导读:本文包含了遥感图像编码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,图像,光谱,神经网络,稀疏,深度,码字。
遥感图像编码论文文献综述
张童[1]（2019）在《基于残差块的遥感图像目标识别自编码网络》一文中研究指出实现遥感图像目标识别的智能化是一个亟待解决的问题.由此建立了黑龙江地区地表高清遥感图像数据集,以深度学习为基本工具,设计了基于残差块的遥感图像目标识别自编码网络,并使用优化算法对学习过程进行了优化提升.搭建了实验平台,完成了对神经网络的训练和测试实验,验证了该文所提算法的有效性,为实现遥感图像目标识别的智能化提供了有效方案.(本文来源于《哈尔滨师范大学自然科学学报》期刊2019年04期）
董安国,刘洪超,张倩,梁苗苗[2]（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）
徐昭洪,刘宇,全吉成,吴晨[3]（2019）在《基于VGG16预编码的遥感图像建筑物语义分割》一文中研究指出深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。(本文来源于《科学技术与工程》期刊2019年17期）
张国东,周浩,方淇,张露,杨峻[4]（2019）在《基于栈式自编码神经网络对高光谱遥感图像分类研究》一文中研究指出为了有效利用高光谱遥感图像中的波段信息,提高高光谱遥感图像分类的精确度,本文提出了基于栈式自编码神经网络(Stacked Autoencoder,SA)对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息,对其进行相应特征提取,避免了相邻信息间的相关性和信息的冗余,本方法采用无监督学习和监督学习相结合,既可以像传统方法那样进行降维,简化相关的计算复杂度,同时在分类精度上有很大地提高。(本文来源于《红外技术》期刊2019年05期）
徐佳庆,万文,吕启[5]（2018）在《基于二阶矩稀疏编码的高光谱遥感图像分类》一文中研究指出高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。(本文来源于《计算机科学》期刊2018年09期）
李倩兰[6]（2018）在《基于层次化自编码的异质遥感图像融合与变化检测》一文中研究指出随着遥感技术的发展,不同类型的图像数据不断增多,单一类型传感器下难以获得全面的目标信息,异质遥感图像的处理成为一个亟待解决的问题。异质遥感图像是指来自不同传感器、不同分辨率或不同频谱波段的遥感图像。考虑到地球资源调查、环境监测、区域规划等的重要性,为获取准确的目标信息,图像融合与变化检测吸引了很多学者的研究兴趣。深度学习提供了一种端到端的数据描述与处理框架,本文基于深度学习理论中的层次化自编码模型,研究了异质遥感图像的融合与变化检测方法。主要研究结果如下:1.设计了一种基于层次化稀疏自编码器的全色与多光谱图像融合方法。考虑到现有基于神经网络的模型多使用超分辨的方法,无法综合使用多源信息的缺陷,本文设计了基于层次化稀疏自编码器的多源映射网络。首先将图像融合问题转化为一个从多源图像到目标图像的非线性映射问题。在给定足够多的隐藏单元的情况下,加入稀疏正则能近似任何从输入到输出的映射,同时学习到了各波段之间的关系。在Geoeye-Hobart、QuickBird等卫星数据上的实验结果表明:相比传统方法,该方法在光谱与空间细节上都有较大改进,在指标Q4上有0.02~0.1的提高。2.设计了一种基于多特征融合与稀疏自编码网络的光学与合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测方法。针对光学图像和SAR图像不能直接计算差异图的问题,提取图像的多特征,同时用模糊C均值聚类(Fuzzy C-means,FCM)进行预分类。其次,建立稀疏自编码模型,表示预分类获得的初始非变换区域。由于两幅图像是同一场景的不同表示,因此两幅图像的非变化像素在深度网络形成的非线性投影空间具有相似性。