一、应用分层采样技术进行大面积遥感图像分类的研究（论文文献综述）
苍圣[1]（2021）在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中提出高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:（1）对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。（2）针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。（3）提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据（集）库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。（4）提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。（5）提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。
瓮旭阳[2]（2020）在《离子吸附型稀土矿区地表覆盖信息面向对象提取研究》文中研究表明离子吸附型稀土是21世纪重要的战略资源,极具稀缺性和不可替代性。赣南矿点众多。离子型稀土开采过程中监测成本高、难度大,开采后矿区环境恢复过程中复垦情况监测和矿区环境评估困难。研究快速、准确、实时、高效的稀土矿区地表覆盖信息提取方法是监测复垦情况和评估矿区环境的关键。当前稀土矿区地表覆盖信息提取中存在地物信息提取大多停留在单一地物提取方面,不能满足稀土矿区地表覆盖信息提取的需求;高分影像提取稀土矿区地表覆盖信息过程中影像数据量大,研究效率低等问题。针对上述问题,本文开展了矿区地表覆盖信息提取和矿区尺度效应研究,对矿山复垦修复和矿山环境监测有着重要意义。本文构建了面向对象分层分类的矿区地表覆盖信息提取方法,并围绕该方法开展了多尺度地表覆盖信息提取和变化监测分析。研究区域选取赣南寻乌县和定南县稀土矿区,结合稀土矿开采过程中沉淀池特点和生态复垦后尾砂地、复垦地的特点,对稀土矿区地表覆盖遥感影像地物识别进行面向对象方法研究。具体实验情况如下:（1）以Pleiades-1A影像为基础,利用重采样获取多分辨率影像,针对各个分辨率的遥感影像,通过面向对象分层分类方法和流程,获取地表覆盖信息分类结果。最后,统计多分辨率下矿区地物覆盖信息分类精度,并绘制成图,总结分析地表覆盖信息提取精度随分辨率变化情况,进而研究矿区地表覆盖尺度变化规律,找出矿区研究影像分辨率选择区间。结果表明:在矿区地表覆盖研究中需要分辨率高于3.5m的影像,在矿区开采过程中研究沉淀池变化时需要选取分辨率高于2m的影像。（2）以Pleiades-1A影像、GF-2影像和GF-1影像为数据基础,计算矿区地表地物对应的最优分割尺度,分割计算后进行分层分类,通过混淆矩阵获取分类精度。分析分层分类后地表覆盖信息提取精度情况,结果表明:在融合后分辨率为0.5m-2m的遥感影像中,面向对象分层分类方法均能够高精度提取地表覆盖信息,具有推广价值。（3）以Pleiades-1A影像和GF-1影像为基础,采用先分类后处理的方法开展稀土矿区开采动态监测,获取了2013-2015年间稀土矿区变化情况,研究稀土矿区复垦后,地表覆盖地物变化情况。实验表明:多源影像通过面向对象分层分类方法后,能够实现矿区的地表覆盖变化监测,在稀土矿区复垦开展后,矿区地表植被覆盖面积显着增加,近年来在生态复垦中取得了很好的成果。
张书瑜[3]（2020）在《基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究》文中提出遥感图像地表覆盖分类是遥感图像领域的一个重要研究方向,其科学意义在于如何进一步提高遥感图像地表覆盖分类的精度,应用意义在于土地利用规划、城市管理和环境监测等方面。随着高空间分辨率卫星传感器的发展,高分辨率遥感图像越来越广泛,其清晰的地物细节和复杂的空间结构特征进一步增加了地表覆盖分类的难度。因此,发展新的地表覆盖分类方法,提升特征提取和地物识别的能力,具有重要的实际意义。针对以深度学习为核心的现有遥感图像分类方法中存在的效应分析不够全面、融合深度不够深入和贡献度分析缺乏等问题,本文结合超像素分割和深度学习模型,设计较为全面的空间尺度组合方案,提出深度网络融合的多尺度分类方法,以及注意力机制下的多尺度多特征分类方法,综合分析多尺度多特征的融合效应和贡献度差异,提高地表覆盖分类精度,形成基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类方法体系。以浙江省不同地区的高分二号遥感图像地表覆盖分类为例,进行了核心方法的测试、应用与验证。本文的研究内容概况如下:（1）围绕超像素分割与深度学习模型如何有效应用于遥感图像分类的基础性问题,提出了超像素单尺度地表覆盖分类方法。研究了基于假彩色合成和图像增强的超像素分割方法,分别基于原始图像和变换图像设计了超像素单尺度卷积网络,探究其尺度效应的变化规律,通过实验分析进行了充分论证。（2）针对如何综合探究多尺度效应和实现深度的多尺度特征融合分类的关键性问题,提出了深度网络融合的多尺度地表覆盖分类方法。综合研究了不同多尺度组合方案的分类互补效应,设计了基于一维卷积网络和循环网络的多尺度特征深度融合分类网络,在实验分析中取得了优于特征串联合并方式的多尺度分类精度。（3）针对如何实现注意力差异化的多类型特征融合分类的关键性问题,提出了注意力机制下的多尺度多特征地表覆盖分类方法。研究不同多特征组合方案的分类互补效应,设计基于注意力机制和一维卷积网络/循环网络的多尺度多特征深度融合分类网络,在实验分析中取得了优于其他对比方法的分类精度和分类边界。（4）围绕基于多尺度多特征融合如何提高遥感图像迁移学习分类精度的关键性问题,提出了多尺度多特征的迁移学习地表覆盖分类方法。研究不同的多尺度多特征组合方案在迁移学习中的分类效应,设计基于模型参数的多尺度多特征深度迁移分类网络,在实验分析中多尺度多特征融合的迁移学习取得了较优的效果。本文研究有望解决多尺度多特征信息在遥感图像分类中的深度融合问题,进而提升地表覆盖分类的准确性和一致性,促进遥感图像分类的研究与发展,推动高分遥感在地理国情等行业领域的深入应用。
付勇勇[4]（2020）在《近岸海水养殖区域遥感提取关键技术与空间分布特征研究》文中认为在市场需求增加、养殖技术进步和政策方针推动的背景下,我国近岸海水养殖产业发展迅速,总产量居世界首位,在保障粮食安全和促进经济发展方面发挥了重要作用。然而,快速、无序的扩张模式是导致我国近岸海域污染严重,养殖病害及生态灾害频发的原因之一。准确、快速地掌握我国近岸海水养殖的数量和空间分布特征,对优化养殖空间布局,促进近岸海域资源合理利用和生态环境保护具有重要意义。遥感数据产品的日益丰富,特别是中、高分辨率卫星数据,为近岸海水养殖的准确提取及监测提供了可能。本研究针对中、高分辨率遥感影像中近岸海水养殖特点,提出了不同研究尺度下近岸海水养殖区域提取方法,并对我国近岸海水养殖的空间分布特征展开了研究。主要研究内容及结论如下:（1）基于高分辨率遥感影像和面向对象分类方法,通过构建多尺度层次体系并引入邻域空间上下文信息,建立了适合局部尺度近岸海水养殖重点区域的提取方法和流程。在面向对象分割分类过程中,首先使用SEa TH算法对陆地区域进行掩膜处理。在选择分割尺度时,以局部方差变化峰值作为分割效果的评价指标,从而确定高分影像中不同类型近岸海水养殖的最佳分割尺度,得以快速构建多尺度层次体系。针对养殖区域与邻域海水具有显着光谱差异的特点,引入基于邻域的空间上下文信息,结合特征空间筛选和最近邻分类方法进行分类。精度评价结果表明,近岸海水养殖区域的F1（F1 Score）均值优于94%。通过与不同提取算法进行对比,可以发现本研究中所采用的多尺度层次体系和基于邻域的空间上下文信息能够显着提高分类精度,在局部尺度样本量较少的条件下,可以满足养殖区域的高精度提取需求。（2）基于高分辨率遥感影像和全卷积神经网络,提出了适合区域尺度近岸海水养殖区域高精度、快速提取的层级级联模型（HCNet）,构建了一种端到端的（end-to-end）模型训练和分类方法。在HCNet中,首先使用编码器网络（基于VGG-16网络模型）将输入图像转换为高维抽象的特征图。基于编码器输出结果,本研究将空洞卷积层以层级级联的形式相连接,其中空洞卷积层的扩张率逐层增加,以此获得了包含局部到全局一系列空间上下文信息的多尺度特征图。