导读:本文包含了地物识别和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,遥感,光谱,卷积,图像,影像,神经网络。
地物识别和分类论文文献综述
闫苗,赵红东,李宇海,张洁,赵泽通[1]（2019）在《基于卷积神经网络的高光谱遥感地物多分类识别》一文中研究指出在进行遥感图像多分类识别时,针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题,研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二,再增14类地物制作数据集叁。在预处理图像数据之后,通过设置神经网络结构、调整模型参数、对比神经网络模型等,上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响,证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。(本文来源于《激光与光电子学进展》期刊2019年02期）
申怀飞[2]（2018）在《基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究》一文中研究指出随着遥感技术的发展,遥感数据的类型越来越丰富、数据量日益剧增,海量的遥感数据在同一地区形成了多时相遥感影像序列数据。遥感影像时间分辨率的提高,使得遥感数据中蕴含的时间维度信息越来越丰富。遥感影像时间维度信息的增加拓展了遥感数据的应用领域,如何利用或借鉴目前成熟的技术方法,挖掘海量遥感数据所蕴含的丰富信息(特别是时间维信息),提高多时相遥感图像地物分类识别精度始终是遥感应用领域研究人员无法回避的难题。论文针对这一难题,以中国南海北部湾地区为研究区,在借鉴多分类器融合算法、随机森林算法和指纹识别技术等理论的基础上,重点研究了如何利用多时相遥感图像中蕴含的丰富信息的方法,从两种算法构建思路(即改善优化现有遥感图像分类算法和借鉴相关领域技术构建全新遥感图像分类识别算法)出发,构建了多时相遥感影像分类与识别算法。具体来说,论文通过对多分类器融合算法和随机森林算法的分析,首先利用稳定权重加权投票法对多分类器融合算法做了相应的改进,并在借鉴随机森林算法的基础上,将改进后的多分类器融合算法应用于多时相遥感图像分类;随后借鉴指纹识别技术提出了基于像元图像指纹识别技术的多时相遥感图像分类与识别算法;最后利用研究区多时相Landsat OLI影像数据进行了算法的验证测试,算法的分类识别精度达到了预期效果。论文的研究结论和创新点包括:(1)构建了基于稳定权重加权投票的多分类器融合算法。在借鉴前人关于多分类器融合算法相关研究成果的基础上,对比分析了基于多种投票模式的多分类器融合分类结果,提出了稳定权重的概念,改进了精度权重值的不稳定性问题,并对稳定权重进行了修正,最终构建了基于稳定权重加权投票的多分类器融合算法。该算法不仅改善了分类器的分类性能,显着提高了遥感图像分类精度,而且避免了因精度评价样本的抽样性带来的不稳定性问题。通过测试可知:算法分类结果的总体精度从各子分类器分类结果的52.76%-58.23%提升至61.54%,提升了3.31%-8.78%。(2)提出了基于稳定权重加权投票的多分类器迭代融合算法模式。利用迭代算法思想,对基于稳定权重加权投票的多分类器融合算法进行了改进,提出了基于稳定权重加权投票的多分类器迭代融合算法模式,充分挖掘了多分类器融合算法的潜力,进一步提升了分类精度。(3)提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式。为了挖掘利用多时相遥感影像所蕴含的丰富地物信息(特别是时间维度信息),论文通过分析遥感图像监督分类过程中的叁个主要影响因素,在借鉴随机森林算法思想的基础上,提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式。