然而变化像素没有,因此采用所有样本的重构误差计算差异图可以体现出变化与非变化像素的区别。经实验说明,本方法在总错误率上较对比方法下降,在Kappa系数上较现有方法有所提高。3.设计了一种基于卷积自编码器的光学与SAR图像变化检测方法。为获得自动化、智能化程度更高的变化检测方法,设计了卷积自编码器对图像进行自动化的深层特征提取。然后用特征图计算差异图,在差异图上使用FCM进行变化检测。一方面,利用卷积自编码网络能够自动提取到层次特征可以避免人工特征选择的过程;另一方面,卷积自编码器直接处理二维图像块,避免了一般自编码器将图块变换为向量形式中对图像空间结构的破坏。从实验结果的数值评价指标分析中,可以明显地看出:本章提出的方法在正确率和Kappa系数上较上一方法有所提高。(本文来源于《西安电子科技大学》期刊2018-06-01）
余林佳,刘阳[7]（2017）在《基于稀疏编码的卫星遥感图像目标检测方法》一文中研究指出遥感图像中,机场目标较周围场景具有明显的视觉显着性。在对机场目标进行检测时,常采用提取显着区域的方法。但是传统的显着区域提取方法易丢失目标的内部与边缘信息,影响检测结果。针对这一问题,本文提出了一种基于稀疏编码的显着区域提取方法。该方法通过全局与背景信息相结合的方法,对遥感图像的底层特征进行稀疏编码,再对稀疏表示聚类生成全局显着图和背景显着图,并采用多尺度对遥感图像进行处理,最后将各个显着图融合生成最终显着图。将机场目标从复杂背景中提取出来。与传统的显着区域提取算法相比,本文算法在准确率上提高了10%,在召回率上提高了5%,有效提高了检测效果。(本文来源于《第四届高分辨率对地观测学术年会论文集》期刊2017-09-17）
张倩[8]（2016）在《基于Hash编码的超光谱遥感图像分类》一文中研究指出随着技术手段和传感器性能的提高,越来越大量的超光谱卫星遥感数据被产生了出来。人们迫切需要找到一种能够处理这种大量遥感图像数据的机器学习算法。另一方面,Hash学习技术在近年来成为了一种被广泛使用的处理大数据的机器学习手段。本文首先提出了一种基于分段Hash编码的维度缩减方法,并将这种方法用于超光谱遥感图像分类中,在保持足够高精度的前提下,这种方法可以大大缩短计算时间。接下来,本文基于分段Hash编码技术与图像块描述的方法,提出了基于块的Hash分类算法,并成功地应用于四种不同的超光谱遥感图像数据集的分类。对四种超光谱遥感图像分类的性能评估结果表明,本文提出的方法在分类准确率方面可以和普通的基于图像块描述的分类方法相媲美。在计算效率方面远优于普通的基于图像块描述的分类方法。进一步,为了验证本文分类方法的性能优势,我们系统地比较了四种方法在分类精度和计算速度方面的性能差异,包括传统像素的分类算法、分段Hash算法、基于块的方法,以及基于块的Hash分类算法。最后,我们讨论了模型参数、不同的Hash函数对算法的影响。总而言之,基于块Hash的分类算法不仅具有良好的性能,较低的计算复杂度,而且在实际的超光谱遥感图像处理中可以达到较高的精度。进一步,本论文提出的方法具有一定的普遍性,它不仅可以应用到超光谱遥感图像处理中,还可以应用于更广泛的机器学习问题中。(本文来源于《南京信息工程大学》期刊2016-06-01）
王建新,朱恩,刘文松,祁友杰[9]（2016）在《基于JPEG2000的遥感图像感兴趣区域编码新算法及其VLSI设计》一文中研究指出为解决空间遥感图像数据量及信道带宽之间的矛盾,该文提出一种基于JPEG2000的感兴趣区域(Region Of Interest,ROI)编码算法。主流的JPEG2000 ROI编码算法难以兼顾ROI质量和系统计算量,且在低码率编码时有完全丢失背景的隐患。该算法通过精确控制各子带中背景系数的精度,使ROI分配到更多码流。并引入了人眼视觉特性,使较少的背景码流产生尽量好的视觉效果。另外,根据该算法提出了针对矩形ROI的超大规模集成电路(VLSI)设计,此设计经过简单调整,亦可适用于主流的ROI编码算法。测试结果表明,该算法在ROI质量和重建图像视觉效果上均表现优异,且支持任意形状ROI编码,兼容JPEG2000协议。该VLSI设计仅使JPEG2000系统运行时间增加一个周期,具有极高的吞吐率,可满足实时处理要求。(本文来源于《电子与信息学报》期刊2016年04期）
