导读:本文包含了超光谱遥感图像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:遥感,光谱,图像,特征,稀疏,深度,卷积。
超光谱遥感图像论文文献综述
王莹[1]（2019）在《改进的基于CNN的高光谱遥感图像分类办法》一文中研究指出由于高光谱遥感图像光谱维度大,标注样本相对较少,提出了一种结合主成分分析和改进的二维卷积神经网络的高光谱遥感图像的分类方法。首先,通过主成分分析,降低光谱维度,消除光谱亢余信息。然后,将数据进行分块处理,获得分块数据的样本标签,并将数据分为训练集和验证集,用训练集和验证集训练改进的针对高光谱遥感图像分类的卷积神经网络的参数。最后,将测试集投入训练好的2D-CNN上进行分类,得到分类结果。实验结果表明,提出的模型的分类精度明显提高,从而验证了该方法的有效性和实用性。(本文来源于《现代商贸工业》期刊2019年35期）
陈楠[2]（2019）在《基于软阈值的高光谱遥感图像分类研究》一文中研究指出对高光谱遥感图像进行分类处理,能够对其中的各种光谱加以高效利用,准确提取地物信息。但是由于分辨率较低,受噪声干扰较严重,导致现有方法对高光谱遥感图像的分类效果不佳,为此,提出基于软阈值的分类方法。为了利于地物提取,方法首先以像元,端元,以及丰度建立L_(1/2)范数模型;然后引入惩罚公式,用于处理由噪声导致的残差;最后分别针对端元,像元,及丰度等参数设计更新公式,并利用目标函数判定其迭代状态,引入交叉验证,对噪声参数与光谱特性采取动态自适应调整。通过实验对比结果,验证提出的软阈值方法具有出色的抗噪声干扰能力,能够更准确的处理光谱差异,有效提升高光谱遥感图像的分类精度。(本文来源于《电子测试》期刊2019年22期）
韩雪[3]（2019）在《基于超像素稀疏表示的高光谱遥感图像分类原理分析》一文中研究指出稀疏表示理论已被广泛用于图像分类任务,在遥感图像领域内高光谱图像的分类也适用于稀疏表示分类;另一方面,超像素的分割结果对于类特征的提取具有重要的意义,因此将超像素计算与稀疏表示分类相结合可以有效地提高遥感图像分类的精度。(本文来源于《科技视界》期刊2019年26期）
陈智虎,童倩倩,赵泽英,岳延滨[4]（2019）在《基于无人机的高光谱遥感图像采集和处理技术研究》一文中研究指出高光谱遥感技术是农业监测的重要手段,能够及时、准确地分析农作物更多、更详细的信息,对分析农作物产量、长势和病虫害具有重要意义。以贵州省关岭县乐安村火龙果种植基地为研究区域,结合无人机与高光谱成像仪的优势,对研究区进行高光谱图像采集。经过图像挑选、图像预处理、图像精校正、波段提取和图像拼接处理,获取研究区最新的高光谱遥感图像,为研究农作物的生长特性及不同生长期的光谱差异奠定基础。(本文来源于《贵州师范大学学报(自然科学版)》期刊2019年05期）
赵生银,安如[5]（2019）在《基于特征挖掘的高光谱遥感图像识别研究》一文中研究指出高光谱遥感图像提供了丰富的光谱信息,如何充分挖掘高维特征空间的特征信息是高光谱图像识别的关键问题之一。以华盛顿地区航空高光谱数据作为实验数据,通过构建对象级特征和像素级特征来充分挖掘高光谱图像的信息,利用网格搜索法优化XGBoost算法的参数来实现特征选择,最后采用随机森林分类器实现高光谱图像识别。研究表明:本研究方法可以充分利用高光谱的图像信息,减少数据冗余量,其识别总体精度为96.32%;XGBoost算法特征选择后的图像识别的平均精度比未进行特征选择的高7.53%,表明基于XGBoost算法特征挖掘的高光谱遥感图像识别具有可行性和实用性。(本文来源于《亚热带资源与环境学报》期刊2019年03期）
