导读:本文包含了航空影像分割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:影像,向量,航空,纹理,区域,分水岭,小二。
航空影像分割论文文献综述
袁胜古,王密,潘俊,胡芬,李东阳[1]（2015）在《航空影像接缝线的分水岭分割优化方法》一文中研究指出提出了一种基于自适应标记分水岭分割的航空影像接缝线优化方法。该方法利用分割区域差异确定接缝线优先穿越区域,然后在优先穿越区域中使用基于最小二叉堆的Dijkstra最短路径算法得到最终的接缝线。试验表明,本文方法获得的接缝线能很好地避开投影差较大的区域,与其他算法的比较也表明本文方法具有更好的效果和效率。(本文来源于《测绘学报》期刊2015年10期）
许佳佳[2]（2014）在《基于MeanShift算法的航空影像联合分割》一文中研究指出为了实现在包含部分变化信息的相同区域不同时相的高分辨率航空影像上获得准确一致的分割结果,提出了两时相高分辨率航空影像联合分割方法。首先,对两时相影像进行高斯平滑处理,减小地物的内部差异以避免过分割;然后将两时相影像进行波段组合,采用主成分分析法剔除冗余数据,取其第一主分量作为灰度分量;最后对原始影像进行纹理分析,获得两时相影像的纹理信息作为纹理分量并与灰度分量组合在一起进行MeanShift分割。实验对比结果表明,该方法能够有效利用数据,节省处理时间,获得了较好的分割结果。(本文来源于《液晶与显示》期刊2014年04期）
何培培,万幼川,蒋朋睿,高贤君,秦家鑫[3]（2014）在《彩色分割的航空影像房屋自动检测》一文中研究指出航空影像房屋提取方法的研究中大多基于灰度影像的区域生长算法,此类算法不仅忽略了不同材质的房屋所呈现的光谱特征对提取结果的影响,而且过于依赖种子像素的选取,处理效率不高。为了从高分辨率航空影像中实现房屋的自动检测,综合利用彩色信息与屋顶材料的光谱特征,采用影像分割原理,研究了房屋自动检测的方法。首先对RGB与HIS彩色空间进行转换,利用HIS空间各分量间不相关的特点和屋顶材料光谱特征进行影像分割,分离出红色瓦片屋顶与灰色水泥屋顶区域,并利用标记分水岭算法实现房屋区域的初始分割;然后计算各标记区域内的色调均值选取种子像斑样本,进而以像斑为单元在色调分量中进行区域生长,最后经过消除小斑和矩形拟合优化处理,得到轮廓清晰的房屋区域。与传统的基于像素区域分割算法相比,该方法整个过程无需人工干预且均在一维彩色空间进行处理,计算量明显降低,同时采用改进的基于像斑区域生长算法能够兼顾邻近区域内像素的几何结构信息,使算法精度得到显着提高,采用上述方法对高分辨率航空影像进行了实验,结果证明该方法有着较高的处理效率和准确性,具有实用价值。(本文来源于《光谱学与光谱分析》期刊2014年07期）
王丽华,蒋朋睿,王岩,刘强[4]（2014）在《基于彩色影像分割的航空影像房屋提取方法》一文中研究指出将灰度影像分割技术与彩色影像丰富的颜色信息相结合,研究出基于彩色影像分割的航空影像房屋提取方法,并通过实验证明了该方法的可行性。(本文来源于《内蒙古科技与经济》期刊2014年09期）
徐胜华,刘纪平,胡明远[5]（2010）在《基于区域分割的彩色航空影像建筑物自动检测》一文中研究指出为了从高分辨率遥感图像中完整提取建筑物区域,采用区域分割的原理,研究了建筑物自动检测的方法。该方法首先利用利用K-Mean分类方法将地物分为两类:人工地物类和非人工地物类,然后利用阴影、Mean Shift分割信息来剔除人工地物类中干扰区域,再根据形状分析来确定真实的建筑物区域。本文用上述方法对高分辨率航空影像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2010年06期）
