导读:本文包含了分类精度评价论文开题报告文献综述及选题提纲参考文献，主要关键词:Landsat-8,OLI影像,GF-2影像,森林资源分类,支持向量机
分类精度评价论文文献综述
徐辉,潘萍,杨武,欧阳勋志,宁金魁[1]（2019）在《基于多源遥感影像的森林资源分类及精度评价》一文中研究指出借助多源遥感影像数据进行森林资源分类是提高分类精度和实现森林资源精细识别的有效途径。以江西省吉水县为研究区,基于Landsat-8 OLI和GF-2遥感影像数据,在对采样数据进行光谱、纹理分析的基础上运用支持向量机分类法对森林资源进行分类,并对两种影像分类结果精度评价后采用替换法进行多源遥感影像分类。结果表明:(1)Landsat-8 OLI和GF-2影像森林资源分类最佳纹理窗口和方向分别为7×7、135°和19×19、135°。(2)GF-2影像加入纹理特征后阔叶林、针阔混交林的生产者精度和用户精度均高于Landsat-8 OLI影像,灌木林生产者精度与用户精度分别低于和高于Landsat-8 OLI影像,而竹林的生产者精度(63.33%)和用户精度(67.86%)均低于Landsat-8 OLI影像的生产者精度(90%)和用户精度(77.14%);GF-2影像加入纹理特征后总体分类精度从80.97%提高到87.04%,提高了6.07%,而Landsat-8 OLI影像只提高了2.23%。(3)采用替换法得到的多源遥感影像分类结果总体精度达到88.87%,比GF-2影像分类结果精度高1.83%。因此,综合分析多源遥感影像在森林资源分类中表现出的差异性并采用替换法对多源分类结果进行优势结合有助于提高遥感影像的森林资源分类精度。(本文来源于《江西农业大学学报》期刊2019年04期）
曹伟超,李明,刘江,陈阳[2]（2018）在《基于中分影像的不同时相地表覆盖分类数据精度评价》一文中研究指出地表覆盖分类数据是地理国(省)情普查成果数据的重要内容,文章以基于中分辨率遥感影像生产的四川省2000、2010和2014年3期地表覆盖分类数据为例,通过自行制定的一套行之有效的质量评定方法,实现了对基于中分辨率遥感影像获取的地表覆盖分类数据成果的精度评定,结果表明,3期地表覆盖分类数据精度均满足设计要求。(本文来源于《测绘与空间地理信息》期刊2018年11期）
刘源,秦军,阳坤,韩孟磊,拉珠[3]（2018）在《3种土壤冻融判别算法在青藏高原的分类精度评价》一文中研究指出本文比较了基于AMSR-E被动微波数据的3种土壤冻融判别算法在青藏高原相关地区的分类精度。3种算法分别是:双指标算法、决策树算法、判别函数算法。本文选取了来自青藏高原那曲、玛曲、阿里3个地区土壤温湿度观测网的地表温度数据,并结合AMSR-E被动亮温数据,对上述算法在以上地区的分类精度分别进行了比较评价。结果表明:不论是白天还是夜间,相较于干旱区微波信号来自深层土壤的难以准确探测,在青藏高原半湿润半干旱区算法可取得相对较好的判别准确率;双指标算法相较于其他2种算法,在观测区具有较高的分类精度,且夜间分类精度高于白天;实测数据存在资料代表性不普遍即网格所包含站点信息量不够的问题,这也是后续工作中提高分类精度值得关注的着手点。(本文来源于《地球信息科学学报》期刊2018年08期）
邱玉芳[4]（2018）在《遥感影像岩性分类及结合样本纯化的精度评价》一文中研究指出运用遥感图像进行岩性分类与识别是遥感在地质领域的重要应用之一。传统遥感岩石学的研究主要利用岩石的光谱特征进行岩性识别。随着遥感技术在岩性识别应用方面的不断深入,基于光谱特征的岩性信息提取精度已经难以满足应用的要求。将纹理信息作为辅助信息,引入遥感岩性识别,能获得更高的岩性识别精度。窗口大小是纹理提取过程的重要参数,将会影响纹理提取结果。另一方面,在遥感岩性分类过程中,分类精度检验是遥感分类技术中一个十分重要的环节,对遥感分类应用有着非常重要的意义。然而,在分类精度评价过程中,通常将检验样本视为真值,但实际上遥感图像中混合像素的存在通常会导致检验样本存在误差,这种误差往往被简单地忽略并被归结为分类误差,造成精度评价结果不可靠。针对以上两个问题,本文提出了一种结合最佳纹理窗口大小选择和样本纯化的岩性分类方法。第一,基于半变异函数对最佳纹理提取窗口进行估计。第二,基于理论上的最佳窗口计算图像的灰度共生矩阵的四个描述量角二阶矩阵、熵、相关性和对比度特征。第叁,对纹理和光谱特征进行组合,利用最佳波段指数选择出最佳的特征组合。第四,通过支持向量机分类器对不同组合图像进行分类。第五,提出基于属性一致性的样本纯化方法,并结合图像纹理特征,建立样本净化规则,去除与规则冲突的检验样本点,得到纯化后的检验样本。第六,基于半变异函数的最佳纹理提取窗口选择方法的有效性,通过基于不同窗口提取的角二阶矩阵结合光谱特征进行岩性分类来验证。最后,纯化前后的检验样本分别对不同特征组合的分类结果进行精度评价,并对比分析精度结果。实验结果表明,预估的纹理窗口大小可以保证岩性分类具有较高分类精度的分类结果。同时还表明,基于光谱特征和角二阶矩阵纹理特征组合的岩性分类精度最高,基于原始检验样本的总体精度和Kappa分别为87.4%和0.84,而基于纯化后检验样本则分别为88.01%和0.85。结果表明,本文提出的方法能够建立更可靠的岩石识别。(本文来源于《中国地质大学(北京)》期刊2018-05-01）