崔保春,徐言勋[6]（2019）在《基于模式识别技术的高光谱遥感图像检测》一文中研究指出针对高光谱遥感图像以模式识别的方式进行人工智能检测,一直存在时效性与便利性差的问题,提出一种基于模式识别技术的高光谱遥感图像检测新方法。通过高光谱遥感图像邻域中像素灰度的加权均值对模板中中心像素进行替代,通过邻域平均法令邻域像素更加均衡化,减弱噪声点,完成对高光谱遥感图像的预处理。通过平均值法实现相邻帧图像的拼接,对重迭部分帧间差分进行计算,实现高光谱遥感图像的进一步处理。结合相对温差法和拓扑矩阵修正方法对高光谱遥感图像中的异常情况进行检测,确定高光谱遥感图像中的过热区域。实验结果表明,所提方法对高光谱遥感图像的处理性能好,对一次特征检测准确性高。(本文来源于《现代电子技术》期刊2019年17期）
董安国,刘洪超,张倩,梁苗苗[7]（2019）在《基于自动编码机的高光谱遥感图像分类》一文中研究指出根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏自动编码机中进行分类。通过两组实验数据的对比,验证了所提分类算法可以提高高光谱图像的分类精度。(本文来源于《激光与光电子学进展》期刊2019年19期）
黎伟强,倪志平[8]（2019）在《高光谱遥感图像波段选择方法研究》一文中研究指出波段是高光谱遥感图像信息的重要载体,当前高光谱遥感图像波段选择方法存在精度低等问题,提出基于一种高精度的高光谱遥感图像波段选择方法。首先对当前高光谱遥感图像波段选择方法的研究现状进行分析,并建立高光谱遥感图像波段选择方法框架,然后利用贝叶斯判定理论将波段选择框架转换成选择模式,利用训练数据计算后验概率,将后验概率最大作为标准,选择较高光谱遥感图像波段,最后仿真实验结果表明,本文方法可准确高效的对高光谱遥感图像进行波段选择,得到十分理想的高光谱遥感图像波段选择效果。(本文来源于《激光杂志》期刊2019年06期）
黄思源[9]（2019）在《加权最近邻空间表征的高光谱遥感图像分类算法研究》一文中研究指出高光谱遥感技术是集成像与光谱探测为一体的光学遥感技术,该技术通过光学系统接收地物反射并获取地面目标像元的光谱信息对地物目标进行识别。目前,针对地面物质信息的高光谱遥感图像分类是一门综合图像处理与遥感成像技术的前沿科研课题。同时,如何提升光谱类似区域的识别能力以及处理效率一直是高光谱遥感图像场景分类的研究重点。因此,本文提出了两种结合光谱和空间信息的场景分类方法,并使用真实的高光谱遥感图像数据验证了本文所提方法的有效性。本文主要的工作概括如下:(1)传统的k-最近邻域(k-Nearest Neighbor,k-NN)方法依赖于欧氏距离作为度量方式来预测测试样本的标签。然而,每个测试样本在进行类别判定时,距离信息的权重分配往往会影响分类精度的提升。因此,本文提出了一种加权最近邻与稀疏表示融合的高光谱图像分类方法,该方法包括以下步骤:首先,对测试像元周围邻域按窗口大小进行联合,形成测试像元的联合区域并获取像元间的欧式距离。其次,利用高斯加权函数对距离信息进行权重分配。最后,融合稀疏表示的重构残差形成新的决策函数。实验结果表明,本文提出的方法有更高的分类精度。(2)高光谱遥感地物样本标定的过程中经常存在不可避免的误标定现象,造成训练样本中含有少量的错误标定样本(即不确定样本)。因此,为了降低不确定样本对监督分类的影响,本文提出了一种基于加权最近邻的峰值密度高光谱图像分类方法。该方法具体步骤如下:首先,利用熵率超像素(Entropy Rate Superpixel,ERS)算法获取训练样本所对应的自适应同质区域。其次,计算同质区域中每个像元之间的欧式距离,同时利用高斯加权函数对距离信息进行权重分配。再次,通过峰值密度聚类算法检测和去除错误标定样本。最后,利用支持向量机来评价该方法的有效性。实验结果表明,本文提出的方法可以有效地检测和去除不确定样本,改善监督分类器的性能。综上,本文针对测试样本的标签预测和训练样本的正确标定问题,提出了光谱-空间联合和不确定样本条件下的分类方法,并通过实验分析证明了所提方法的优越性,为高光谱遥感图像分类研究领域提供了新思路。(本文来源于《湖南理工学院》期刊2019-06-03）
