导读:本文包含了高分辨率遥感图像论文开题报告文献综述及选题提纲参考文献，主要关键词:无人机,高分辨率遥感图像,最佳缝合线,多分辨率融合
高分辨率遥感图像论文文献综述
么鸿原,林雪原,王海鹏,郭强[1]（2019）在《针对高分辨率遥感图像的融合拼接算法》一文中研究指出为给观测人员提供视角宽广、内容丰富、真实客观的全景图像,通过对无人机航拍相邻图像间的位置关系的研究结合改进的特征检测与描述算法,提出一种针对高分辨率遥感图像的特征查找与匹配算法,同时提出一种基于最佳缝合线的多分辨率融合算法,制定多幅高分辨率遥感图像的分层拼接策略。在实验阶段,特征点匹配数目相比传统SURF算法平均减少44%,运行时间减少37%,相比文献[10]算法匹配数目平均减少26%,运行时间减少22%,结合最终给出的50幅高分辨率遥感图像拼接结果,说明了优化算法在多幅高分辨率遥感图像拼接中的有效性,为进一步研究打下坚实基础。(本文来源于《计算机工程与设计》期刊2019年11期）
葛芸,马琳,江顺亮,叶发茂[2]（2019）在《基于高层特征图组合及池化的高分辨率遥感图像检索》一文中研究指出高分辨率遥感图像内容复杂,提取特征来准确地表达图像内容是提高检索性能的关键。卷积神经网络(CNN)迁移学习能力强,其高层特征能够有效迁移到高分辨率遥感图像中。为了充分利用高层特征的优点,该文提出一种基于高层特征图组合及池化的方法来融合不同CNN中的高层特征。首先将高层特征作为特殊的卷积层特征,进而在不同输入尺寸下保留高层输出的特征图;然后将不同高层输出的特征图组合成一个更大的特征图,以综合不同CNN学习到的特征;接着采用最大池化的方法对组合特征图进行压缩,提取特征图中的显着特征;最后,采用主成分分析(PCA)来降低显着特征的冗余度。实验结果表明,与现有检索方法相比,该方法提取的特征在检索效率和准确率上都有优势。(本文来源于《电子与信息学报》期刊2019年10期）
戚王月,胡宏祥,夏萍,周婷[3]（2019）在《基于改进BP神经网络的多分辨率遥感图像分类及对比分析》一文中研究指出在遥感图像分类的研究中,传统的分类方法对"同物异谱"、"异物同谱"现象识别能力较差。此外,常用的BP神经网络分类存在时间长、易陷入局部极小等不足。将BP网络中的激励函数添加偏置参数、学习率进行自适应调整,并与最大似然、BP神经网络分类比较,结果表明改进的BP神经网络分类精度为89.69%,比最大似然提高了15.35%,比BP神经网络提高了23.81%。另一方面,基于改进的BP神经网络分类,对分辨率为16 m的高分一号卫星(GF-1)图像和分辨率为5.8 m的资源叁号卫星(ZY-3)图像进行分类比较,并以ZY-3分类图作为检验图像,GF-1图像的分类精度达到了88.02%,各类地物的用户精度和制图精度在70%～99%之间,说明成本较低、宽幅较广的GF-1图像在地物信息获取方面可基本实现ZY-3卫星图像效果,为遥感图像地物信息提取提供了一定的参考。(本文来源于《安徽农业大学学报》期刊2019年04期）
王宇,杨艺,王宝山,王田,卜旭辉[4]（2019）在《深度残差神经网络高分辨率遥感图像建筑物分割》一文中研究指出针对高分辨率遥感图像建筑物分割问题,提出一种Encoder-Decoder的深度学习框架,建立输入图像到分割结果之间的端对端的分割模型。其中Encoder以残差网络为基础,自动提取建筑物的特征;Decoder采用反卷积实现对特征图的上采样,从而完成对建筑物的分割;同时引入批量规范化处理,降低了神经网络权重训练过程中的梯度竞争,从而减小了神经网络的训练难度。实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息,降低复杂道路等干扰的影响,提升建筑物的分割精准度,算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为:0.837、0.892和0.630;F值分别为:0.851、0.879和0.730。同时,多分辨率条件下的分割实验结果表明,该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力。(本文来源于《遥感技术与应用》期刊2019年04期）