该算法充分考虑了遥感图像分类过程中的影响因素,改善了因训练样本抽样特性带来的不稳定性问题,改善了不同分类器的性能差异问题,同时也在一定程度改善了单一时相遥感影像所带来的“同物异谱,异物同谱”的影响,通过算法的叁次融合融合分类,极大限度地提升了遥感图像的分类精度。算法测试结果表明:总体精度从最初的42.30%-69.08%提升至83.09%,提升了 14.01%-40.39%,提升幅度显着。(4)构建了基于像元图像指纹识别的多时相遥感图像分类识别算法。在借鉴指纹识别技术原理的基础上,论文通过构建遥感多时相影像的像元图像的方法,利用Hash算法原理,提出了基于像元图像指纹识别的多时相遥感图像分类算法和基于像元图像指纹识别的多时相遥感图像目标地物识别算法。该算法充分利用了多时相遥感影像丰富的时间维度信息,有效解决了高维影像数据的数据冗余所带来的算法效率低下问题,提高了遥感图像分类精度的同时,提升了算法运算效率。通过算法最终测试可知:分类算法测试结果的总体精度可到达80%以上,而从识别算法的测试结果(红树林和桉树林)来看,识别算法对红树林和桉树林的识别正确率分别达到了 79.63%和75.54%。测试结果表明算法取得了令人满意的效果。论文利用多分类器融合思想和迭代算法思想构建了基于稳定权重加权投票的多分类器融合算法及其迭代融合算法,并将其应用于遥感多时相影像;进而构建了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式,消弱了遥感图像监督分类过程中的各因素对分类结果的不利影响,改善了分类效果,提高了分类精度,但是该算法分类过程复杂冗长,算法效率较为低下。而论文最后构建的基于像元图像指纹识别的多时相影像分类算法,通过图像压缩技术,在提高算法效率的前提下,挖掘了多时相影像的时间维度信息,一定程度上改善了遥感图像分类效果,提高了分类精度,另外该算法经过改进,通过利用统计分析结果设定合理阈值的方式,将分类算法转化为目标地物的识别算法,使得地物类型的识别更加快速有效。基于两种算法思路构建的分类(识别)算法或者模式,各有优劣。(本文来源于《南京大学》期刊2018-05-25）
俞颖,张益强,李绍伟[3]（2017）在《遥感影像地物分类识别的研究与实现》一文中研究指出遥感影像地物分类识别在环境监测、地质调查等领域都有着广阔的应用前景。对遥感影像进行光谱特征和纹理特征提取,并利用支撑向量机(SVM)进行地物分类是遥感影像地物识别的一种常用的方法。文章详细介绍了该方法的理论、思路及实现过程,并基于ENVI和MATLAB环境进行实验仿真证明其有效性,具有良好的研究和学习意义。(本文来源于《信息通信》期刊2017年06期）
姜雪[4]（2017）在《高光谱影像地物识别的分类研究》一文中研究指出遥感影像在军事、国防、城市规划、农业等方面的作用与日俱增,遥感影像的分类显得尤为重要。高分辨率、高空间影像虽然为人们提供了更为丰富的空间与光谱信息以及地物其他的各种类型特征,但是高光谱影像也面临两个重要问题,一是数据量巨大,二是由空间分辨率导致的混合像元问题。传统的方法已很难满足当代的高精度识别需求,同时传统方法多选择单一的特征来识别地物,很少利用多特征融合方法来提高地物识别的精度。本文在现有的基础上,搭建了叁个学习框架用于提高高光谱影像的识别精度,研究内容如下:首先,提出基于降噪的栈自编码学习模型提取深层特征,再匹配字典偶分类器而实现识别影像地物的一个学习框架。为了提高识别精度,在提取深层特征前融合光谱-空间特征。最后做了叁组仿真实验,实验表明该框架对地物识别精度较高,识别效果图较好。其次,针对影像地物的特点,提出了适用于影像地物识别的卷积神经网络模型,该模型的特征无需手动提取,操作简单,实验表明,基于卷积神经网络模型对高光谱影像各类地物识别效果良好。最后,针对混合像元问题,提出了基于子空间的字典偶学习模型。子空间投影能很好地表征噪声与高度混合的像元,字典偶学习算法是对字典学习的改进,它利用了类标签信息,提升了编码的识别能力。同时,融合了光谱和空间特征用于分类研究,基于不同的算法,通过五组仿真实验做比较分析,实验结果表明本文提出的方法无论从时间上还是识别精度上都优于其他算法。(本文来源于《燕山大学》期刊2017-05-01）