在解码器中,结合浅层高分辨率特征图和注意力机制对特征进行优化,之后使用Softmax分类器进行分类。精度评价结果表明,基于HCNet的近岸海水养殖区域F1均值高于95%。通过与不同提取算法对比,可以发现HCNet中的多种模型结构能够有效提高养殖区域提取精度,分类精度随着训练样本的增加提升明显,为区域尺度近岸海水养殖区域信息快速、准确、智能化解译提供了重要参考。（3）基于中等分辨率遥感影像和全卷积神经网络,构建了适宜全国尺度近岸海水养殖信息提取的均质层级级联网络模型和分类框架,以快速、准确地了解我国近岸海水养殖状况。基于已有的网络模型方法难以实现近岸海水养殖区域的准确提取,原因在于中等分辨率影像数据中近岸海水养殖区域所占像元数量较少,在网络模型中经过多次池化运算后特征信息损失严重,导致分类精度较低。因此,本研究提出综合均质网络模型和轻质层级级联结构,在保持特征原始分辨率的基础上结合多尺度信息,进而实现中分辨率影像中近岸海水养殖区域的准确提取。精度评价结果表明,基于均质层级级联网络模型的近岸海水养殖区域F1均值达到76.3%。与其他提取方法相比,基于均质层级级联网络模型的分类结果能够保留更多细节信息,可以更加有效地提取全国尺度近岸海水养殖区域的空间分布信息。（4）基于遥感影像获取的养殖类型及其分布信息,对我国近岸海水养殖的空间分布特征进行了研究。本研究从近岸海水养殖区域面积及其构成入手,采用探索性空间分析方法,如空间自相关分析（莫兰指数）、核密度估算以及热点分析等,结合景观格局指数,对我国不同地区、不同类型、不同养殖模式的近岸海水养殖区域空间分布特征进行研究和分析。结果表明:1)我国近岸海水养殖总面积约为1103.67平方千米,其中海洋植物养殖区域约占总面积的87%。基于行政区（省级）统计结果,近岸海水养殖总面积呈现出高中低三个级别:其中福建、山东、辽宁养殖总面积最高,均在100 km2以上。江苏和广西次之,其养殖总面积在50-100 km2之间。浙江和广东的近岸海水养殖总面积均不足50 km2,在各养殖省份中位于较低水平;2)从近岸海水养殖空间分布形态上来看,我国近岸海水养殖密度具有较大的空间差异性:整体而言,我国辽宁南部,山东东部,福建北部和南部,以及广西南部沿海区域养殖活动最为密集,而渤海湾、浙江、广东以及海南的养殖密度较低。就不同养殖类型而言,海洋动物养殖主要分布在广西、福建、广东、江苏等我国南部沿海海域,而海洋植物养殖主要分布于福建、山东、辽宁等我国北部沿海海域;3)此外,养殖模式的地域差异明显:广西钦州湾和福建三都岛地区海洋动物养殖数目多,并且养殖面积普遍较大,形成了较大规模的养殖区域。而福建、广东中部海湾地区多为小面积养殖区的聚集地。就海洋植物养殖而言,高密度的大面积养殖区主要位于福建宁德市、山东荣成市和威海市、以及辽宁的长海县,而小面积的养殖区主要位于福建、广东中部和广西沿海等地。
张国顺[5]（2020）在《基于高分辨率影像的北疆农作物分类研究》文中指出农作物的种植结构和面积是预测农业生产力及人口承载力的重要数据源,及时、准确地获取区域尺度上的作物种植信息具有重要的意义。随着商业小卫星和无人机遥感技术的快速发展,高分辨率遥感影像已经广泛应用于农业领域。空间分辨率的提高,地物的细节信息明显,如几何结构、纹理特征等。同时,像元的光谱信息弱化。在影像中,同类地物内的方差增大,异类地物间的差异减小。像素的光谱信息较弱,仅利用光谱信息分析的方法不在适用于高分辨率影像。作物种植大多是田块种植,套种的方式基本不存在了,提取的作物种植信息也应该是块状连片的区域。然而,高分辨率影像普遍受到“同物异谱”与“异物同谱”等现象的影响,作物长势也存在差异,会在空间上表现出不同程度的差异。因此,本文从高分辨率影像分类特征、面向对象的作物田块分割和高精度分类算法三个方面展开了探讨和研究。主要工作如下:（1）高分辨率影像的农作物分类特征构建。可见光影像包含有红、绿、蓝3色的灰度信息和更多的影像结构信息,仅利用色彩信息难以实现作物类型区分。从模式识别的角度来看,针对特定分类对象或用途,代表性特征的选择或提取是提高准确性的关键。因此结合研究区主要农作物类型,从色彩、光谱指数、纹理和形态等方面深入挖掘和筛选适合于农作物分类的特征。经验证,H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var特征可以很好地用于高分辨率影像农作物分类,后续可结合面向对象的分析技术来进一步提升分类精度。（2）面向对象的农田区影像多尺度分割。面向对象影像分析技术一般为“分割-分类”模式,其中分割是分类的前提,并且在影像对象分析技术中处于核心地位。分割尺度常常因地物的丰富度或空间聚合度的不同而存在差异。为了减小非植被信息对作物提取的影响,先将非植被区域进行识别和剔除,利用多个植被指数主成分分量的二分类方法剔除了影像中的非植被,精度达到93.39%。再采用分层处理策略,针对不同面积的田块对象采用局部估计方法优选理论最优空间尺度为55、95和140,进而在多个分割层面上进行对象级信息提取和综合,实现多尺度的分割和多层次的分类综合,以提升面向地理对象影像处理与分析的精细化程度。（3）面向对象的改进FCN分类。对于遥感影像深度学习分类研究现阶段已进入面向对象的CNN（Object-CNN）,显着提高了算法的分类精度。本文基于全卷积神经网络模型进行扩展,改进加入了第三章的影像特征和第四章的多尺度面向对象分割,并对卷积核结构做了调整和使用CRFs优化了最终的预测输出,构建了一个能够自动识别高分遥感图像中农作物类型的改进FCN模型。通过与传统方法（ENVI SVM精度为83.94%）对比分析,本文搭建的结合多尺度的FCN模型所取得的农田作物的识别效果最好,准确率最高,达到90.31%。同时,该模型具有一定的通用性,可以扩展其他的作物类型识别。
孙飞[6]（2020）在《面向机器学习城镇不平衡数据集分类方法的研究》文中研究说明遥感信息提取技术在国民生活的各方面发挥着重要作用。然而,绝大多数遥感信息提取应用所面对的都是不平衡数据集。特别地,随着城镇化建设的不断推进,人类活动的干预,城镇区域遥感数据集呈现出越来越严峻的不平衡状态。但是,大多数信息提取技术会在少数类上形成不适当的偏置,甚至导致少数类的分类失败,从而限制信息的准确获取。所以,针对常态化的城镇遥感不平衡分类问题,提高少数类的识别精度的同时保证场景内其它地物的识别性能迫在眉睫。尤其是在大数据背景下,利用有限的先验知识,加强对原始遥感不平衡数据的理解尤为重要,这对于快速响应与合理决策具有十分重要的意义。本文针对城镇区域遥感不平衡分类问题,在深入分析和总结不平衡分类研究现状的基础上,对不平衡分类的单模型响应、学习策略、数据空间转化以及评估方法方面展开研究。引入极限梯度提升树（e Xtreme gradient boosting,XGB）和半监督学习（Semi-supervised Learning）,以不增加样本标记代价为前提,提出半监督平等学习XGB分类方法（Impartial semi-supervised learning strategy with XGB,ISS-XGB）,并深入研究该分类方法的内部特征对于遥感不平衡分类的影响,建立精度、分歧表现与决策边距三层次评价方法。本文主要工作和研究结论包括:（1）在算法层面,引入XGB模型,分析典型遥感分类方法对不同样本数据分布的响应变化。在8个实验区的实验表明:1)对高分辨率遥感图像,XGB方法在遥感不平衡分类问题中的的表现优于随机森林、多层感知机、支持向量机等典型分类方法,其正确分类输出的置信度较高,但是,模型性能也受到极端不平衡数据分布的影响;2)当样本不平衡性达到一定程度时（例如,少数类与多数类比例大于10:90时）,XGB的性能不确定性对地物光谱可分离性并不敏感;3)通过多种指标的比较,以精度（总体精度、少数类F1值）、分歧表现与决策边距组成的三层次评价方法能够从多角度分析分类方法对于不平衡数据集的响应。因此,XGB是一种处理土地覆盖遥感不平衡分类的有效方法,但仍在样本极端不平衡性时,受到数据分布的影响。（2）从学习策略的层面,本文提出了一种平等半监督学习方法（ISS-XGB）。在不增加标记代价的前提下,通过消除训练的偏态分布来建立平等的分类学习系统。通过与半监督学习方法（PU-BP和PU-SVM）以及数据层面典型方法（SMOTE）进行对比,结果表明:1)ISS-XGB可以有效识别少数类,并且不会损失系统性能;2)ISS-XGB中的学习策略的优化和模拟器的选取有助于更平等而全面地学习少数类。