董珊,杨占昕,龙腾,庄胤,陈禾[5]（2019）在《基于结构化稀疏表达的高分辨率光学遥感图像的船只检测》一文中研究指出为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等叁部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。(本文来源于《信号处理》期刊2019年06期）
刘占强[6]（2019）在《高分辨率遥感图像配准技术的研究》一文中研究指出近年来,随着遥感技术的发展和进步,航天器上搭载的传感器由于拍摄用时比较长、价格高昂、图像的分辨率比较低、处理起来难度大等缺点,逐渐被种类更加丰富和性能优良的高分辨率遥感卫星替代。目前,高分辨率遥感技术在农业、林业、城市规划、军事等领域均得到了广泛应用。其中,图像配准技术是这些应用的基础,图像配准技术可以看作是将两幅包含同一景物的不同图像由不同空间坐标系通过一定模型变换到同一坐标下的过程。因此,高分辨率遥感图像配准技术引起了广大学者们的重视。相对于传统的中低分辨率的遥感图像来说,高分辨率的遥感图像可以在一定程度上更好地展现拍摄物的细节纹理特征,但与此同时局部图像上微小的形变就会被放大,这就给高分辨率遥感图像的配准带来了新的挑战。具体表现为:第一,高分辨率的图像在空间信息上变得更为丰富,近地面物体的特征更加相似,特征匹配易受纹理特征相似性的干扰。第二,高分辨率遥感图像具有较高空间分辨率和较大的幅宽,给图像的存储、传输和处理带来不便。第叁,高分辨率遥感卫星携带大量机要信息,图像在云端配准处理过程中易遭到攻击。本论文对高分辨率遥感图像高效配准的问题进行了研究,相关的创新成果如下:(1)为解决相似性干扰,本文提出了一种局部特征结合全局上下文信息的描述符,即局部与全局的尺度不变转换算法(Local and global of scale-invariant feature transform,LG-SIFT)。然后通过实验仿真并与其他经典的配准算法进行比对,配准效果表明本文的算法可以减弱纹理特征相似对遥感图像配准的干扰,提高了图像配准的准确率。(2)针对高分辨率遥感图像所需存储空间大和处理难,提出用压缩感知技术对图像进行压缩采样,从而减少图像的传输带宽;同时将图像的配准过程通过云端完成,利用云计算资源提高图像处理速度,便于图像的存储和转移。(3)为减少遥感图像信息免受攻击,利用下混沌映射的伪随机性和混沌序列初始值敏感性对图像进行处理,并以两个混沌矩阵作为密钥,增强方法的安全性。综合以上叁个创新点,本文提出了一种基于混沌压缩感知云端遥感图像配准方案。首先用的混沌压缩感知方法对遥感图像进行压缩和加密处理,减少图像的传输带宽、加密图像信息。然后将上传至云端的图像采用云计算资源处理,既提高了图像处理的效率又节省了图像的存储空间、便于图像的转移。最后,利用结合局部特征与相对形状上下文的遥感图像配准方法对解密后的图像进行配准操作,并将配准效果与当前较新的算法进行对比。实验结果表明本文的方案能够减少纹理特征相似的干扰,提高高分辨率遥感图像的配准精度与鲁棒性。(本文来源于《北京邮电大学》期刊2019-06-06）
