导读:本文包含了地物分类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:地物,图像,遥感,光谱,杆状,张量,香农。
地物分类论文文献综述
曹爽,潘锁艳,管海燕[1]（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）
张怡卓,徐苗苗,王小虎,王克奇[2]（2019）在《残差网络分层融合的高光谱地物分类》一文中研究指出高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16, 32, 64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines, University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10~4,当3个数据集的样本块像素分别设置为25×25, 23×23, 27×27,网络深度分别为28, 32和28时, 3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度; Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。(本文来源于《光谱学与光谱分析》期刊2019年11期）
董珊,杨占昕,庞龙,庄胤,陈禾[3]（2019）在《语义分割网络在可见光遥感图像地物分类中的应用》一文中研究指出遥感技术的发展推动遥感图像数据爆发式增长,并呈现出更高分辨率、更大幅宽的趋势。传统地物分类方法特征提取能力和泛化能力不足以解决高分辨率遥感图像的多地物分类问题。语义分割网络在自然场景图像中展现了强大的特征提取能力。针对复杂场景的高分辨率遥感图像,需结合遥感图像的特点,提出更适用于遥感图像地物分类的遥感语义分割模型。(本文来源于《第十叁届全国信号和智能信息处理与应用学术会议论文集》期刊2019-10-25）
董亚涵,李永强,李鹏鹏,范辉龙[4]（2019）在《基于车载LiDAR点云的杆状地物分类研究》一文中研究指出杆状地物作为常见的公共设施,对其进行自动化精确分类是一项重要工作。文中提出基于车载LiDAR点云的杆状地物自动分类方法:首先,根据杆状地物形态特点,对其进行顶部与杆部分离;再根据杆状地物点云特征提取9种特征向量,构建特征矩阵;然后采用SVM算法,对样本集特征矩阵进行训练并构建分类模型;最后,通过构建的分类模型对测试集进行分类,并与通过先验知识设置阈值的分类算法进行对比实验,实验表明,该算法无需进行多次阈值设定即可对杆状地物进行分类,并且分类精度可达94.7%,证明该算法的正确性与优越性。(本文来源于《测绘工程》期刊2019年06期）
程思凡,吴慕遥,秦琳琳,吴刚[5]（2019）在《基于无人机图像的植被提取和地物分类研究》一文中研究指出利用无人机获取高分辨率的可见光图像相较于传统遥感方法有着成本低,方式灵活等优势.无人机图像在植被提取和地物分类方面都具有重要的研究价值.目前对UAV可见光图像的植被提取主要通过对各种植被指数的阈值分割来完成.本文采用了VDVI,ExG,NGRDI,ExG-ExR等四种植被指数,利用双峰直方图阈值确定法分别确定各植被指数的最佳阈值,并对比植被提取的精度.结果表明:VDVI指数的植被提取精度高于其它指数,阈值在0附近.对地物分类,进一步将植被分为草地,灌木,树木,非植被分为水泥路面和其它地物,每类地物选取等量的典型样本作为数据集,以R,G,B值,各植被指数值以及灰度共生矩阵(GLCM)作为样本特征,对比了多分类SVM算法和逐步回归模型对地物分类的精度.结果表明:多分类SVM对多种地物类型的分类精度都优于逐步回归模型,对草地、水泥路面、树木都有90%以上的分类精度.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
邹焕新,李美霖,马倩,孙嘉赤,曹旭[6]（2019）在《一种基于张量积扩散的非监督极化SAR图像地物分类方法》一文中研究指出针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。(本文来源于《雷达学报》期刊2019年04期）
王芳,杨武年,王建,谢兵,杨鑫[7]（2019）在《GF-2影像城市地物分类方法探讨》一文中研究指出GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法,本文以四川省隆昌县城为研究区,提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上,通过构建评价函数,并结合最大面积法选取最优尺度,进而构建分层体系,提取影像的光谱、几何及纹理特征建立规则并分类,且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明,本文方法的总体精度和Kappa系数分别为93.33%和0.92。(本文来源于《测绘通报》期刊2019年07期）
冯国政,徐金江,范宝德,赵甜雨[8]（2019）在《偏向自适应区间模糊C均值的遥感地物分类方法》一文中研究指出遥感图像类内地物的异质性和类间地物的模糊性,造成地物类别归属的不确定性.模糊集理论能够对分类模糊现象进行有效的刻画,而区间值数据模型能够反映类别数据的不确定性.因此,本文结合区间值数据模型与模糊C均值算法,提出一种偏向自适应区间的模糊C均值算法,通过归一化类内均方差调整类别的整体区间宽度,利用偏向因子对数据进行有选择性的动态区间建模,进而增加类内紧凑性与类间边界可分性.实验结果表明,该方法可以有效地应用于SPOT5遥感数据的地物分类,整体分类精度和Kappa系数较现有流行的模糊分类方法均有较大的提升.(本文来源于《烟台大学学报(自然科学与工程版)》期刊2019年03期）