与PU-BP和PU-SVM相比,总体精度与少数类F1值高出约20%和15%;与基于SMOTE的分类方法的精度结果十分接近,但是却比后者更加稳定;3)ISS-XGB的预测置信度不如即席学习方法。（3）从集成学习要素（准确性与多样性）的层面,本文提出模型扰动（ISS-Hybird C）和参数扰动（ISS-Hybird P）,在不同加权集成机制下,研究不同特点的ISS集成系统对于遥感不平衡分类问题泛化能力的改变。结果表明:1)基学习器的准确性对于ISS集成系统的影响比多样性更显着;2)基于参数扰动的ISS-Hybird P能够在保证精度和分歧表现的同时大幅度提高方法的MPM性能（平均提高53.85%）;3)不同的加权集成机制（MSE、Fpb、MPM）能够改善混合集成的波动性,但是也会在不同方面影响性能输出。因此,在保证基学习器准确性的基础上,增加内部输出的多样性和应用加权集成策略,能够在不同性能层面提高ISS混合集成系统的泛化能力和置信度。（4）从问题域的层面,本文通过面向对象技术改变数据分布,研究总体分布改变下的遥感不平衡分类问题。结果表明:1)面向对象技术能够提高模型输出的绝对精度值（ISS-XGB最大总体精度达98.13%,少数类F1值最大达0.95左右）,但是仍旧会受到不平衡数据集的影响;2)对象的划分有助于提高模型MPM输出,其中ISS-XGB方法比基于像素方法提高近128.98%,且随着区域复杂度的增加而越大。面向对象技术虽能够提高对象特征的同质性,降低分类识别的难度,但仍受到不平衡数据集的挑战。
宁斯岚[7]（2020）在《基于深度学习和雷达遥感数据的水稻种植面积提取研究》文中指出水稻作为一种极其重要的全球性粮食作物,保障了世界约50%人口的食物来源。及时、客观、准确的水稻种植面积提取对各国政府制定粮食政策具有重要的参考价值。遥感影像能够反映植株的不同生长状态特征,在农业研究领域具有明显优势。水稻主要生长于雨水充足,云量密集的区域,传统光学卫星却难以实现连续和高质量成像。因此,不受气候等因素影响的合成孔径雷达（Synthetic Aperture Radar,SAR）成为了多云雨环境中地物探测的重要手段。全极化SAR在提取地物纹理等方面优势独特,其后向散射系数和目标极化分解参数对作物监测具有重要意义。近年来,深度学习在自然场景分类的成就吸引了遥感领域的广泛关注。该方法表达、自学习及容错能力突出,能够分层、高效且准确地从遥感图像中提取具有代表和区分性的特征。然而,由于图像质量和数据集规模等限制,深度学习针对遥感影像尤其SAR的水稻等作物提取仍处于挖掘阶段。本文针对深度学习在水稻面积提取的研究现状,以四川省眉山市为研究区域,通过创建具有不同SAR参数组合信息的各组水稻数据集,挖掘了深度学习语义分割模型实现自动化提取SAR影像水稻种植面积及其相关研究的潜在价值。主要的研究内容和结论如下:（1）提取全极化RADARSAT-2影像的后向散射系数（VH、VV、HH、HV）及Freeman-Durden目标极化分解三参量共计7个参数,并综合考虑图像信息含量及模型训练的有效性,按照常用的三波段进行参数排列组合。以实地调研数据及同时相SPOT-6的光谱特征为辅助信息完成地面水稻图斑的标定。并利用最佳指数法（Optimum index factor,OIF）对所得的35种不同组合方式进行排序与分组,创建了基于SAR影像的7组不同的水稻标签数据集并进行数据集扩展。（2）通过深度学习和迁移学习的理论探究,首先以第一组数据集Ds1为输入数据分别对MobileUNet、BiSeNet及GCN模型进行超参数优化与网络训练,实现研究区水稻种植面积的自动化提取及最佳模型的选取。实验证明:针对光学影像的该三种模型同样适用于SAR影像研究,并且相较于其他两种模型,适合于小样本训练的MobileUNet在水稻细节信息获取方面具有独特优势,其测试实验的Precision、Recall和MIoU分别为0.964,0.962和0.826。（3）将其余6组数据集作为MobileUNet模型的输入数据进行分组训练,以探讨不同数据集的水稻面积提取性能。并对不同参数组合影像所对应的模型中间特征图进行可视化及信息差异分析,探究不同参数及其最佳组合对水稻种植面积提取的重要性。结果表明:水稻面积提取性能与其模型所采用的数据集在OIF排列趋势具有相似性,并且包含更多目标极化分解参数信息的数据集Ds1对水稻面积提取效果最佳;而相对于其他参数组合影像或直接使用目标极化分解参数和后向散射系数影像,Dbl、Surf与HH的组合方式更适合高效提取水稻种植面积,其测试结果的Precision、Recall和MIoU指标值分别为0.96、0.957和0.823;且后向散射系数HH对水稻信息具有重要性,该结论亦与极化SAR回波理论相一致。
孟祥锐[8]（2019）在《基于深度学习的淡水湿地遥感精细分类研究》文中研究指明湿地是地球上水陆相互作用形成的生态系统,在维持生态平衡、改善区域气候、调节径流等方面都有不可取代的作用。我国湿地资源丰富,分布着约占世界湿地面积10%的湿地。黑龙江省自然湿地面积约为556万公顷,占全国自然湿地总面积的1/8。随着农业扩张和城市发展以及全球气候变化对水文状况的改变等影响因素的加剧,对湿地生态系统产生了显着的影响,尤其是对淡水湿地的影响更为明显。借助先进的技术手段对湿地植被及其周围的土地利用类型进行适时、动态的监测是十分必要的。本文在总结和评述了国内外在湿地分类方面研究进展的基础上,以黑龙江省的洪河自然保护区和五大连池自然保护区为研究对象,采用高分辨率遥感影像,应用深度学习和复合分类等方法,对淡水湿地进行精细分类。探讨适合在高分辨率遥感影像中分类的最佳模型方法,分析深度学习方法在湿地分类中的优势和不足。论文研究内容和结论如下:（1）卷积神经网络（CNN）在淡水湿地分类中的研究。构建了适合淡水湿地分类的卷积神经网络结构,并与浅层的分类方法在分类精度与分类结果上进行了对比。研究结果表明:CNN作为深层结构的分类器挖掘到了隐藏在高分辨率遥感影像中的复杂空间模式,能够提取到更加丰富的地物语义特征,这些空间模式在浅层结构中不能被发现。但是,CNN分类器对于边界的处理精度不及SVM分类器,分类中会有沿着对象边界的不确定性的现象,从而在一定程度上导致过度平滑。另一方面,在使用CNN分类器中,即使光谱特征显着的物体,但是空间信息很少,也可能会被错误分类。CNN在两个研究分区域的分类精度较浅层的分类方法都有4%-6%的提高,对复杂的湿地植被的识别明显优于浅层分类方法。（2）复合分类器在淡水湿地分类中的研究。对已有的卷积神经网络进行了改进,在全连接层构建多层感知器（MLP）,实现CNN特征与MLP在分类模型中的复合,提高模型运行效率。采用决策融合的方法构建SVM-CNN复合分类器,通过对复合分类器阈值的研究使分类结果达到最佳。研究结果表明:SVM-CNN的方法,综合了SVM方法和CNN方法优势。支持向量机法在地物类型边界清晰的分类中表现出极大的优势;例如耕地呈块状分布,它与其他地物之间可以找到明确的边界。相反,沼泽与水生植被之间存在大面积的过渡带,支持向量机很难在这两种地物之间找到严格的分类界限,因而水生植被的分类精度相对较低。CNN方法通过使用多个卷积和池化操作,来模拟人类视觉皮层的工作方式,并通过平移不变性来实现权重共享,从而能够从图像块中提取到丰富而准确的空间特征。因此,CNN分类方法在草地和沼泽的分类精度上都高于SVM方法。且实验结果表明:与CNN分类方法相比较,SVM-CNN对于连续分布的地物类型的分类具有更大的优势。（3）深度学习在不同分辨率影像中的分类研究。通过应用深度学习的方法,对高分辨遥感影像Sentinel-2A在湿地遥感影像的分类研究,进一步验证深度学习分类方法在高分辨率遥感影像分类中的有效性。另外由于Sentinel-2A和GF-2影像的分辨率的差异,研究适宜应用深度学习方法的遥感影像分辨率。研究结果表明:对Sentinel-2A影像直接应用深度学习的方法和提取纹理特征的SVM方法进行分类,深度学习方法并没有体现出较强的优势,主要是由于Sentinel-2A的分辨率不及GF-2分辨率高,不能直接从影像中获得清晰的上下文语义和纹理特征。（4）梳理了深度学习的相关理论,研究适合于湿地遥感影像分类的最佳模型结构和参数,并对过拟合的问题进行了分析。研究了缓解过拟合问题的三种方式——Dropout、全局平均池化层和Dither。研究结果表明:卷积神经网络同时使用Dropout和Dither对分类精度有所提升,并能够有效的防止过拟合。（5）高分二号遥感影像的图像融合方法研究。为了实现湿地植被的精细分类,对GF-2遥感影像分别应用Gram-Schmidt方法、NND方法和HPF方法进行了图像融合,获得适合高分二号影像湿地植被的最佳融合方法,为后续的精细分类奠定基础。实验结果表明:G-S图像融合方法的信息量最大,空间细节的提取更加细致明显。