赵肖肖[7]（2019）在《基于深度学习的高分辨率遥感图像去雾方法研究》一文中研究指出如今,遥感技术迅速发展,遥感图像被普遍应用于土地资源勘探、工农业、救灾等各个领域。然而,遥感成像设备受到雾天天气的影响,导致拍摄的遥感图像模糊,遥感图像的利用率降低。因此,对于遥感图像进行去雾处理具有一定的研究意义。为了提高图像去雾的质量,在对遥感图像去雾之前,设置了一个前置条件。采用基于VGG19(深度卷积网络)的迁移学习方法对遥感图像进行有雾识别。识别之后,采用条件生成式对抗网络方法对图像进行去雾,该方法摆脱了大气散射模型,直接对图像去雾。本文的主要工作如下:(1)采用基于VGG19的迁移学习雾图识别方法。首先将遥感图像分为有雾和无雾。对VGG19网络进行微调,将网络中的卷积层和池化层对保留下来,将最后的分类部分改为两类。通过对网络进行训练,最终能够对有雾图像进行识别。(2)采用基于条件生成式对抗网络方法对遥感图像进行去雾。在模型训练之前,先将有雾图像和无雾图像进行配对处理。生成网络采用上采样和下采样的网络结构,为了使生成网络生成的图像不会与原图有较大的差别,在损失函数里面加入了距离函数。该网络真正实现了端到端的图像去雾处理。(3)设计高分遥感图像去雾系统。利用VGG19的迁移学习方法和条件生成式对抗网络去雾方法设计了集图像识别模块、图像去雾模块于一体的高分遥感图像去雾系统。通过实验测试,验证了算法在实际应用中的有效性及可行性。(本文来源于《内蒙古工业大学》期刊2019-06-01）
朱凯强[8]（2019）在《基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类》一文中研究指出随着遥感探测技术的发展,遥感数据获取逐渐朝着高光谱及高空间分辨率方向发展,在诸多遥感应用研究热点中,高光谱数据地物分类以及高空间分辨率遥感图像场景分类受到了人们的广泛关注。高光谱分辨率以及高空间分辨率带来丰富的光谱信息以及空间结构信息的同时,其数据的高维性以及空间结构的复杂性也对遥感数据特征提取方法提出了更高的要求。本论文从两类遥感数据复杂的特征分布出发,基于深度胶囊网络构建高光谱以及高空间分辨率遥感图像分类模型。模型利用胶囊网络强大的向量化特征表示能力以及基于动态路由机制的特征整合能力,更好的完成两类遥感数据的特征提取与整合,以实现更优的分类性能。论文的主要研究内容包括以下几方面:首先,深入研究了深度学习尤其是深度卷积神经网络的理论及典型模型,并在此基础上分析卷积神经网络的不足之处,引出深度胶囊网络的理论,并详细分析模型特点以及动态路由算法。在全连接胶囊网络层基础上,引入局部连接、权值共享的思想到胶囊网络层中,结合局部连接版动态路由算法得到卷积胶囊网络层,为后续构建基于胶囊网络的遥感数据分类模型奠定基础。其次,基于卷积胶囊网络完成高光谱数据光谱以及空-谱分类。利用卷积胶囊网络层分别构建一维光谱胶囊网络分类器和叁维空-谱胶囊网络分类器。通过对模型参数进行详细的分析,验证了深度胶囊网络对于高光谱数据分类的有效性,同时与经典的高光谱数据分类方法进行对比,在多组数据上均取得了更优的分类性能。最后,基于深度胶囊网络进行高空间分辨率遥感图像场景分类。通过迁移ImageNet数据集预训练的卷积神经网络模型参数,实现图像原始像素灰度信息到胶囊网络向量表征过渡的同时降低模型对训练数据量的需求,通过多层次特征迁移,结合卷积胶囊网络层进行特征进一步提取、整合与分类,本文在多组数据集上对比经典分类方法,取得了更精确地分类结果。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