徐丰,王海鹏,金亚秋[5]（2017）在《深度学习在SAR目标识别与地物分类中的应用》一文中研究指出深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。(本文来源于《雷达学报》期刊2017年02期）
吴军超,李利伟,胡圣武[6]（2017）在《基于多分类器集成的GF-1影像围填海地物识别》一文中研究指出围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。然而,围填海地物复杂多变,给利用遥感技术监测围填海带来困难。为此,通过构造识别地物类别的10个特征因子(GF-1的Band1—4波段的均值特征、波段均值的均值、对象面积、对象周长、外接矩形面积、对象面积与外接矩形面积之比和对象周长与对象面积之比),提出一种识别GF-1影像中围填海地物的多分类器集成算法;对特征因子进行集成,构建出单个特征分类器模型、光谱特征分类器模型、形态特征分类器模型和所有特征集成分类器模型4种组合特征分类器模型;对每种分类器模型进行试验研究,并对比分析4种集成模型的多分类器围填海地物识别精度。结果表明,单个特征分类器模型识别精度最高达到82.03%,光谱特征分类器模型识别精度为63.28%,形态特征分类器模型识别精度为87.50%,所有特征集成分类器模型识别精度为80.47%。本研究结果可为监测围填海变化提供较好的解决方案。(本文来源于《国土资源遥感》期刊2017年01期）
高琛琼[7]（2015）在《面向SAR图像目标识别和地物分类的深度学习研究》一文中研究指出深度学习起源于人工神经网络,模仿人脑计算模式,可以自动地分层学习出抽象特征,在图像领域应用广泛,尤其是在目标识别和图像分类方面。随着遥感技术的发展,合成孔径雷达(Synthetic aperture radar,SAR)图像以其大信息量,全天候全天时的特点在军事和民用领域占据了重要地位。对于SAR图像的识别和分类任务而言,选取合适的特征非常重要,所用特征决定了算法性能的上限,而深度学习模型可以自动从原始数据中学出更抽象的特征。在深度学习模型中,深度置信网络(Deep Belief Network,DBN)使用的栈式限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)的非监督学习和反向传播的有监督微调过程,可以自动学习到更适合分类的特征。本文用深度置信网络来提取高层抽象特征用于SAR图像。具体工作如下:一,用于单极化SAR目标识别的深度学习研究。由于深度学习更适用于大数据,而本文所用的运动与静止目标的获取与识别数据(MSTAR)数量有限,使得深度学习模型不容易收敛,所以我们提出数据融合与深度学习相结合的策略。分别提取MSTAR的轮廓波特征和曲线波特征与原数据相结合作为深度置信网络的输入,同时加入更能模拟数据的高斯限制玻尔兹曼机(gaussianRBM),进行SAR图像的目标识别,识别精度较原始RBM和单一数据有所提高。由于传统DBN没有考虑到SAR图像的2-D结构和空间信息,导致学习到的权值与像素所处位置无关,而卷积网络的权值共享使得每一种权值对应一种特征算子,更利于提取不同性质的特征,所以,本文使用基于卷积RBM的深度置信网络,使得识别精度进一步提高。二,用于全极化SAR图像地物分类的深度学习研究。由于传统的RBM更适合模拟二值数据,对于符合其他指数家族的分布,RBM可以加入不同的统计特性进行扩展。所以,对极化SAR实数数据,我们使用加入高斯分布的gaussianRBM构成DBN,用于极化SAR图像的地物分类;对极化SAR复数数据,我们基于极化SAR数据复wishart分布特性提出了的wishartRBM,并由此构成DBN,用于极化SAR图像的地物分类。具体步骤为:将极化SAR数据的协方差矩阵元素作为输入,先用多层的wishartRBM预训练网络,再加上反向传播进行微调,最后使用softmax分类进行地物分类,分类精度与其他方法相比得到了提高。(本文来源于《西安电子科技大学》期刊2015-12-01）