邹文韵[9]（2020）在《基于图像风格迁移的全景时空模型研究与应用》文中研究说明大面积农田具有交通不便、幅员广阔等监测难点,为农田建立时空模型能帮助管理者加强信息化、智能化生产管理。现有的时空建模方法多采用卫星遥感技术或定点高清摄像技术采集时空数据:卫星遥感技术以成本低、覆盖范围广的优势被广泛应用于土地覆被监控;定点高清摄像技术具有实时性强、分辨率高等特点,应用于小面积范围内的实时监控。但目前仍主要存在两大难题:其一,多源时空数据的异构性问题。遥感数据与定点摄影数据在成像条件、拍摄时间、格式、分辨率等方面存在巨大差异,为时空数据的整合与配准带来了困难;其二,时空数据的缺失问题。卫星遥感因拍摄周期长、空间分辨低、易受天气影响等不足,监控信息具有时间不连续性;定点高清摄像的监控范围极为有限,监控信息具有空间不连续性。本文针对以上问题提出了全景时空模型的构建方法,旨在通过多维度对齐、匹配处理整合卫星遥感技术与定点高清摄像技术,基于图像风格迁移补全时空不连续的监控信息。面向大面积农田实时监测的全景时空模型将使农田管理更及时、更精准、更高效。主要的研究工作包括:一、提出了一套全景时空模型的方法框架,包括全景时空模型的表示层、构造层、优化层,分别负责模型的表示、构造与优化。该框架基于图像风格迁移技术整合并补全时间不连续数据与空间不连续数据,构建了时空信息连续的全景时空模型。二、提出了全景时空模型的表示方法。该模型由图像集、图像关系、图像元数据三部分组成。在由经度、纬度、时间所构成的时空坐标系统下,整合卫星遥感图像集与采样图像集构建图像集;提取图像元数据并解决异源图像时间、颜色、纹理特征不对齐问题;基于多维度匹配方法构建农田子区域与采样点的匹配关系;通过构建文件系统实现全景时空模型的存储。三、设计了一种全景时空模型的构造方法。针对遥感图像覆盖范围广、内容复杂的特点,提出渐进式尺度扩展的U-Net实现农田前景的精准分割和子区域划分;采用基于Ada IN-Style的风格迁移算法合成遥感图和采样图像,使遥感图像在时间上连续,采样图像逐步覆盖整个农田空间,实现全景时空模型的构造。四、提出了一种全景时空模型的优化方法。在获取新的真实的卫星遥感图时,反向推演历史数据;比对最新合成的图像与对应的历史数据,基于拉普拉斯金字塔算法平滑融合新旧图像,实现模型的优化。五、设计了一种面向大面积农田实时监测的全景时空模型应用方法。实现农田实时监控可视化,支持实时状态分析查看,包括水肥含量测定及病害情况诊断,并给出相应的管理指导。本文所提出的全景时空模型补全了原本时空不连续的监控信息,支持全景及局部细节的实时可视化。模型基于本文提出的时空数据反向推演算法,在构造过程中保持对历史数据的不断修正,使得时空数据的准确性逐步提高,故模型得到优化。面向大面积农田监测的全景时空模型将实现农田的实时监控与智能管理。
胡静文[10]（2019）在《面向高分辨率遥感影像场景分类的层次化特征表达研究》文中研究表明随着高分辨率遥感卫星的相继发射,如IKONOS、QuickBird、WorldView系列、GeoEye、高分1/2号、资源三号、高景一号、吉林一号等,高分辨率对地观测技术迎来了蓬勃发展。与中低分辨率遥感影像相比,高分辨率遥感影像的信息高度细节化,能够更加清晰地呈现出地物的形状、纹理、光谱等,并且能够呈现更加准确的空间分布情况,使得地物的精确解译成为可能。然而,由于空间分辨率的提高,高分辨率遥感影像的解译会受到复杂背景干扰、地物目标结构多变等问题的影响,影像中相同地物类别的类内方差增大、不同地物类别的类间方差减小,给高分辨率遥感影像的解译工作带来了极大的挑战,导致传统的“面向像素”和“面向对象”的分类方法难以满足遥感影像高层次语义解译的需求。因此,“面向场景”的遥感影像分类引起了国内外研究学者的广泛关注,并成为了遥感领域的一个活跃的研究课题。本文系统总结了高分辨率遥感影像场景分类涉及的理论和方法,围绕高分辨率遥感影像场景分类中的特征表达问题,分别研究“浅层-中层-高层”三个层次的特征表达方法以及多特征组合表达方法对场景分类结果的影响,对具有较高描述能力且具有一定互补性的特征进行组合,实现高精度的场景分类。主要研究内容和创新性成果如下:（1）构建了大规模的高分辨率遥感影像场景分类数据集。早期较为常用的遥感场景分类参考数据集往往规模较小,仅仅包含一到两千个样本,所覆盖的场景种类也不够丰富,不足以完整地反映出遥感场景的真实分布情况,很难对场景分类算法进行准确地测试和评估,从而限制了场景分类算法特别是基于深度学习的分类方法的进一步发展,难以满足实际的遥感影像解译需求。针对这个问题,本文对现有数据集进行了研究,对国内外土地利用/覆盖分类标准进行了调研,并结合数据标注的实际困难,设置合理的场景分类类别体系,采用众包模式构建了一个规模大、类别丰富的遥感场景数据集,作为场景分类算法测试的标准数据集,为相关科研实践提供数据支持。（2）系统研究与分析了浅层、中层、深层三个不同层次的特征表达算法,利用随机采样方法提取复杂场景中的不同地物信息,并提出一种基于视觉单词空间分布挖掘的词袋模型,在较高的效率时有效提高中层特征表达的场景分类精度。本文对一些常用的特征表达算法进行了总结和编程实现,并在本文构建的大规模数据集以及其他较为常用的公开数据集上进行了对比与深入分析,对应算法代码与实验结果均已公开,可作为高分辨率遥感影像场景分类领域的基准。在此基础上,针对中层特征表达方法,本文利用随机采样方法来提取复杂场景影像中的不同地物信息,并提出一种基于视觉单词空间分布挖掘的词袋模型来融合场景影像的局部相对空间信息,在较高效率时提高了中层次特征表达方法的分类精度。针对深层特征表达方法,本文采用了一种基于卷积神经网络迁移的深层特征表达方法,有效提高场景特征的表达能力和可区分性。（3）提出一种封装式的特征选择方法分别对浅层-中层-深层-多层次的特征进行特征选择与组合,该方法能够针对不同数据集自适应地选择出具有一定互补性的特征组合,构建场景影像的多角度多层次特征表达,实现高精度的遥感影像场景分类。封装式的特征选择方法将特征选择作为分类算法的组成部分,利用分类性能作为对特征重要性的评价标准,该方法能够针对不同数据集自适应地选择出具有一定互补性的特征组合,对不同层次的特征进行选择,得到最优的特征组合,构建场景影像的多层次特征表达,从不同角度与不同层次对影像进行描述,实现高精度的场景分类。
二、应用分层采样技术进行大面积遥感图像分类的研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、应用分层采样技术进行大面积遥感图像分类的研究（论文提纲范文）
（1）基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.1.1 课题的目的 |
| 1.1.2 课题的意义 |
| 1.2 课题的国内外研究现状 |
| 1.3 高光谱遥感数据分类研究 |
| 1.3.1 高光谱遥感数据的应用概述 |
| 1.3.2 高光谱遥感数据分类依据 |
| 1.3.3 高光谱遥感数据分类方法 |
| 1.3.4 高光谱遥感数据分类中存在的问题 |
| 1.4 基于压缩感知的森林高光谱遥感数据分类算法 |
| 1.4.1 压缩感知在森林高光谱遥感图像重构中的作用 |
| 1.4.2 压缩感知在森林高光谱遥感图像分类中的应用及优势 |
| 1.5 研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究路线 |
| 1.6 章节安排 |
| 2 相关技术概述及数据处理 |
| 2.1 高光谱遥感影像森林类型分类算法概述 |
| 2.1.1 森林高光谱遥感影像重构算法 |
| 2.1.2 森林高光谱遥感影像降维算法 |
| 2.1.3 高光谱遥感影像森林分类算法 |
| 2.2 森林分类中的压缩感知算法 |
| 2.2.1 信号的稀疏表示 |
| 2.2.2 测量矩阵的设计 |
| 2.2.3 信号重构算法的设计 |
| 2.2.4 分块压缩感知方法 |
| 2.2.5 高光谱图像重构算法 |
| 2.2.6 高光谱图像特征分析 |
| 2.3 森林影像相关实验数据集 |
| 2.3.1 Indian Pines数据集 |
| 2.3.2 Salinas-A数据集 |
| 2.3.3 PaviaCentre数据集 |
| 2.4 黑龙江省伊春乌伊岭林场数据集 |