徐首珏[5]（2018）在《面向遥感影像的快速分类及精度评价方法研究》一文中研究指出对地观测技术的快速发展为各领域提供了高精度、高时效和大面积覆盖的海量遥感数据,如何在海量遥感数据中快速提取有用信息,缓解“大数据,小知识”的现状,成为制约遥感数据应用的关键问题之一。近年来以“深度卷积神经网络”为代表的深度学习方法在图像识别和分割等领域取得了巨大突破,亦被用于基于遥感影像的地物分类等方面。但遥感影像具有多波谱特性和空间位置特征,基于遥感影像的深度卷积神经网络训练存在计算效率低,空间信息缺失等问题。同时,针对遥感影像分类结果的精度评价,由于遥感影像的空间相关性致使传统的精度评价方法存在样本冗余度高和精度评价效率低等问题。因此,本文以遥感影像的快速分类和精度评价为目的,研究基于深度卷积神经网络的遥感影像快速分类方法和基于灰度共生矩阵的遥感影像分类结果快速评价方法。主要的研究内容包括:(1)提出了一种基于改进的深度卷积神经网络遥感影像分类模型本文分类模型的改进主要体现在以下两方面:针对遥感影像的空间位置特征,通过对遥感影像进行“波段化”预处理,使遥感影像的空间位置信息转化为“经度波段”和“纬度波段”,并使其与其他波段一起构成输入数据,以提高深度卷积神经网络模型对遥感影像的空间位置特征识别度。针对遥感影像的多波谱特性,在深度卷积神经网络的卷积结构中设置瓶颈单元,实现对输入影像降维;通过分组卷积,降低深度卷积神经网络遥感影像分类模型训练时的卷积计算量;针对遥感影像的光谱连续性,构建通道洗牌结构,提升分组卷积阶段神经网络的特征提取能力。(2)提出了一种基于灰度共生矩阵的遥感影像分类结果精度评价方法本文提出的精度评价方法主要解决以下两方面问题:如何确定抽取多少样本量用于遥感影像分类结果的精度评价;如何确定怎样布设待评价的样本单元,以降低样本之间的信息冗余度。针对遥感影像分类结果精度评价抽取多少样本量的问题,本文基于灰度共生矩阵量化了遥感影像空间相关性与像素间隔的数学关系,并通过该量化关系计算出了不同空间相关性系数下样本量的大小;针对精度评价样本点的布设问题,本文结合遥感影像在不同方向上的空间相关性,优化了系统抽样的步长设计。最后基于遥感影像的海岛地物分类及精度评价为例,验证了本文提出的快速分类及精度评价方法。本文将自主构建的1500幅海岛遥感影像数据集输入改进深度卷积神经网络进行训练,得到了用于遥感影像海岛的分类模型。改进后分类模型与原模型相比,模型训练时间降低至原来的1/18。并通过基于灰度共生矩阵的精度评价方法,用较少的样本量对多幅海岛分类结果进行了准确地精度验证。评价结果显示这些海岛的分类精度均在90%以上。实验表明:本文面向遥感影像提出的改进的深度卷积神经网络分类方法,可快速训练分类模型并实现遥感影像的快速分类;基于灰度共生矩阵的分类结果精度评价方法在保证分类精度的前提下,可有效的降低评价样本间的冗余性,提升评价效率。(本文来源于《上海海洋大学》期刊2018-04-01）
孙钦佩,马毅,张杰[6]（2017）在《滨海湿地稀疏采样重构高光谱图像分类精度评价》一文中研究指出高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。(本文来源于《海洋技术学报》期刊2017年02期）
曹倩倩,黄袁升[7]（2017）在《土地覆盖分类影像融合与精度评价研究》一文中研究指出影像融合技术可以使遥感影像具有高光谱和高空间分辨率的效果,实现不同空间、光谱、时间等多种分辨率的信息资源互补,从而提高图像的空间分辨率,提高图像的几何精度.文章利用ERDAS软件,对遥感影像数据进行融合,采用乘积变换、PCA变换、Brocey变换、小波变换等遥感影像融合方法对多光谱与全色影像进行融合和土地覆盖分类研究.通过结合图像的光谱统计参数和融合图像的分类精度,对这些方法的分类精度进行评价.这4种方法对于原始影像分类精度,均有不同程度的提高.而小波变换所得融合影像与原多光谱影像的相关系数最大,均方差、平均梯度和信息熵最大,偏差指数最小,影像所含信息量最多;在光谱特性、图像清晰度、对于空间细节信息的表现能力上其它叁种方法都好,所得融合影像的分类精度也是最高的.小波变换更适合融合影像的土地覆盖分类研究.(本文来源于《吉林化工学院学报》期刊2017年01期）