杨路路[9]（2019）在《利用高分辨率遥感图像提取喀斯特植被方法研究》一文中研究指出我国的西南喀斯特岩溶面积约51.36万平方公里,占国土面积5.35%,喀斯特山峰上生长着森林、灌木等自然植被,对维持喀斯特地区生态平衡起着至关重要作用。获取喀斯特植被的覆盖信息、监测喀斯特植被的覆盖变化是林业森林调查的重要任务,但对大面积地区的喀斯特植被进行人工森林调查耗费大量的人力、物力、财力和时间,而且调查结果无法及时反映大面积喀斯特植被的具体状况。遥感技术的发展,特别是高分辨率遥感图像的出现,为大面积喀斯特植被信息的精细化调查提供了唯一经济、快速、可行的适用性方法。然而喀斯特植被与邻近农作物等地面植被在高分辨率遥感图像中常存在明显的光谱重迭,“异物同谱”现象的产生给喀斯特植被的遥感自动提取引入一定的误差,极易造成“误识别和漏识别”,很难保证喀斯特植被信息提取的精度。因此,研究快速、准确地提取高分辨率遥感图像中喀斯特植被的方法,对林业部门开发软件处理遥感大数据,监测大面积喀斯特山峰的植被覆盖变化具有重要意义。本文以提取喀斯特山峰的森林植被为最终目的,将桂林市郊区的卫星拍摄的部分地貌地形作为研究区域,使用其高分辨率遥感图像进行森林植被的提取。重点阐述了基于SVM和HSI的森林植被提取方法,较为全面的介绍了高分辨率图像中颜色信息的计算方法以及支持向量机的具体操作步骤,结合实验结果进行对比分析,基于Visual Studio设计出遥感图像森林植被提取系统,便于各类方法的比较,最后对论文研究的工作进行总结和展望。论文的主要工作有:(1)为了实现高分辨率遥感图像中喀斯特植被信息自动提取的目的,使用最大类间法、最大熵法等经典算法以及FRFCM算法、卷积神经网络深度学习算法等新方法对高分辨率遥感图像进行森林植被的提取,得出新方法在提取精度上具有一定的优势。(2)为了减弱“异物同谱”现象干扰,提升喀斯特植被提取精度,针对一般方法存在的问题,提出一种基于支持向量机SVM和HSI空间特征的遥感图像分割方法,利用SVM对高分辨率遥感图像的颜色信息进行训练、分类和识别,把分类后的图像进行去除非绿色背景操作,最后将其转换到HSI空间进行形态学的开闭重建,得出最终提取目标。通过对比实验可以发现,该方法的提取精度和运算速度明显优于其他方法,满足林业部门快速、准确处理遥感大数据的要求。(3)利用Visual Studio编程实现“喀斯特森林植被自动提取系统”,设计可视化界面,方便操作,能够对不同的算法下的森林植被提取结果与运行处理时间进行比较,实现遥感大数据喀斯特森林植被变化的快速、准确监测。(本文来源于《广西师范大学》期刊2019-06-01）
张馨月[10]（2019）在《基于DCNN的高分辨率遥感图像场景分类》一文中研究指出随着地学研究、经济建设、社会发展需要等多种因素的强力推动,遥感对地观测技术日益精进,遥感数据已经进入高分辨率影像时代。高空间分辨率遥感图像相对于中低分辨率遥感图像,能够提供更多的形状、纹理和空间信息,在精细农业、地籍调查、城市规划等诸多领域存在广阔的应用前景。但传统的遥感图像分类方法无法满足高层次遥感图像内容解译的需求,因此面向场景的高分辨率遥感图像分类是当前的热门研究课题。场景高分二号(GF-2)卫星作为我国首颗自主研发的亚米级空间分辨率遥感卫星,能够获取0.8m空间分辨率全色图像以及3.2m空间分辨率多光谱图像,空间信息丰富,应用前景广阔。本文基于深度卷积网络(DCNN)结构中的残差学习网络(ResNet)提取高分辨率遥感图像深度特征,与高分辨率遥感图像底层特征共同构建UC Merced Land Use(UCM)数据集图像场景语义特征,训练支持向量机(SVM)、K-近邻算法(KNN)两种分类器进行对比分析,得到高分辨率遥感图像场景分类模型;然后建立7类GF-2场景数据集,采用迁移学习理论中样本迁移方法,对GF-2数据集进行场景分类,并最终实现GF-2图像的场景级分类,为进一步将高分辨率遥感图像应用于更多领域提供研究基础。