| 2.4.1 伊春乌伊岭概况 |
| 2.4.2 伊春乌伊岭地区高光谱遥感数据获取 |
| 2.4.3 伊春乌伊岭地区高光谱遥感数据预处理 |
| 2.5 高光谱遥感影像森林类型分类指标体系 |
| 2.5.1 混淆矩阵 |
| 2.5.2 误差矩阵基本精度指标 |
| 2.5.3 Kappa系数 |
| 2.6 本章小结 |
| 3 高光谱遥感影像压缩与重构算法研究 |
| 3.1 引言 |
| 3.2 高光谱遥感影像压缩方法研究 |
| 3.2.1 高光谱遥感影像压缩技术介绍 |
| 3.2.2 分块压缩感知的遥感图像压缩方法研究 |
| 3.2.3 改进的分块压缩感知的遥感图像压缩方法研究 |
| 3.2.4 基于GISMT的压缩感知高光谱图像重压缩法研究 |
| 3.3 高光谱遥感影像重构方法研究 |
| 3.3.1 基于参考波段复合预测模型的高光谱遥感图像重构方法研究 |
| 3.3.2 基于GISMT压缩感知和谱间预测的高光谱影像重构算法研究 |
| 3.3.3 实验及结果分析 |
| 3.4 本章小结 |
| 4 基于多特征降维与谱间预测的多核支持向量机分类研究 |
| 4.1 基于压缩感知和多特征集成的高光谱影像降维算法 |
| 4.2 基于压缩感知样本稀疏的支持向量机高光谱分类改进算法 |
| 4.3 基于压缩感知的多核支持向量机的高光谱分类算法 |
| 4.3.1 支持向量机的高光谱影像分类算法 |
| 4.3.2 支持向量机的非线性问题 |
| 4.4 基于谱间预测重构与多核支持向量机的高光谱遥感图像分类算法 |
| 4.4.1 经典数据集实验结果与分析 |
| 4.4.2 乌伊岭区森林类型分类 |
| 4.5 小结 |
| 5 基于CS与稀疏表示的有监督学习森林分类方法研究 |
| 5.1 高光谱遥感影像稀疏描述 |
| 5.1.1 稀疏表示分类器原理 |
| 5.1.2 高光谱影像稀疏表示与分类方法 |
| 5.2 基于形状自适应稀疏表示的高光谱森林影像分类 |
| 5.2.1 窗口边缘匹配搜索 |
| 5.2.2 联合稀疏表示高光谱遥感影像森林分类 |
| 5.3 实验过程 |
| 5.3.1 实验设置 |
| 5.3.2 分类性能对比实验 |
| 5.3.3 参数分析与讨论 |
| 5.4 小结 |
| 6 基于CS与稀疏表示的无监督字典学习森林分类研究 |
| 6.1 引言 |
| 6.2 基于光谱稀疏表示的字典学习 |
| 6.3 基于在线字典学习的高光谱遥感影像森林分类 |
| 6.3.1 稀疏先验和空间先验的混合约束 |
| 6.3.2 在线字典学习模型与优化算法 |
| 6.3.3 基于稀疏系数的线性分类算法 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 分类性能对比 |
| 6.4.3 参数分析 |
| 6.5 本章小结 |
| 结论 |
| 1研究总结 |
| 2研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（2）离子吸附型稀土矿区地表覆盖信息面向对象提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像面向对象信息提取进展 |
| 1.2.2 稀土矿区信息提取进展 |
| 1.3 研究目的和研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 论文结构及安排 |
| 第二章 研究区域概况与数据处理 |
| 2.1 研究区域概况 |
| 2.1.1 研究区地理位置概况 |
| 2.1.2 矿区开采工艺流程 |
| 2.1.3 矿区环境破坏与地表覆盖 |
| 2.2 数据来源与处理 |
| 2.2.1 遥感数据来源 |
| 2.2.2 数据预处理 |
| 2.2.3 纹理融合数据生成 |
| 2.2.4 矿区地表覆盖解译 |
| 2.3 小结 |
| 第三章 矿区地表覆盖信息提取方法与尺度分析 |
| 3.1 矿区地表覆盖信息面向对象提取 |
| 3.1.1 地表覆盖信息提取面向对象方法与流程 |
| 3.1.2 面向对象影像分割方法 |
| 3.1.3 面向对象分层分类提取方法 |
| 3.2 矿区地表覆盖尺度分析 |
| 3.2.1 矿区尺度分析方法与流程 |
| 3.2.2 矿点地表覆盖尺度分析 |
| 3.2.3 矿区沉淀池尺度分析 |
| 3.3 小结 |
| 第四章 不同尺度遥感数据的应用实践 |
| 4.1 Pleiades-1A影像的矿区地表覆盖信息提取 |
| 4.1.1 Pleiades-1A 影像分层分类结果与分析 |
| 4.1.2 Pleiades-1A 影像应用精度分析 |
| 4.2 GF-2影像的矿区地表覆盖信息提取 |
| 4.2.1 GF-2 最优分割尺度选取 |
| 4.2.2 GF-2分层分类结果与分析 |
| 4.2.3 GF-2地表覆盖信息精度验证与分析 |
| 4.3 GF-1影像的矿区地表覆盖信息提取与变化监测 |
| 4.3.1 地表覆盖信息变化监测方法 |
| 4.3.2 GF-1影像矿区地表覆盖信息提取与分析 |
| 4.3.3 矿区地表变化分析 |
| 4.4 小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语缩写表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像分割研究 |
| 1.2.2 遥感图像特征提取与分类研究 |
| 1.2.3 遥感图像迁移学习研究 |
| 1.2.4 存在问题与不足 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 研究区域与实验数据 |
| 1.4.1 研究区域 |
| 1.4.2 实验数据 |
| 1.5 论文组织与章节安排 |
| 2 超像素单尺度地表覆盖分类 |
| 2.1 遥感图像ETPS超像素分割 |
| 2.1.1 ETPS分割算法概述 |
| 2.1.2 基于假彩色合成和图像增强的ETPS分割 |
| 2.1.3 遥感图像ETPS分割结果 |
| 2.2 光谱图像的超像素单尺度分类 |
| 2.2.1 Xception卷积网络概述 |
| 2.2.2 基于ETPS的 RSImage-Xception网络设计 |
| 2.3 变换图像的超像素单尺度分类 |
| 2.3.1 Contourlet图像变换概述 |
| 2.3.2 基于ETPS的 RSContourlet-Xception网络设计 |
| 2.4 实验结果分析 |
| 2.4.1 地表覆盖分类评价指标 |
| 2.4.2 实验环境配置 |
| 2.4.3 实验数据与参数设置 |
| 2.4.4 地表覆盖分类实验结果 |
| 2.5 本章小结 |
| 3 深度网络融合的多尺度地表覆盖分类 |
| 3.1 遥感多尺度分析及组合方案 |
| 3.1.1 遥感多尺度分析概述 |
| 3.1.2 多尺度组合方案设计 |
| 3.2 1-DCNN深度融合的多尺度分类 |
| 3.2.1 1-DCNN多尺度分类网络设计 |
| 3.2.2 1-DCNN多尺度分类网络优化训练 |
| 3.3 RNN深度融合的多尺度分类 |
| 3.3.1 RNN循环网络概述 |
| 3.3.2 RNN多尺度分类网络设计 |
| 3.3.3 RNN多尺度分类网络优化训练 |
| 3.4 实验结果分析 |
| 3.4.1 实验数据与参数设置 |
| 3.4.2 地表覆盖分类实验结果 |
| 3.5 本章小结 |
| 4 注意力机制下的多尺度多特征地表覆盖分类 |
| 4.1 注意力机制下的多尺度融合分类 |
| 4.1.1 注意力机制概述 |
| 4.1.2 注意力机制下的多尺度分类网络设计 |
| 4.2 光谱-变换的多尺度多特征融合分类 |
| 4.2.1 Image-Contourlet多特征分类网络设计 |
| 4.2.2 Image-Contourlet多特征分类网络优化训练 |
| 4.3 光谱-变换-对象的多尺度多特征融合分类 |
| 4.3.1 Image-Contourlet-Object多特征分类网络设计 |
| 4.3.2 Image-Contourlet-Object多特征分类网络优化训练 |
| 4.4 实验结果分析 |
| 4.4.1 实验数据与参数设置 |
| 4.4.2 地表覆盖分类实验结果 |
| 4.5 本章小结 |