宋亮,李素荣,刘善军,虞茉莉[8]（2014）在《不同遥感方法在煤矿区地物分类识别中的对比分析》一文中研究指出基于TM影像数据,分别使用监督和非监督分类方法对铁法(煤)矿区典型地物进行遥感识别。其中监督分类采用马氏距离、最大似然和神经网络法,非监督分类采用ISODATA算法。结果表明:在四种不同的分类方法中,最大似然法的分类精度最高,总体精度为90.10%,Kappa系数为0.8724。研究发现无论采用哪种分类方法,矿区中的煤与煤矸石都存在混分现象,主要由于两类地物的光谱相近造成。研究结果为煤矿区的地物遥感识别提供参考依据。(本文来源于《第十八届中国环境遥感应用技术论坛论文集》期刊2014-07-10）
龚建周,陈健飞,刘彦随[9]（2013）在《基于E0-1 Hyperion影像地物识别与分类不同方法的效果比较》一文中研究指出以广州市大学城为研究区域裁剪出Hyperion影像,直接从影像提取地物端元,采用光谱角匹配、无约束和全约束的线性混合像元分解等3种方法进行地物识别与分类,分别生成地物分类图;选用Kappa系数和总精度两个参数,对比不同方法的地物识别效果.结果显示,分类图像的总精度均大于60%,Kappa系数在0.61—0.80,表明将高光谱影像用于地物识别与分类,可获得好的地物识别与分类结果.其中,光谱角匹配和全约束的线性混合分解法得到的两个参数明显更大.就地物类型而言,3种方法都对自然地物有较好的识别与分类效果,如林地和草地的用户精度高于80%,裸地和水体的值也高于50%.对人工地物的高反射率表面也有好的识别效果,用户精度达100%;对老建筑屋顶以及低反射率表面的识别效果不佳.尽管如此,光谱角匹配和全约束的线性混合像元分解法对于识别建筑屋顶的水泥混凝土表面表现出优势,用户精度大于71.4%.(本文来源于《应用基础与工程科学学报》期刊2013年03期）
陶伟[10]（2013）在《基于Hyperion高光谱数据的城市地物识别与分类研究》一文中研究指出城市化飞速发展的今天,对于城市环境信息的监测对于改善城市生态环境、规范城市规划管理等具有重要的意义。城市下垫面尤其是大量不同年代、材料、成分的人工地物,其光谱多样性远超过自然环境。高光谱数据丰富的光谱信息可以弥补传统遥感数据源光谱分辨率方面的不足,从而实现对城市地物更为精细的识别和分类。对此,本文从以下几个方面对高光谱城市地物识别进行了探讨：首先,本文阐述了采用高光谱数据进行城市研究的意义和目标；介绍了高光谱遥感硬件的发展概况,概括了大气校正技术、光谱特征提取、影像融合及地物识别和分类技术等影像分析技术的研究动态,以及高光谱遥感在地质调查、植被分析、水环境监测、农业信息和大气环境等领域的应用；提出里本次研究的主要内容和研究框架。其次,对本次研究的区块现状进行介绍,针对Hyperion高光谱数据,通过几何校正、辐射定标、波段选择以及FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hyper-cubes)大气校正消除Smile效应等一系列预处理,获得地物的真实反射率；再根据研究区内几种典型地物在全波段范围内的光谱特性以及不同波段的信息量和相关性,对波段进行重采样,保留信息含量多、相关性小和地物可分性强的波段作为最佳波段。