王晶,王刊生[6]（2008）在《基于图像分割的数字航空影像匀光》一文中研究指出在传统光学晒印中的马斯克(MASK)匀光原理的基础上,采用数字图像处理中的图像分割技术,对不均匀光照的数字航空影像进行了匀光处理,提出一种适应性强的数字匀光的处理方法,使得马斯克匀光原理在对数字影像的处理中能更加有效的发挥作用。(本文来源于《地理空间信息》期刊2008年01期）
徐芳,梅文胜,张志华[7]（2005）在《航空影像分割的最小二乘支持向量机方法》一文中研究指出将最小支持向量机LS-SVM用于航空影像的分割,讨论了不同核函数对分割结果的影响和稀疏化处理对决策函数的影响。试验表明了LS-SVM方法用于航空影像分割的可行性。(本文来源于《武汉大学学报(信息科学版)》期刊2005年08期）
谢兴灿,裴继红,黄建军,唐亮[8]（2004）在《城市航空影像中建筑群的FCM聚类分割方法》一文中研究指出在低分辨率城市航空影像中建筑群由于阴影的存在造成其灰度呈现明暗变化 ,采用基于像素级的分割方法以及阈值分割方法均不能得到好的结果。为了充分利用这种明暗变化的信息 ,讨论了一种以图像子块灰度的标准差和直方图的熵作为特征矢量 ,采用基于模糊C -均值 (FCM)的分块聚类方法用于建筑群的粗略分割 ,由于分块有重迭 ,造成边界块的归属不明确 ,因此根据包含边界块的子块的隶属度来确定边界块的归属 ,从而得到了正确的边界区域 ,并利用区域生长和闭合运算对边界进行细化。对实际图像进行实验结果表明 ,该方法是有效的。(本文来源于《计算机仿真》期刊2004年04期）
徐芳[9]（2004）在《航空影像分割的支持向量机方法》一文中研究指出影像解译是目前生产中急需，但尚未完全解决的摄影测量与遥感技术热点之一，也是亟待解决的一个瓶颈问题。支持向量机是国际上机器学习领域新的研究热点，是Vapnik等人根据小样本统计理论—统计学习理论发展的一种新的通用学习算法，能够较好的解决小样本学习问题。因此本文将支持向量机引入到航空影像的分类与分割中，期望探索一种新的航空影像解译的有效途径，为实现航空影像的自动解译打下一定的基础。 本文的主要研究内容包括以下几个方面：航空影像纹理分类与影像分割的支持向量机方法，遗传模糊-C均值的支持向量机样本预选取方法，最小二乘支持向量机及其稀疏性在航空影像分割中的应用，支持向量机与其它方法用于航空影像分类与分割的优劣比较。 (1) 提出将支持向量机用于航空影像的纹理分类与影像分割中，在对多种线性不可分的特征进行分类时，用SVM方法得到了较好的分割与分类结果。 研究了支持向量机参数(核函数、惩罚因子C)和影像特征维数对航空影像分割与分类的影响。SVM中核函数的选择对航空影像纹理的正确分类没有太大的影响，选择不同核函数所对应的最高分类正确率相差不多；但不同的核函数对航空影像分割的影响较大；航空影像纹理分类和分割对常数C敏感；可采用cross-validation方法确定惩罚因子C的初值，调整此初值，达到最好的分割结果。在选择特征时，应尽量多选择特征以得到好的分割与分类结果。 鉴于航空影像的复杂性，决策函数的较小变化会使超平面附近的样本类别发生变化，因而提出了保留支持值α_i=C对应的样本，来保证分割的正确率。 提出了两级金字塔影像上的决策树支持向量机方法，解决航空影像中多类地物的分割问题。 (2) 支持向量机的研究热点之一是对其训练算法的研究，训练学习过程中需要计算和存储的数据大小与训练样本数的平方相关，因此随着样本数目的增多，所需要的内存也就增大。本文提出遗传模糊-C均值的样本预选取方法，保留了最优分类超平面附近的样本点，去除远处样本点，减小训练样本集，从而减少了内存的开销。 对不同的样本集，样本集减小比例略有不同，但样本集都是可以减小的，只要减少后的样本集进行SVM训练的迭代次数和SV个数变化不大，决策函数就变化不大，就可以通过减小样本集，减少内存的开销。同时，通过减小样本集，使SV所占比例提高，也使优化学习过程更有效的集中在SV的优化上。 (3) 支持向量机中惩罚因子C对分类与分割的精度有很大的影响，而C是由人确定的，与人的经验有关。最小二乘支持向量机避免了C值的选择问题，本文用最小二乘支持向量机分割航空影像，其结果比经典方法略差。 提出用LS-SVM的稀疏化处理方法分割航空影像，稀疏化后的分割结果与未作稀疏化处理的分割结果相差较小，因而，可根据最小二乘支持向量机的稀疏性简化决策函数，提高测试速度。 (4)神经网络是近年来广泛应用的一种方法，因其具有并行处理、自学习和高容错性，得到了众多学者的青睐。本文在使用相同的样本和特征的情况下，利用支持向量机和神经网络进行分类和分害lJ，结果表明支持向量机方法好于神经网络方法。原因在于神经网络完全依赖初始权值，而初始权值的确定还没有一个稳健的方法，支持向量机方法依赖于惩罚因子(常数)C值和核函数的选择，结果也不够稳健，其对C的依赖性略大于核函数，但在同一核函数条件下凭经验可在有限次数内找到最优C值。 模糊一C均值方法是一种常用的分割方法，但是，由于本文试验中的影像特征是线性不可分的，即使采用了监督方法，FCM也无法准确将每一像素正确归入它应在的类别。因而，无论是监督的FCM方法还是非监督的FCM方法，其对航空影像的分割都比支持向量机方法差。(本文来源于《武汉大学》期刊2004-04-01）
刘少创,林宗坚[10]（1997）在《彩色航空影像分割的OCTOPUS方法》一文中研究指出针对航空影像中目标提取问题中存在的困难，提出了一种顾及目标的区域特征、边缘特征、形状的连续性与平滑性及人的识别能力的彩色影像中目标提取方法，根据这一算法的性质和行为特征，本文将其称为Ｏｃｔｏｐｕｓ方法。本文最后给出了将Ｏｃｔｏｐｕｓ用于彩红外影像中目标提取的例子。(本文来源于《中国图象图形学报》期刊1997年11期）
航空影像分割论文开题报告
（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：
为了实现在包含部分变化信息的相同区域不同时相的高分辨率航空影像上获得准确一致的分割结果,提出了两时相高分辨率航空影像联合分割方法。首先,对两时相影像进行高斯平滑处理,减小地物的内部差异以避免过分割;然后将两时相影像进行波段组合,采用主成分分析法剔除冗余数据,取其第一主分量作为灰度分量;最后对原始影像进行纹理分析,获得两时相影像的纹理信息作为纹理分量并与灰度分量组合在一起进行MeanShift分割。实验对比结果表明,该方法能够有效利用数据,节省处理时间,获得了较好的分割结果。
（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。
航空影像分割论文参考文献
[1].袁胜古,王密,潘俊,胡芬,李东阳.航空影像接缝线的分水岭分割优化方法[J].测绘学报.2015
[2].许佳佳.基于MeanShift算法的航空影像联合分割[J].液晶与显示.2014
[3].何培培,万幼川,蒋朋睿,高贤君,秦家鑫.彩色分割的航空影像房屋自动检测[J].光谱学与光谱分析.2014
[4].王丽华,蒋朋睿,王岩,刘强.基于彩色影像分割的航空影像房屋提取方法[J].内蒙古科技与经济.2014
[5].徐胜华,刘纪平,胡明远.基于区域分割的彩色航空影像建筑物自动检测[J].辽宁工程技术大学学报(自然科学版).2010
[6].王晶,王刊生.基于图像分割的数字航空影像匀光[J].地理空间信息.2008
[7].徐芳,梅文胜,张志华.航空影像分割的最小二乘支持向量机方法[J].武汉大学学报(信息科学版).2005
[8].谢兴灿,裴继红,黄建军,唐亮.城市航空影像中建筑群的FCM聚类分割方法[J].计算机仿真.2004
[9].徐芳.航空影像分割的支持向量机方法[D].武汉大学.2004
[10].刘少创,林宗坚.彩色航空影像分割的OCTOPUS方法[J].中国图象图形学报.1997
论文知识图