| 5 多尺度多特征的迁移学习地表覆盖分类 |
| 5.1 遥感图像迁移学习概述 |
| 5.2 基于模型参数的单尺度迁移学习分类 |
| 5.2.1 分阶段微调训练方式 |
| 5.2.2 模型微调的单尺度迁移学习设计 |
| 5.3 基于模型参数的多尺度多特征迁移学习分类 |
| 5.3.1 模型微调的多尺度迁移学习设计 |
| 5.3.2 模型微调的多尺度多特征迁移学习设计 |
| 5.4 实验结果分析 |
| 5.4.1 实验数据与参数设置 |
| 5.4.2 地表覆盖分类实验结果 |
| 5.5 本章小结 |
| 6 结论及展望 |
| 6.1 研究总结 |
| 6.2 研究特色与创新 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
（4）近岸海水养殖区域遥感提取关键技术与空间分布特征研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写 |
| 1 绪论 |
| 1.1 选题依据及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 近岸海水养殖遥感监测研究进展 |
| 1.2.2 面向对象的遥感影像分析技术研究进展 |
| 1.2.3 基于深度学习的遥感影像分类研究进展 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织架构和安排 |
| 1.3.3 技术路线 |
| 2 研究区概况与数据资料 |
| 2.1 研究区概况 |
| 2.1.1 我国近岸海域养殖区域概况 |
| 2.1.2 宁德市近岸海域养殖区域概况 |
| 2.2 数据获取及预处理 |
| 2.2.1 World View-2 影像数据及预处理 |
| 2.2.2 高分一号宽幅影像数据及预处理 |
| 2.2.3 其他数据 |
| 3 基于高分影像和面向对象分类技术的局部尺度近岸海水养殖类型识别研究 |
| 3.1 研究思路与技术路线 |
| 3.2 面向对象的分割分类方法 |
| 3.3 分层分类体系下的近岸海水养殖区域提取算法 |
| 3.3.1 基于SEaTH算法的海陆分离 |
| 3.3.2 最优分割尺度参数选取与构建多尺度层次体系 |
| 3.3.3 基于多尺度层次体系的邻域特征提取 |
| 3.3.4 特征空间优化 |
| 3.3.5 最近邻分类算法 |
| 3.4 近岸海水养殖区域提取实验 |
| 3.4.1 分类结果及精度评价 |
| 3.4.2 不同提取算法的对比研究 |
| 3.5 本章小结 |
| 4 基于高分影像和层级级联网络的区域尺度近岸海水养殖类型识别研究 |
| 4.1 研究思路与技术路线 |
| 4.2 全卷积神经网络 |
| 4.3 层级级联网络模型 |
| 4.3.1 基于VGG-Net编码器 |
| 4.3.2 层级级联结构下的多尺度信息提取 |
| 4.3.3 基于注意力机制的特征空间优化 |
| 4.3.4 解码器 |
| 4.4 近岸海水养殖区域提取实验 |
| 4.4.1 分类结果及精度评价 |
| 4.4.2 不同提取算法的对比研究 |
| 4.5 本章小结 |
| 5 基于中等分辨率影像和均质层级级联网络的近岸海水养殖类型识别研究 |
| 5.1 研究思路与技术路线 |
| 5.2 均质层级级联网络模型 |
| 5.2.1 均质网络模型 |
| 5.2.2 轻质层级级联结构 |
| 5.2.3 加权损失函数 |
| 5.3 近岸海水养殖区域提取实验 |
| 5.3.1 分类结果及精度评价 |
| 5.3.2 不同提取算法的对比研究 |
| 5.4 本章小结 |
| 6 我国近岸海水养殖空间分布特征研究 |
| 6.1 近岸海水养殖类别及面积构成 |
| 6.2 近岸海水养殖空间分布特征 |
| 6.2.1 探索性空间分析方法 |
| 6.2.2 近岸海水养殖空间分布形态 |
| 6.2.3 近岸海水养殖空间格局分析 |
| 6.2.4 近岸海水养殖空间热点分析 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究进展 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士期间完成的论文 |
（5）基于高分辨率影像的北疆农作物分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状与进展 |
| 1.2.1 作物分类特征 |
| 1.2.2 面向对象的影像分割 |
| 1.2.3 典型遥感分类方法 |
| 1.2.4 深度学习在遥感影像分类中的应用 |
| 1.3 研究目的、内容与技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文结构安排 |
| 第二章 数据获取与预处理 |
| 2.1 研究区概况 |
| 2.1.1 研究区位置 |
| 2.1.2 自然地理与作物状况 |
| 2.2 无人机数据获取及预处理 |
| 2.2.1 无人机平台及数据获取 |
| 2.2.2 无人机数据预处理 |
| 2.2.3 地面调查与解译 |
| 2.3 卫星数据获取及预处理 |
| 2.3.1 吉林一号光学A星 |
| 2.3.2 卫星影像预处理 |
| 2.3.3 地面调查与标注 |
| 2.4 本章小结 |
| 第三章 无人机影像农作物识别特征研究 |
| 3.1 农作物样本选择 |
| 3.2 农作物分类特征构建 |
| 3.2.1 农作物可见光植被指数提取分析 |
| 3.2.2 农作物可见光纹理特征提取分析 |
| 3.3 农作物分类特征降维方法 |
| 3.3.1 ReliefF特征优选 |
| 3.3.2 改进后的ReliefF特征优选 |
| 3.4特征分类实验 |
| 3.4.1 分类模型构建 |
| 3.4.2 分类精度评价 |
| 3.5 本章小结 |
| 第四章 面向对象的农作物分层提取 |
| 4.1 农田区非植被剔除 |
| 4.1.1 非植被剔除方法 |
| 4.1.2非植被剔除实验 |
| 4.1.3 精度评价 |
| 4.2 多尺度分割方法 |
| 4.3 分割尺度优选 |
| 4.3.1 影像多尺度表达 |
| 4.3.2 分割尺度优选方法 |
| 4.4多尺度分类实验 |
| 4.4.1 分割尺度选择 |
| 4.4.2 多层次分类对象提取 |
| 4.4.3 分类及精度评估 |
| 4.5 本章小结 |
| 第五章 面向对象的FCN模型改进 |
| 5.1 卷积神经网络 |
| 5.2 改进的全卷积神经网络 |
| 5.2.1 FCN网络架构 |
| 5.2.2 模型关键问题与技术 |
| 5.2.3 多尺度分类网络架构 |
| 5.3 数据集准备及模型训练 |
| 5.3.1 数据集制作 |
| 5.3.2 实验环境级参数设置 |
| 5.4 模型分类 |
| 5.4.1 一般分类过程 |
| 5.4.2 CRFs后处理 |
| 5.5 实验结果与分析 |
| 5.5.1 实验结果及评价标准 |
| 5.5.2 不同方法对比分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
（6）面向机器学习城镇不平衡数据集分类方法的研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及存在问题 |
| 1.2.1 机器学习领域内不平衡分类技术的发展与现状 |
| 1.2.2 遥感领域内不平衡分类现状 |
| 1.2.3 城镇区域遥感数据集不平衡分类中所面临的问题 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 论文创新点 |
| 1.3.4 技术路线 |
| 1.4 论文组织 |
| 第二章 遥感不平衡分类相关理论 |
| 2.1 数据分布与模型学习性能 |
| 2.1.1 样本绝对稀少与相对稀少 |
| 2.1.2 不平衡性数据的概念决策空间 |
| 2.2 遥感样本数据集特点与不平衡分类 |
| 2.2.1 遥感数据空间与数据不平衡性 |
| 2.2.2 遥感特征空间与数据不平衡性 |
| 2.2.3 遥感分类样本容量与绝对/相对稀有问题 |
| 2.3 不平衡分类评价与量化指标 |
| 2.3.1 遥感分类常规评价指标与不平衡学习 |
| 2.3.2 机器学习领域常见指标与不平衡分类评价指标 |
| 2.3.3 其它评价方法 |