在此基础上,通过总结归纳遥感影像数据融合的发展现状及各常用算法的优缺点,采用Gram-Schimdt (GS)正交化变换法,以高分辨率的SPOT全色影像为基准影像,对高光谱数据进行融合处理,融合后的影像在空间分辨率上有明显的提高,并且地物的光谱信息损失不大,保持了原有的光谱形态。再次,对城市常见地物类型的光谱特征进行分析,根据研究区实际情况,通过实地调查及遥感影像目视解译,确定九类城市地物作为研究对象。在此基础上针对现有地物端元提取方法的不足,采用纯净像元指数与光谱角匹配(SAM, Spectral Angle Mapper)相结合的方法提取了九类地物的端元光谱并建立参考光谱库,作为后续地物识别分类的基础。最后,针对现有常用的高光谱影像识别及分类方法,采用监督分类中的光谱角匹配方法(SAM)和线性光谱分解方法(LSU, Linear Spectral Unmixing)分别对最佳波段选择前后及数据融合前后的高光谱影像进行识别分类,并进行图像结果及地物面积统计分析。结果表明：星载高光谱数据可以较为准确的识别出常见的城市地物类型,采用的识别方法对结果尤为重要,并且高光谱影像的融合处理可以一定程度上提高分类结果的精细度和准确度；当采用SAM方法对融合后的影像进行识别时,其地物面积统计误差仅为11.61%,而采用LSU方法对未经融合的影像进行识别,其误差将达到65.63%,并且其图像结果浑浊不清,无法分辨各个地物类型的分布及聚集形式。(本文来源于《浙江大学》期刊2013-05-01）
地物识别和分类论文开题报告
（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：
随着遥感技术的发展,遥感数据的类型越来越丰富、数据量日益剧增,海量的遥感数据在同一地区形成了多时相遥感影像序列数据。遥感影像时间分辨率的提高,使得遥感数据中蕴含的时间维度信息越来越丰富。遥感影像时间维度信息的增加拓展了遥感数据的应用领域,如何利用或借鉴目前成熟的技术方法,挖掘海量遥感数据所蕴含的丰富信息(特别是时间维信息),提高多时相遥感图像地物分类识别精度始终是遥感应用领域研究人员无法回避的难题。论文针对这一难题,以中国南海北部湾地区为研究区,在借鉴多分类器融合算法、随机森林算法和指纹识别技术等理论的基础上,重点研究了如何利用多时相遥感图像中蕴含的丰富信息的方法,从两种算法构建思路(即改善优化现有遥感图像分类算法和借鉴相关领域技术构建全新遥感图像分类识别算法)出发,构建了多时相遥感影像分类与识别算法。具体来说,论文通过对多分类器融合算法和随机森林算法的分析,首先利用稳定权重加权投票法对多分类器融合算法做了相应的改进,并在借鉴随机森林算法的基础上,将改进后的多分类器融合算法应用于多时相遥感图像分类;随后借鉴指纹识别技术提出了基于像元图像指纹识别技术的多时相遥感图像分类与识别算法;最后利用研究区多时相Landsat OLI影像数据进行了算法的验证测试,算法的分类识别精度达到了预期效果。论文的研究结论和创新点包括:(1)构建了基于稳定权重加权投票的多分类器融合算法。在借鉴前人关于多分类器融合算法相关研究成果的基础上,对比分析了基于多种投票模式的多分类器融合分类结果,提出了稳定权重的概念,改进了精度权重值的不稳定性问题,并对稳定权重进行了修正,最终构建了基于稳定权重加权投票的多分类器融合算法。该算法不仅改善了分类器的分类性能,显着提高了遥感图像分类精度,而且避免了因精度评价样本的抽样性带来的不稳定性问题。通过测试可知:算法分类结果的总体精度从各子分类器分类结果的52.76%-58.23%提升至61.54%,提升了3.31%-8.78%。(2)提出了基于稳定权重加权投票的多分类器迭代融合算法模式。利用迭代算法思想,对基于稳定权重加权投票的多分类器融合算法进行了改进,提出了基于稳定权重加权投票的多分类器迭代融合算法模式,充分挖掘了多分类器融合算法的潜力,进一步提升了分类精度。