何丽蓉[10]（2016）在《基于编码曝光和颤振探测的遥感图像快速复原方法研究》一文中研究指出近年来,对地观测领域快速发展,取得了很多突破性的进展。随着对地观测质量要求的提高,获取清晰的高分辨率图像成为对地遥感领域迫切需要解决的问题。开展高分辨率图像获取与处理方法的研究工作,对遥感成像、资源探测、航空航天事业和国防事业有重要意义。然而卫星平台的颤振运动会导致拍摄图像的模糊,造成像质的下降。而在后期复原过程中,由于复原的病态性,简单方法复原的效果不好,而理想的方法时间复杂度又太高。本文提出一种基于光纤陀螺振动探测和编码曝光的颤振模糊图像复原方法,研究了编码曝光的理论基础,验证提出方法的可行性。对编码曝光方式进行了公式推导,给出其数学模型。编码曝光方法是基于扩频技术的思想,通过对快门的编码将传统的快门频谱扩展到更宽的频带上,保留更多图像的频域信息,方便图像信号的恢复。由于编码曝光码字的选取对于复原结果有着直接的影响,本文对于编码曝光的码字选取进行研究,基于传统的码字选取准则,考虑信噪比等方面的影响,对码字选取准则进行了改进。实验结果表明,使用本文的码字选取准则获得的码字,其复原结果优于传统的码字选取准则。考虑到码字为二进制的形式,采用遗传算法进行搜索,其搜索时间基本不受码字长度的影响,可以快速获得最优码字。本文也开展基于双轴光纤陀螺的任意复杂颤振实时探测的技术研究,得到实时探测颤振方法,并进行实验验证探测数据的准确度。利用探测到的颤振数据来估计模糊核,使用统计的方法,将复杂的几何计算问题转化为简单的统计问题,降低运算复杂度,提高运算速度。得到快速准确的模糊核(PSF)估计方法。本文构建了基于编码曝光和颤振探测的系统框架,搭建了实验装置。编写程序,进行仿真实验,对不同的复原方法进行比较,同时将本文方法在不同的条件下进行验证,得到实验结果；搭建实验平台,进行实拍实验,设置不用的颤振条件和拍摄场景,得到实验结果,并在主观和客观方面进行比较。实验结果表明,该方法能够实现快速的复原,对于快速获得高分辨率遥感图像具有重要意义。(本文来源于《浙江大学》期刊2016-01-01）
遥感图像编码论文开题报告
（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：
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。
（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。
遥感图像编码论文参考文献
[1].张童.基于残差块的遥感图像目标识别自编码网络[J].哈尔滨师范大学自然科学学报.2019
[2].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
[3].徐昭洪,刘宇,全吉成,吴晨.基于VGG16预编码的遥感图像建筑物语义分割[J].科学技术与工程.2019
[4].张国东,周浩,方淇,张露,杨峻.基于栈式自编码神经网络对高光谱遥感图像分类研究[J].红外技术.2019
[5].徐佳庆,万文,吕启.基于二阶矩稀疏编码的高光谱遥感图像分类[J].计算机科学.2018
[6].李倩兰.基于层次化自编码的异质遥感图像融合与变化检测[D].西安电子科技大学.2018
[7].余林佳,刘阳.基于稀疏编码的卫星遥感图像目标检测方法[C].第四届高分辨率对地观测学术年会论文集.2017
[8].张倩.基于Hash编码的超光谱遥感图像分类[D].南京信息工程大学.2016
[9].王建新,朱恩,刘文松,祁友杰.基于JPEG2000的遥感图像感兴趣区域编码新算法及其VLSI设计[J].电子与信息学报.2016
[10].何丽蓉.基于编码曝光和颤振探测的遥感图像快速复原方法研究[D].浙江大学.2016
论文知识图
