导读:本文包含了遥感图像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:遥感,图像,光谱,神经网络,语义,卷积,地物。
遥感图像分类论文文献综述
闫颖[1]（2019）在《基于偏微分方程的遥感成像雷达距离图像分类方法》一文中研究指出针对传统方法分类遥感成像雷达距离图像时,未对图像进行平滑处理,导致其易受环境干扰,分类性能较差的问题,提出一种基于偏微分方程的遥感成像雷达距离图像分类方法.首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理,然后采用基于偏微分方程的多区域分割模型,将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程,通过分割对能量泛函数进行最小化处理,实现遥感成像雷达距离图像的多区域分类.实验结果表明,该方法成像速度快,去噪和图像分割效果好,分类精度和Kappa系数值均较高.(本文来源于《吉林大学学报(理学版)》期刊2019年06期）
王莹[2]（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[3]（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）
董珊,杨占昕,庞龙,庄胤,陈禾[4]（2019）在《语义分割网络在可见光遥感图像地物分类中的应用》一文中研究指出遥感技术的发展推动遥感图像数据爆发式增长,并呈现出更高分辨率、更大幅宽的趋势。传统地物分类方法特征提取能力和泛化能力不足以解决高分辨率遥感图像的多地物分类问题。语义分割网络在自然场景图像中展现了强大的特征提取能力。针对复杂场景的高分辨率遥感图像,需结合遥感图像的特点,提出更适用于遥感图像地物分类的遥感语义分割模型。(本文来源于《第十叁届全国信号和智能信息处理与应用学术会议论文集》期刊2019-10-25）
戚王月,胡宏祥,夏萍,周婷[5]（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）
韩雪[6]（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）
周强,徐宏伟,陈逸,孙玉宝[7]（2019）在《随机多选择残差网络集成的遥感图像分类算法》一文中研究指出深度卷积网络作为一种高效的特征表示学习算法,被广泛的应用于图像分类问题中.由于遥感图像存在目标尺度与方向变化大、类内场景差异形大等问题,单一的深度网络通常不能获得准确的分类结果.为此,本文提出一种随机多选择残差网络集成的遥感图像分类算法,该算法通过多选择学习策略,集成多个残差网络共同完成分类任务,算法设置有效的集成学习目标函数,并通过随机梯度下降算法最小化多个子网络对每个样本的最优分类误差,促使各个网络之间的差异性,能够自适应于特定类别的分类任务,进而形成有效的分类,同时其泛化性通常显着优于单个学习器.在两个公开的遥感数据集上验证了本文算法的有效性,多个残差网络能够对不同类别的遥感影像形成最优分类,有效提升了分类的准确性.(本文来源于《小型微型计算机系统》期刊2019年09期）
彭金喜,苏远歧,薛笑荣[8]（2019）在《一种小波域K-Means遥感图像分类标注算法》一文中研究指出由于合成孔径雷达图像(遥感)的相干斑噪声数据丰富,导致传统的遥感图像分割方法分割效果不佳,采用学习理论和神经网络改善图像处理性能。根据图像统计特征,采取神经网络语义提出一种高效的图像纹理特征分割方法。首先,利用K-means聚类提取遥感图像的纹理特征,然后根据遥感图像在小波域中的分布特征对其进行滤波,最后利用语义对滤波后的遥感图像纹理特征和灰度组成的矢量进行分割归类,在遥感图像分割中快速标注分类以便于视觉分析。利用区域一致性分割分类,由聚类样本特征匹配进行图像分类标注,对变化检测进行统计分析,过分割或欠分割误差聚类样本不做标注,选取最佳样本聚类k值标注分类结果。(本文来源于《软件导刊》期刊2019年09期）
崔先亮,陈立福,邢学敏,袁志辉[9]（2019）在《基于频带特征融合的GL-CNN遥感图像场景分类》一文中研究指出高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显着提高。(本文来源于《遥感技术与应用》期刊2019年04期）
夏绥丹[10]（2019）在《数字图像处理技术在遥感图像分类中的应用》一文中研究指出随着数字图像处理的不断发展和完善,其大大提升了遥感图像分类的效率、可靠性和智能化水平,本文通过介绍现在常用的遥感图像获取手段,比对叁种常见的分类分析方法,进而探索了图像智能分类实际应用领域和其局限性。(本文来源于《中国新通信》期刊2019年15期）
遥感图像分类论文开题报告
（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：
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。
（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。
遥感图像分类论文参考文献
[1].闫颖.基于偏微分方程的遥感成像雷达距离图像分类方法[J].吉林大学学报(理学版).2019
[2].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
[3].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
[4].董珊,杨占昕,庞龙,庄胤,陈禾.语义分割网络在可见光遥感图像地物分类中的应用[C].第十叁届全国信号和智能信息处理与应用学术会议论文集.2019
[5].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
[6].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
[7].周强,徐宏伟,陈逸,孙玉宝.随机多选择残差网络集成的遥感图像分类算法[J].小型微型计算机系统.2019
[8].彭金喜,苏远歧,薛笑荣.一种小波域K-Means遥感图像分类标注算法[J].软件导刊.2019
[9].崔先亮,陈立福,邢学敏,袁志辉.基于频带特征融合的GL-CNN遥感图像场景分类[J].遥感技术与应用.2019
[10].夏绥丹.数字图像处理技术在遥感图像分类中的应用[J].中国新通信.2019
论文知识图