段俊杰[10]（2019）在《基于EO-1 Hyperion高光谱遥感图像的地表物分类研究》一文中研究指出地表物分类识别具有重要的变化特征,是反映目标区域生态环境变化的重要标志。随着遥感技术的兴起与发展,高光谱遥感技术已经在社会的各个领域体现了它的重要作用。高光谱遥感光谱通道数量较多,光谱分辨率高达纳米级,蕴含着近似连续并且丰富的光谱信息。使用高光谱遥感图像处理技术能够实现对地表物的类型进行分类研究,实现高光谱遥感图像数据处理在现实生活中的应用。在2000年11月发射的地球观测卫星-1(EO-1)是美国航空航天局(NASA)在新千年计划(NMP)计划中第一颗对地面进行观测的地球卫星,在这颗地球观测卫星上拥有叁种对地球成像的传感器,分别为高级陆地成像仪(ALI),高光谱成像仪(Hyperion)以及大气校正仪(AC)。本论文选用Hyperion高光谱遥感图像作为研究对象,对当地地物进行特征提取,采用高光谱遥感图像数据处理技术对该地区的地表物分类研究具有十分重要的意义。本论文在对当前基于高光谱遥感图像地表物分类研究的基础之上,选用Hyperion在特定时间段的高光谱遥感图像数据信息,运用监督分类与非监督分类的方法对图像进行识别。整个过程包括叁个基本步骤:首先对高光谱遥感图像进行预处理,主要包括图像坏道信息以及水汽波段去除、坏线修复、高光谱遥感图像中大气的校正以及Smile效应的去除;再对预处理的结果进行基于最小噪音变换与纯净像元指数的特征像元提取,最后对经过处理后的图像应用不同方法进行地表物的分类与精确度的分析评价。通过对K均值聚类算法(K-means),迭代自组织分析算法(Isodata),神经网络与光谱角填图四种分类算法的精度比较,确定基于光谱角的分类方法具有最高的分类精度,分类精度能够达到80%,能够较好的满足高光谱影像的分类要求。(本文来源于《内蒙古农业大学》期刊2019-06-01）
超光谱遥感图像论文开题报告
（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：
对高光谱遥感图像进行分类处理,能够对其中的各种光谱加以高效利用,准确提取地物信息。但是由于分辨率较低,受噪声干扰较严重,导致现有方法对高光谱遥感图像的分类效果不佳,为此,提出基于软阈值的分类方法。为了利于地物提取,方法首先以像元,端元,以及丰度建立L_(1/2)范数模型;然后引入惩罚公式,用于处理由噪声导致的残差;最后分别针对端元,像元,及丰度等参数设计更新公式,并利用目标函数判定其迭代状态,引入交叉验证,对噪声参数与光谱特性采取动态自适应调整。通过实验对比结果,验证提出的软阈值方法具有出色的抗噪声干扰能力,能够更准确的处理光谱差异,有效提升高光谱遥感图像的分类精度。
（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。
超光谱遥感图像论文参考文献
[1].王莹.改进的基于CNN的高光谱遥感图像分类办法[J].现代商贸工业.2019
[2].陈楠.基于软阈值的高光谱遥感图像分类研究[J].电子测试.2019
[3].韩雪.基于超像素稀疏表示的高光谱遥感图像分类原理分析[J].科技视界.2019
[4].陈智虎,童倩倩,赵泽英,岳延滨.基于无人机的高光谱遥感图像采集和处理技术研究[J].贵州师范大学学报(自然科学版).2019
[5].赵生银,安如.基于特征挖掘的高光谱遥感图像识别研究[J].亚热带资源与环境学报.2019
[6].崔保春,徐言勋.基于模式识别技术的高光谱遥感图像检测[J].现代电子技术.2019
[7].董安国,刘洪超,张倩,梁苗苗.基于自动编码机的高光谱遥感图像分类[J].激光与光电子学进展.2019
[8].黎伟强,倪志平.高光谱遥感图像波段选择方法研究[J].激光杂志.2019
[9].黄思源.加权最近邻空间表征的高光谱遥感图像分类算法研究[D].湖南理工学院.2019
[10].段俊杰.基于EO-1Hyperion高光谱遥感图像的地表物分类研究[D].内蒙古农业大学.2019
论文知识图