曹倩倩,黄袁升[8]（2017）在《遥感影像分类精度评价的研究——以黟县为例》一文中研究指出文章以安徽省黄山市黟县的遥感影像为例,以Landsat遥感影像,矢量数据为主要数据来源,结合ENVI,Google Earth等软件,对该区域分别用监督分类中的不同方法进行分类,最后对分类结果进行精度评价.利用不同的分类方法和分类精度评价结果,最终选取精确的分类方式.(本文来源于《阴山学刊(自然科学版)》期刊2017年02期）
刘梦,曹鑫,李阳,陈晋,陈学泓[9]（2016）在《考虑边界区域的地表覆盖分类精度评价方法》一文中研究指出地表覆盖作为地表状况的直接反映,与全球物质能量循环、气候变化以及人类社会经济活动等密切相关.地表覆盖分类数据通常利用遥感图像进行分类得到,其数据质量对全球环境监测及其变化研究与决策支持等过程有重要的影响.因此,对分类结果进行精度评估是地表覆盖分类的重要步骤.由于影像上不同地物类型边界处往往存在较多的混合像元,使得分类时处于边界处的像元分类精度相对低于内部像元,直接导致了类内自身的分类精度异质性增大,分类精度评估的不稳定性也随之增大.本文基于传统的分层抽样(stratified sampling,SS),提出了一种考虑边界区域的分层抽样方法(stratified sampling considering edges,SSCE).理论推导及实验结果表明,SSCE对总体精度(overall accuracy,OA)和kappa估计的准确性和稳定性均优于SS方法,主要结论为:在样本点总数较少的情况下,SSCE对分类精度估计的准确性高于SS方法;在相同的容许误差下,SSCE方法所需的样本数小于SS方法;分类图像中类内边界区域与内部区域分类精度的差异越大、其面积比例越均衡,SSCE方法越能准确地进行精度估计.因此,本文提出的SSCE方法能够以更少的样本获取代价、更高的准确性和稳定性对地表覆盖数据进行分类精度的评估.(本文来源于《中国科学:地球科学》期刊2016年11期）
黄冬梅,陈珂,王振华,刘爽[10]（2016）在《利用空间抽样理论的遥感影像分类结果精度评价方法》一文中研究指出遥感影像分类结果的准确性对于遥感信息的应用分析有着重要的影响。传统抽样方式下的遥感影像分类结果精度评价方法受样本量及空间布局的影响,存在效率低和信息冗余等问题。利用空间数据的相关性,将空间抽样理论应用于遥感影像分类结果的精度评价,通过与传统抽样方法比较,发现空间抽样方法应用于遥感影像分类结果的精度评价不仅降低了数据冗余,同时提高了精度评价的检验效率和准确性。(本文来源于《计算机应用与软件》期刊2016年07期）
分类精度评价论文开题报告
（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：
地表覆盖分类数据是地理国(省)情普查成果数据的重要内容,文章以基于中分辨率遥感影像生产的四川省2000、2010和2014年3期地表覆盖分类数据为例,通过自行制定的一套行之有效的质量评定方法,实现了对基于中分辨率遥感影像获取的地表覆盖分类数据成果的精度评定,结果表明,3期地表覆盖分类数据精度均满足设计要求。
（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。
分类精度评价论文参考文献
[1].徐辉,潘萍,杨武,欧阳勋志,宁金魁.基于多源遥感影像的森林资源分类及精度评价[J].江西农业大学学报.2019
[2].曹伟超,李明,刘江,陈阳.基于中分影像的不同时相地表覆盖分类数据精度评价[J].测绘与空间地理信息.2018
[3].刘源,秦军,阳坤,韩孟磊,拉珠.3种土壤冻融判别算法在青藏高原的分类精度评价[J].地球信息科学学报.2018
[4].邱玉芳.遥感影像岩性分类及结合样本纯化的精度评价[D].中国地质大学(北京).2018
[5].徐首珏.面向遥感影像的快速分类及精度评价方法研究[D].上海海洋大学.2018
[6].孙钦佩,马毅,张杰.滨海湿地稀疏采样重构高光谱图像分类精度评价[J].海洋技术学报.2017
[7].曹倩倩,黄袁升.土地覆盖分类影像融合与精度评价研究[J].吉林化工学院学报.2017
[8].曹倩倩,黄袁升.遥感影像分类精度评价的研究——以黟县为例[J].阴山学刊(自然科学版).2017
[9].刘梦,曹鑫,李阳,陈晋,陈学泓.考虑边界区域的地表覆盖分类精度评价方法[J].中国科学:地球科学.2016
[10].黄冬梅,陈珂,王振华,刘爽.利用空间抽样理论的遥感影像分类结果精度评价方法[J].计算机应用与软件.2016