分类方法,从空间信息量、光谱特征及地物分类精度3个方面综合评价了主成分变换法(principle component transform,PC)、比值变换法(brovey transform,BT)、HSV(hue-saturation-value)变换法、相位恢复变换法(Gram-Schmidt pan sharpening,G-S)、高通滤波算法(high pass filtering,HPF)和小波变换法(wavelet transform,WT)等6种融合算法的融合效果。结果表明,各融合算法的空间分辨率及纹理特征相较于原始影像均得到增强。HSV法表达空间细节的能力最佳,但其光谱保真度较差; WT法可最大程度地保持光谱特征,且空间细节表达能力仅次于HSV法,最适用于Landsat 8的影像融合;综合考虑空间信息量与光谱特征,PC法和G-S法效果适中,略低于HPF法,BT法最劣。从分类结果来看,WT法和HPF法的分类精度相较于原始影像的分类精度有一定的提高。
（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。
多光谱论文参考文献
[1].马翰飞,范海震,李强,李甜田,陈兆飞.基于多光谱融合图像的飞机导航系统设计[J].电子设计工程.2019
[2].杨丽萍,马孟,谢巍,潘雪萍.干旱区Landsat8全色与多光谱数据融合算法评价[J].国土资源遥感.2019
[3].焦姣,吴玲达,王朴军.结合空间-光谱调制及图像分割的多光谱图像融合方法[J].计算机辅助设计与图形学学报.2019
[4].马丹.基于FPGA+DSP的高速多光谱复现系统研究[J].激光杂志.2019
[5].王燕妮,朱丹娜,王慧琴,王可.基于卷积神经网络的壁画颜料多光谱图像分类[J].激光与光电子学进展.2019
[6].曹爽,潘锁艳,管海燕.机载多光谱LiDAR的随机森林地物分类[J].测绘通报.2019
[7].朱金山,宋珍珍,赵露露.结合底质分类与SVR算法的多光谱影像测深[J].地理空间信息.2019
[8].董超,赵庚星,宿宝巍,陈晓娜,张素铭.基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究[J].光谱学与光谱分析.2019
[9].孙诗睿,赵艳玲,王亚娟,王鑫,张硕.基于无人机多光谱遥感的冬小麦叶面积指数反演[J].中国农业大学学报.2019
[10].冷若琳,张瑶瑶,谢建全,李芙凝,胥刚.基于多光谱数据与小型无人机的甘南草地非生长季植被覆盖度[J].草业科学.2019
论文知识图