徐梦竹,徐佳,邓鸿儒,袁春琦[9]（2019）在《基于全极化SAR影像的海岛地物分类》一文中研究指出我国海岛众多且资源丰富,针对海岛地物复杂和难以采集训练样本的特点,在分析9种极化特征参数对海岛地物区分能力的基础上,提出了一种基于全极化SAR影像的海岛地物分类方法。该方法采用Freeman分解和Cloude-Pottier分解提取的极化特征与Shannon熵组成特征集,通过自编码器对原始特征进行学习重构,提取更具有可分性的深层特征,并利用主动学习选择最优价值的样本加入训练样本以提高分类器分类效果。通过对舟山群岛全极化SAR影像进行分类实验,结果表明:该方法能够对全极化SAR影像中的不同海岛地物进行有效区分,特别是引入Shannon熵后能明显提升海水、泥滩和沙滩的分类精度;基于主动深度学习的分类方法可以在样本有限的情况下得到比传统分类方法更好的分类结果。(本文来源于《遥感技术与应用》期刊2019年03期）
寇国雨[10]（2019）在《双路径卷积神经网络改进模型在遥感影像地物分类中的应用研究》一文中研究指出高空间分辨率遥感影像(简称高分影像)能够快速记录地物几何、纹理、形状、色彩等信息,是国土调查、城市规划、国防安全等领域重要的基础性数据,而地物分类是实现高分影像数据价值的基本工作。虽然地物分类方法研究已经十分深入,包括:决策树、支持向量机、随机森林等,但影像存在的“同类地物差异大、异类地物差异小”问题仍给地物分类造成极大挑战。因此,有必要结合时代新技术,从计算时间、识别准确率、操作难度叁方面进行地物分类研究。目前,卷积神经网络技术(Convolutional Neural Network,CNN)已在图像识别、检测领域取得了突破性进展,其准确率远远优于传统的机器学习算法。但是,受公开遥感影像数据集数量少、地域小的限制,CNN技术在高分影像地物分类的应用研究相对不足,尤其表现在高分影像的地物分类领域。为此,深入探究了CNN原理,提出了双路径卷积神经网络模型(Double-Path Convolutional Neural Network Model,DP-CNN),以促进地物分类研究的发展。本文工作的主要内容包括以下几点:(1)总结了遥感影像地物分类主流的传统方法,梳理了CNN技术的发展及在遥感领域的应用研究现状,指出了CNN技术在高分影像地物分类方向应用研究存在的问题,点明了本文的研究内容。(2)在CNN原理基础上,借鉴Inception结构和ResNet残差结构,对U-Net模型进行连接方式改造,将原单一的串联连接结构,改为四路并联和残差支路并行计算的双路径连接结构,增加了单一层特征提取的感受野范围,更便于提取特征图特征,减少CNN技术中语义分割模型的参数,加快计算速度。(3)介绍了DP-CNN模型搭建的Python平台,并展示了搭建中使用的主要第叁方库。搭建完成后,基于Inria Aerial Image Dataset数据集进行了DP-CNN模型的探究实验,通过与常见语义分割模型的指标对比,验证了DP-CNN模型的简易性、快速性和稳定性,尤其在训练轮数达到40后,DPCNN模型的正确识别率便稳定在98%左右。(4)在太原市高分影像上,设计了操作简单的DP-CNN模型迁移学习应用实验。以谷歌开放的高分影像为源数据,先自制了六类地物的二分类数据集,然后,在此数据集上进行了DP-CNN模型的迁移训练,最后,对选取的叁个场景进行模型预测和预测结果评价。(本文来源于《太原理工大学》期刊2019-06-01）
地物分类论文开题报告
（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：
高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16, 32, 64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines, University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10~4,当3个数据集的样本块像素分别设置为25×25, 23×23, 27×27,网络深度分别为28, 32和28时, 3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度; Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。
（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。
地物分类论文参考文献
[1].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
[2].张怡卓,徐苗苗,王小虎,王克奇.残差网络分层融合的高光谱地物分类[J].光谱学与光谱分析.2019
[3].董珊,杨占昕,庞龙,庄胤,陈禾.语义分割网络在可见光遥感图像地物分类中的应用[C].第十叁届全国信号和智能信息处理与应用学术会议论文集.2019
[4].董亚涵,李永强,李鹏鹏,范辉龙.基于车载LiDAR点云的杆状地物分类研究[J].测绘工程.2019
[5].程思凡,吴慕遥,秦琳琳,吴刚.基于无人机图像的植被提取和地物分类研究[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[6].邹焕新,李美霖,马倩,孙嘉赤,曹旭.一种基于张量积扩散的非监督极化SAR图像地物分类方法[J].雷达学报.2019
[7].王芳,杨武年,王建,谢兵,杨鑫.GF-2影像城市地物分类方法探讨[J].测绘通报.2019
[8].冯国政,徐金江,范宝德,赵甜雨.偏向自适应区间模糊C均值的遥感地物分类方法[J].烟台大学学报(自然科学与工程版).2019
[9].徐梦竹,徐佳,邓鸿儒,袁春琦.基于全极化SAR影像的海岛地物分类[J].遥感技术与应用.2019
[10].寇国雨.双路径卷积神经网络改进模型在遥感影像地物分类中的应用研究[D].太原理工大学.2019
论文知识图