(3)提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式。为了挖掘利用多时相遥感影像所蕴含的丰富地物信息(特别是时间维度信息),论文通过分析遥感图像监督分类过程中的叁个主要影响因素,在借鉴随机森林算法思想的基础上,提出了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式。该算法充分考虑了遥感图像分类过程中的影响因素,改善了因训练样本抽样特性带来的不稳定性问题,改善了不同分类器的性能差异问题,同时也在一定程度改善了单一时相遥感影像所带来的“同物异谱,异物同谱”的影响,通过算法的叁次融合融合分类,极大限度地提升了遥感图像的分类精度。算法测试结果表明:总体精度从最初的42.30%-69.08%提升至83.09%,提升了 14.01%-40.39%,提升幅度显着。(4)构建了基于像元图像指纹识别的多时相遥感图像分类识别算法。在借鉴指纹识别技术原理的基础上,论文通过构建遥感多时相影像的像元图像的方法,利用Hash算法原理,提出了基于像元图像指纹识别的多时相遥感图像分类算法和基于像元图像指纹识别的多时相遥感图像目标地物识别算法。该算法充分利用了多时相遥感影像丰富的时间维度信息,有效解决了高维影像数据的数据冗余所带来的算法效率低下问题,提高了遥感图像分类精度的同时,提升了算法运算效率。通过算法最终测试可知:分类算法测试结果的总体精度可到达80%以上,而从识别算法的测试结果(红树林和桉树林)来看,识别算法对红树林和桉树林的识别正确率分别达到了 79.63%和75.54%。测试结果表明算法取得了令人满意的效果。论文利用多分类器融合思想和迭代算法思想构建了基于稳定权重加权投票的多分类器融合算法及其迭代融合算法,并将其应用于遥感多时相影像;进而构建了基于稳定权重加权投票的多训练样本集多时相影像多分类器叁重融合算法模式,消弱了遥感图像监督分类过程中的各因素对分类结果的不利影响,改善了分类效果,提高了分类精度,但是该算法分类过程复杂冗长,算法效率较为低下。而论文最后构建的基于像元图像指纹识别的多时相影像分类算法,通过图像压缩技术,在提高算法效率的前提下,挖掘了多时相影像的时间维度信息,一定程度上改善了遥感图像分类效果,提高了分类精度,另外该算法经过改进,通过利用统计分析结果设定合理阈值的方式,将分类算法转化为目标地物的识别算法,使得地物类型的识别更加快速有效。基于两种算法思路构建的分类(识别)算法或者模式,各有优劣。
（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。
地物识别和分类论文参考文献
[1].闫苗,赵红东,李宇海,张洁,赵泽通.基于卷积神经网络的高光谱遥感地物多分类识别[J].激光与光电子学进展.2019
[2].申怀飞.基于遥感多时相影像的南海北部湾地区地物分类与识别方法研究[D].南京大学.2018
[3].俞颖,张益强,李绍伟.遥感影像地物分类识别的研究与实现[J].信息通信.2017
[4].姜雪.高光谱影像地物识别的分类研究[D].燕山大学.2017
[5].徐丰,王海鹏,金亚秋.深度学习在SAR目标识别与地物分类中的应用[J].雷达学报.2017
[6].吴军超,李利伟,胡圣武.基于多分类器集成的GF-1影像围填海地物识别[J].国土资源遥感.2017
[7].高琛琼.面向SAR图像目标识别和地物分类的深度学习研究[D].西安电子科技大学.2015
[8].宋亮,李素荣,刘善军,虞茉莉.不同遥感方法在煤矿区地物分类识别中的对比分析[C].第十八届中国环境遥感应用技术论坛论文集.2014
[9].龚建周,陈健飞,刘彦随.基于E0-1Hyperion影像地物识别与分类不同方法的效果比较[J].应用基础与工程科学学报.2013
[10].陶伟.基于Hyperion高光谱数据的城市地物识别与分类研究[D].浙江大学.2013
论文知识图