| 2.4 本章小结 |
| 第三章 研究区与实验数据 |
| 3.1 遥感数据与研究区基本条件 |
| 3.2 分类系统与光谱特征空间分析 |
| 3.3 本章小结 |
| 第四章 遥感不平衡分类单模型方法研究 |
| 4.1 极限梯度提升分类技术 |
| 4.2 实验设计与性能评估 |
| 4.2.1 实验设计 |
| 4.2.2 性能评估 |
| 4.3 实验与分析 |
| 4.3.1 XGB模型以及典型分类方法在遥感不平衡分类上的性能响应分析 |
| 4.3.2 少数类特征对遥感不平衡分类的影响 |
| 4.4 研究结论 |
| 4.5 本章小结 |
| 第五章 遥感不平衡分类学习策略研究 |
| 5.1 平等半监督遥感不平衡分类学习策略 |
| 5.1.1 平等半监督不平衡分类方法 |
| 5.1.2 实验与分析 |
| 5.1.3 研究结论 |
| 5.2 集成扰动对平等半监督遥感不平衡分类的影响研究 |
| 5.2.1 基于半监督、混合集成技术的不平衡遥感数据分类 |
| 5.2.2 实验与分析 |
| 5.2.3 研究结论 |
| 5.3 本章小结 |
| 第六章 遥感不平衡分类数据空间转换研究 |
| 6.1 面向对象预处理对不平衡遥感数据集的影响 |
| 6.1.1 对象分割与对象特征 |
| 6.1.2 分析单元与数据分布 |
| 6.2 实验与分析 |
| 6.2.1 基于OBIA的典型分类方法的遥感不平衡分类性能响应分析 |
| 6.2.2 区域复杂度对基于OBIA的遥感不平衡分类的影响 |
| 6.3 研究结论 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附图 |
| 附表 |
（7）基于深度学习和雷达遥感数据的水稻种植面积提取研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感监测水稻种植面积的研究现状 |
| 1.2.1.1 光学遥感水稻种植面积提取的国内外研究现状 |
| 1.2.1.2 雷达遥感水稻种植面积提取的国内外研究现状 |
| 1.2.2 深度学习分类算法在植被面积提取的研究现状 |
| 1.3 研究内容 |
| 1.4 研究方案与技术路线 |
| 1.5 论文结构 |
| 第二章 深度卷积神经网络的理论及应用研究 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经元 |
| 2.1.2 前馈神经网络 |
| 2.1.3 反向传播算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的特性 |
| 2.2.2 网络结构及特征提取过程 |
| 2.2.2.1 卷积层 |
| 2.2.2.2 池化层 |
| 2.2.2.3 激活层 |
| 2.2.2.4 批量归一化 |
| 2.2.3 网络正则化约束 |
| 2.3 基于卷积神经网络的图像分割 |
| 2.4 基于SAR影像特点的模型迁移学习 |
| 2.5 本章小结 |
| 第三章 基于雷达影像的水稻标签数据集创建 |
| 3.1 研究区域概述 |
| 3.2 RADARSAT-2 数据 |
| 3.3地面观测实验 |
| 3.3.1 实验目的 |
| 3.3.2 实验方案 |
| 3.4 雷达影像的参数提取与分析 |
| 3.4.1 RADARSAT-2 后向散射系数提取 |
| 3.4.2 Freeman-Durden目标极化分解参数提取 |
| 3.4.3 各类地物的SAR参数时序特性分析 |
| 3.5 基于0IF的参数组合与排序 |
| 3.6 标签数据集制作 |
| 3.6.1 图像融合与区域裁剪 |
| 3.6.2 水稻标签制作 |
| 3.6.3 数据集的创建与扩展 |
| 3.7 本章小结 |
| 第四章 基于深度学习语义分割模型的水稻种植面积提取 |
| 4.1 实验环境搭建 |
| 4.1.1 硬件与软件 |
| 4.1.2 主要功能实现 |
| 4.2 网络模型及其结构 |
| 4.3 模型精度评价指标 |
| 4.4 网络训练过程 |
| 4.4.1 损失函数的选取 |
| 4.4.2 优化器算法的设置 |
| 4.4.3 不同模型的超参数优化 |
| 4.4.3.1 学习率的优化 |
| 4.4.3.2 学习率衰减系数的优化 |
| 4.5 不同模型的实验结果对比与分析 |
| 4.5.1 水稻面积自动化提取结果 |
| 4.5.2 模型精度分析 |
| 4.6 本章小结 |
| 第五章 水稻面积提取的数据集性能及最佳参数组合探究 |
| 5.1 不同SAR水稻数据集的分类性能研究 |
| 5.1.1 基于不同SAR数据集的模型训练及提取结果 |
| 5.1.2 不同SAR数据集的分类性能评估与分析 |
| 5.2 水稻面积提取的模型特征图可视化 |
| 5.3 基于模型特征图的水稻面积提取参数重要性探究 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的成果 |
（8）基于深度学习的淡水湿地遥感精细分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外在该方向的研究现状 |
| 1.2.1 高分辨率遥感图像分类方法研究现状 |
| 1.2.2 深度学习研究进展 |
| 1.2.3 湿地遥感影像分类研究进展 |
| 1.3 研究内容 |
| 1.4 研究的目标 |
| 1.5 研究的技术路线 |
| 第2章 研究区域及数据来源 |
| 2.1 洪河国家自然保护区概况 |
| 2.1.1 研究区域的典型性 |
| 2.1.2 地理位置 |
| 2.1.3 气候及资源概况 |
| 2.2 五大连池自然保护区 |
| 2.2.1 地理位置 |
| 2.2.2 气候及资源概况 |
| 2.3 数据源 |
| 2.3.1 高分二号影像(GF-2) |
| 2.3.2 哨兵二号影像(Sentinel-2) |
| 2.4 实验区域选择 |
| 2.5 实验数据集的建立 |
| 第3章 研究方法 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积层 |
| 3.1.2 激活函数 |
| 3.1.3 池化层 |
| 3.1.4 全连接层 |
| 3.1.5 损失函数 |
| 3.1.6 湿地分类的卷积神经网络结构 |
| 3.2 SVM-CNN复合分类方法 |
| 3.2.1 融合规则的建立 |
| 3.2.2 置信区间的确定 |
| 3.2.3 复合分类器中CNN模型的改进 |
| 3.2.4 支持向量机(SVM) |
| 3.3 分类器集成算法 |
| 3.3.1 多分类器系统(Multiple classifier system MCS) |
| 3.3.2 决策融合方法(Decision fusion) |
| 3.4 高分辨率遥感影像融合方法 |
| 3.5 本章小结 |
| 第4章 深度学习在淡水湿地精细分类中的应用研究 |
| 4.1 分类方法对比 |
| 4.2 交叉验证 |
| 4.3 数据预处理 |
| 4.3.1 实验数据集的准备 |
| 4.3.2 研究区域图像融合及其评价 |
| 4.4 精度评价方法 |
| 4.4.1 精度评价指标 |
| 4.4.2 精度对比基准 |
| 4.5 缓解过拟合问题 |
| 4.5.1 Dropout |
| 4.5.2 全局平均池化层 |
| 4.5.3 Dither |
| 4.6 CNN方法分类结果及精度对比分析 |
| 4.6.1 分类结果分析 |
| 4.6.2 分类精度评价 |
| 4.6.3 实验结果分析 |
| 4.7 SVM-CNN方法分类结果及精度对比分析 |
| 4.7.1 决策融合参数的设置 |
| 4.7.2 分类结果分析 |
| 4.7.3 分类精度评价 |
| 4.7.4 实验结果分析 |
| 4.8 SVM-CNN方法在洪河自然保护区的精细分类研究 |
| 4.8.1 数据准备 |
| 4.8.2 运行环境 |
| 4.8.3 分类结果及精度 |
| 4.8.4 实验结果分析 |
| 4.9 本章小结 |
| 第5章 深度学习在不同分辨率湿地影像中的分类研究 |
| 5.1 数据预处理 |
| 5.2 纹理特征的提取 |
| 5.3 分类精度对比分析 |
| 5.3.1 分类结果分析 |
| 5.3.2 分类精度评价 |
| 5.4 本章小结 |
| 结论和展望 |