主要包括以下研究成果:1)提取基于ResNet网络提取高分辨率遥感图像的深度特征和高分辨率遥感图像底层特征中颜色矩及灰度共生矩阵特征,通过不同特征组合,构成Feature_R、Feature_(RC)、Feature_(RG)、Feature_(RCG)四种表达高分辨率遥感图像场景语义的组合特征,用于高分辨率遥感图像场景分类。2)基于以上四种组合特征分别训练SVM、KNN两种分类器组成八种分类模型对UCM数据集进行场景分类,精度评价后对比分析得出,在SVM分类器下Feature_(RC)与Feature_(RCG)两种组合特征场景分类精度到达93.81%,优于其它分类模型。因此,Feature_(RC)-SVM分类模型为本文的最优高分辨率遥感图像场景分类模型。3)根据迁移学习理论,选用UCM数据集中农田、密集住宅区、森林、十字路口、立交桥、停车场、河流七类场景图像作为迁移样本,采用Feature_(RC)-SVM分类模型实现对小样本量GF-2数据集的场景图像分类,分类精度达到95.71%;最后结合所选研究区范围的场景边界,进行GF-2图像的场景级分类,分类结果与实际一致,能够为进一步针对GF-2图像进行目标检测、识别等问题提供研究基础。(本文来源于《吉林大学》期刊2019-06-01）
高分辨率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：
高分辨率遥感图像内容复杂,提取特征来准确地表达图像内容是提高检索性能的关键。卷积神经网络(CNN)迁移学习能力强,其高层特征能够有效迁移到高分辨率遥感图像中。为了充分利用高层特征的优点,该文提出一种基于高层特征图组合及池化的方法来融合不同CNN中的高层特征。首先将高层特征作为特殊的卷积层特征,进而在不同输入尺寸下保留高层输出的特征图;然后将不同高层输出的特征图组合成一个更大的特征图,以综合不同CNN学习到的特征;接着采用最大池化的方法对组合特征图进行压缩,提取特征图中的显着特征;最后,采用主成分分析(PCA)来降低显着特征的冗余度。实验结果表明,与现有检索方法相比,该方法提取的特征在检索效率和准确率上都有优势。
（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。
高分辨率遥感图像论文参考文献
[1].么鸿原,林雪原,王海鹏,郭强.针对高分辨率遥感图像的融合拼接算法[J].计算机工程与设计.2019
[2].葛芸,马琳,江顺亮,叶发茂.基于高层特征图组合及池化的高分辨率遥感图像检索[J].电子与信息学报.2019
[3].戚王月,胡宏祥,夏萍,周婷.基于改进BP神经网络的多分辨率遥感图像分类及对比分析[J].安徽农业大学学报.2019
[4].王宇,杨艺,王宝山,王田,卜旭辉.深度残差神经网络高分辨率遥感图像建筑物分割[J].遥感技术与应用.2019
[5].董珊,杨占昕,龙腾,庄胤,陈禾.基于结构化稀疏表达的高分辨率光学遥感图像的船只检测[J].信号处理.2019
[6].刘占强.高分辨率遥感图像配准技术的研究[D].北京邮电大学.2019
[7].赵肖肖.基于深度学习的高分辨率遥感图像去雾方法研究[D].内蒙古工业大学.2019
[8].朱凯强.基于深度胶囊网络的高光谱及高空间分辨率遥感图像分类[D].哈尔滨工业大学.2019
[9].杨路路.利用高分辨率遥感图像提取喀斯特植被方法研究[D].广西师范大学.2019
[10].张馨月.基于DCNN的高分辨率遥感图像场景分类[D].吉林大学.2019