| 主要结论 |
| 主要创新点 |
| 不足和展望 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 致谢 |
（9）基于图像风格迁移的全景时空模型研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 全景时空模型的表示方法 |
| 1.2.2 全景时空模型的构造方法 |
| 1.2.3 全景时空模型的优化方法 |
| 1.2.4 国内外研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 总体框架 |
| 2.1 业务场景分析 |
| 2.2 方法框架 |
| 2.3 本章小结 |
| 第3章 全景时空模型的表示方法 |
| 3.1 全景时空模型的表示方法框架 |
| 3.2 基于时空坐标系统的模型结构设计 |
| 3.2.1 时空坐标系统设计 |
| 3.2.2 全景时空模型结构设计 |
| 3.3 采样图像与遥感图像的多维度匹配 |
| 3.3.1 时间对齐 |
| 3.3.2 图像颜色特征对齐 |
| 3.3.3 图像纹理特征对齐 |
| 3.3.4 遥感图像前景及采样点匹配 |
| 3.4 基于文件系统的模型存储 |
| 3.4.1 图像集的存储 |
| 3.4.2 图像元数据的存储 |
| 3.4.3 图像关系的存储 |
| 3.5 本章小结 |
| 第4章 全景时空模型的构造方法 |
| 4.1 全景时空模型的构造方法框架 |
| 4.2 遥感图像前景分区算法 |
| 4.2.1 遥感图像前景的粗分割方法 |
| 4.2.2 遥感图像前景的细分割方法 |
| 4.2.3 遥感图像前景的子区域划分方法 |
| 4.3 基于风格迁移的图像合成算法 |
| 4.3.1 虚拟采样点的扩展与实时采样图像的合成 |
| 4.3.2 每日遥感图像的合成 |
| 4.3.3 基于风格迁移的图像合成模型 |
| 4.4 实验验证及分析 |
| 4.4.1 实验准备和实验数据集 |
| 4.4.2 遥感图像前景分区算法验证及分析 |
| 4.4.3 基于风格迁移的图像合成算法验证及分析 |
| 4.5 本章小结 |
| 第5章 全景时空模型的优化方法 |
| 5.1 全景时空模型的优化方法框架 |
| 5.2 时空数据的反向推演算法 |
| 5.2.1 虚拟采样点的扩展与历史采样图像的合成 |
| 5.2.2 历史遥感图像的合成 |
| 5.3 基于图像融合的模型修正方法 |
| 5.4 实验验证及分析 |
| 5.4.1 实验准备和实验数据集 |
| 5.4.2 全景时空模型的优化方法评价 |
| 5.5 本章小结 |
| 第6章 原型系统实现与讨论 |
| 6.1 系统应用背景 |
| 6.2 原型系统设计 |
| 6.2.1 数据层 |
| 6.2.2 控制层 |
| 6.2.3 应用层 |
| 6.3 系统详细设计与实现 |
| 6.3.1 数据层的详细设计与实现 |
| 6.3.2 控制层的详细设计与实现 |
| 6.3.3 应用层的详细设计与实现 |
| 6.4 系统验证及展示 |
| 6.4.1 农田实时监控应用 |
| 6.4.2 农田智能管理应用 |
| 6.5 系统讨论与分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（10）面向高分辨率遥感影像场景分类的层次化特征表达研究（论文提纲范文）
| 博士论文创新点 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 高分辨率遥感影像的特点 |
| 1.2.1 高分辨率遥感场景影像的特点 |
| 1.2.2 高分辨率与中低分辨率遥感影像的区别 |
| 1.2.3 高分辨率遥感影像与自然影像的区别 |
| 1.3 国内外研究现状与存在的问题 |
| 1.4 论文的研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 遥感影像场景分类数据集AID的构建 |
| 2.1 数据集的重要性 |
| 2.2 现有公开数据集简介 |
| 2.2.1 UC-Merced数据集 |
| 2.2.2 WHU-RS19 数据集 |
| 2.2.3 RSSCN7 数据集 |
| 2.2.4 RSC11 数据集 |
| 2.2.5 SIRI-WHU谷歌数据集 |
| 2.2.6 NWPU-RESISC45 数据集 |
| 2.2.7 现有公开数据集总结 |
| 2.3 AID的构建方法 |
| 2.4 AID的特点 |
| 2.5 本章小结 |
| 第三章 场景分类的浅层特征表达方法 |
| 3.1 浅层特征提取 |
| 3.1.1 浅层光谱特征提取 |
| 3.1.2 浅层结构特征提取 |
| 3.1.3 浅层纹理特征提取 |
| 3.1.4 浅层场景特征提取 |
| 3.2 常用分类器 |
| 3.2.1 支持向量机(SVM) |
| 3.2.2 K近邻(KNN) |
| 3.3 实验与分析 |
| 3.3.1 实验数据与参数设置 |
| 3.3.2 实验结果与分析 |
| 3.3.3 实验讨论 |
| 3.4 本章小结 |
| 第四章 场景分类的中层特征表达方法 |
| 4.1 概述 |
| 4.2 局部影像块采样 |
| 4.2.1 局部影像块采样研究框架 |
| 4.2.2 局部影像块采样方法 |
| 4.3 中层特征表达 |
| 4.3.1 中层特征表达研究框架 |
| 4.3.2 中层特征表达方法 |
| 4.4 视觉单词的空间分布挖掘 |
| 4.4.1 基于LBP思想的空间分布挖掘 |
| 4.4.2 基于分层BoVW的空间分布挖掘 |
| 4.5 实验与分析 |
| 4.5.1 局部影像块采样方法对比实验 |
| 4.5.2 中层特征表达方法对比实验 |
| 4.5.3 视觉单词的空间分布挖掘实验 |
| 4.6 本章小结 |
| 第五章 场景分类的深层特征表达方法 |
| 5.1 概述 |
| 5.2 卷积神经网络模型 |
| 5.2.1 卷积神经网络基本结构 |
| 5.2.2 经典卷积神经网络模型 |
| 5.3 深层特征迁移 |
| 5.3.1 全连接层特征迁移 |
| 5.3.2 卷积层特征迁移 |
| 5.4 实验与分析 |
| 5.4.1 实验数据与参数设置 |
| 5.4.2 实验结果与分析 |
| 5.4.3 实验讨论 |
| 5.5 本章小结 |
| 第六章 场景分类的多特征组合表达方法 |
| 6.1 概述 |
| 6.2 封装式的特征选择方法 |
| 6.3 多特征组合表达 |
| 6.3.1 浅层特征组合表达 |
| 6.3.2 中层特征组合表达 |
| 6.3.3 深层特征组合表达 |
| 6.3.4 多层次特征组合表达 |
| 6.4 实验与分析 |
| 6.4.1 实验数据与参数设置 |
| 6.4.2 实验结果与分析 |
| 6.4.3 实验讨论 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、应用分层采样技术进行大面积遥感图像分类的研究（论文参考文献）
- [1]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
- [2]离子吸附型稀土矿区地表覆盖信息面向对象提取研究[D]. 瓮旭阳. 江西理工大学, 2020(01)
- [3]基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究[D]. 张书瑜. 浙江大学, 2020(01)
- [4]近岸海水养殖区域遥感提取关键技术与空间分布特征研究[D]. 付勇勇. 浙江大学, 2020(01)
- [5]基于高分辨率影像的北疆农作物分类研究[D]. 张国顺. 石河子大学, 2020(08)
- [6]面向机器学习城镇不平衡数据集分类方法的研究[D]. 孙飞. 中国地质大学, 2020(03)
- [7]基于深度学习和雷达遥感数据的水稻种植面积提取研究[D]. 宁斯岚. 电子科技大学, 2020(07)
- [8]基于深度学习的淡水湿地遥感精细分类研究[D]. 孟祥锐. 哈尔滨师范大学, 2019(04)
- [9]基于图像风格迁移的全景时空模型研究与应用[D]. 邹文韵. 上海交通大学, 2020(01)
- [10]面向高分辨率遥感影像场景分类的层次化特征表达研究[D]. 胡静文. 武汉大学, 2019(06)