一、监督分类技术在高分辨率卫星影像中的应用（论文文献综述）
李道纪[1]（2020）在《基于深度学习的高分辨率光学遥感影像典型地物智能分类技术研究》文中指出高分辨率光学遥感影像典型地物分类是遥感影像处理领域中一项基础而又重要的任务。对遥感影像中的水域、道路和居民地等典型地物进行高精度分类,在地形图测绘、情报侦察、城市规划和灾害应急响应等方面都具有重要的应用价值。近年来,遥感数据量逐渐增加,数据类型更加多样化,传统的遥感影像地物分类方法在精度和效率方面已经难以满足日益增长的应用需求。深度学习技术的诞生为遥感影像地物分类提供了新的解决途径,并大大推动了地物智能分类技术的发展。因此,本文结合深度学习的相关理论对高分辨率光学遥感影像典型地物智能分类技术展开研究,主要完成的工作和创新点如下:1.归纳了高分辨率光学遥感影像地物分类的研究现状以及深度学习中的语义分割技术研究进展,介绍了相关的基础理论和Non-Local结构,分析了目前基于深度学习的遥感影像地物分类所存在的问题。2.针对光学遥感影像单类地物提取问题,设计了一种用于遥感影像特定地物提取的双视觉全卷积网络。该网络通过结合不同的视野域对中心区域进行分类,提高了分类的置信度,加快了网络训练过程中的收敛速率。实验表明,该方法在保证了一定的地物提取精度条件下,减少了训练时间并降低了计算成本,为网络结构的设计提供了新思路。3.针对遥感影像多分类或全要素分类问题,提出了多注意力融合U型网络。该网络结合了U型卷积网络特征融合的优势,额外加入了注意力结构对深层特征进行了处理,提高了分类精度。实验结果表明,该网络在不同尺度的遥感影像数据集中的分类效果都明显优于主流的语义分割网络,证实了该网络具有较强的实用性。4.对卷积神经网络在光学遥感影像地物分类中的泛化性问题进行了分析,并提出了光谱特征与纹理特征相结合的解决思路。在不同的遥感影像数据集上进行测试,结果表明引入纹理特征可以强化网络对地物特征的学习能力,提高地物分类的泛化性。同时,该方案验证了人工设计特征辅助网络分类的可行性。
朱明[2]（2020）在《卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究》文中研究指明地表覆盖是一种重要的地理信息资源,是自然资源监测、国土空间规划、地理国情普查、宏观调控分析等不可或缺的重要信息。近年来高分辨率卫星影像数据获取能力不断增强,为地表覆盖分类提供了坚实的数据基础。然而在实际应用中,大量的地表覆盖分类仍然依靠人工解译处理,难以满足当前大尺度、海量影像地表覆盖分类处理与提取的要求。为了满足高效、准确、自动化的地表覆盖分类应用要求,本文围绕地表覆盖分类问题,研究了利用卷积神经网络进行高分辨率卫星影像地表覆盖分类的关键技术,提出了基于卷积神经网络的地表覆盖分类具体方法,提高了地表覆盖分类精度与效率。论文主要研究内容如下:（1）结合高分辨率卫星影像特点与地表覆盖分类要求,研究了卷积神经网络地表覆盖语义分割方法、特征提取方法与分类方法。研究并设计了包含编码与解码结构的地表覆盖分类卷积神经网络（LCC-CNN）。LCC-CNN通过增加多尺度特征感知模块与多尺度特征融合模块,强化了对多尺度地表覆盖分类特征的提取与融合。通过融合低层特征信息,改进损失函数,强化了图斑边缘学习与分类效果,增强了 LCC-CNN的地表覆盖分类能力。（2）根据遥感影像数据特点,研究了地表覆盖分类训练样本增广方法。提出了改进SMOTE算法,通过计算卷积神经网络对训练样本的学习效果进行数据增广与筛选,减少了无效样本对训练过程的干扰。在同样数据增广规模下,使用改进SMOTE算法构建的训练样本集能够获得更高地表覆盖分类精度。（3）针对多光谱影像数据特点扩充了训练数据的光谱、纹理与坡度等特征,优化了LCC-CNN训练过程,增加CRF后处理方法进一步提高分类精度。实验数据表明,LCC-CNN分类精度优于对比方法,对IOU及Kappa系数的提升较为明显。利用预训练网络与少量训练样本数据,使LCC-CNN具备提取与识别甘蔗种植区域的能力。（4）研究利用多时相数据改进地表覆盖分类精度。利用LCC-CNN在地表覆盖分类中具有较强泛化能力的特性,以LCC-CNN为骨干网构建了前后时相并行分类网络,提出了多时相修正地表覆盖分类方法。该方法能够利用前时相的真值与分类结果,在计算前、后时相特征相似度的基础上修正后时相地表覆盖分类结果,提高分类精度。
吴婷婷[3]（2020）在《针对高亮复杂下垫面地表区的云雪分离研究》文中指出卫星遥感技术已广泛应用于地质灾害监测、水系动态监测、农业资源调查、环境保护等不同的领域,其中,多光谱数据具有相对较高的空间分辨率以及时间分辨率,其光谱信息也较为丰富,在遥感领域的应用规模最广。近年来,以Landsat 8为代表的多光谱卫星数据的免费开放,为多光谱卫星遥感的应用提供了丰富的数据源。云检测是遥感影像应用中必不可少的步骤。目前,遥感影像的云检测过程中还存在一些亟需解决的问题,比如,大多数的云检测算法对卫星影像中厚云进行提取时所表现出的效果都相对较理想,而当卫星影像中含有薄云以及形态较小的点状云时,现有的检测方法大多存在一定的漏判现象;云和冰雪或沙漠等高亮下垫面地物的光谱在可见光波段都呈现高亮的状态,当下垫面含有与云具有相似光谱特性的对象时云检测的效果较差,容易产生多判的现象。基于上述背景,确定了本文的研究内容,即主要研究针对高亮复杂下垫面地表区的云雪分离,研究并构建了三种云检测和云雪分离的算法,主要的研究内容与研究成果如下:1、分析了云和高亮复杂典型下垫面地物信息在不同波段特有的吸收反射特性,以及不同地物波谱之间的互补性和冗余性,总结得到Landsat 8影像波段4、波段6、波段7和波段9具有区分云和雪及高亮复杂下垫面的诊断特征。2、测试了 Landsat 8新增加的卷云波段的应用效果,重点研究了其在云检测应用中的优缺点,总结了该波段目前仍存在的几个主要问题。3、研究并构建了一种基于主成分分析和分形求和模型的云检测算法,在普通下垫面区域,该算法检测效果理想,特别是对于难以被识别到的形态很小的点状云、厚云边缘的较薄的云层,本算法效果显着。4、研究并构建了高亮下垫面地区云雪分离算法,该算法可以将云与雪、沙漠等高亮下垫面区所产生的椒盐噪声分离,同时可进一步地将云分为薄云、中等云、厚云。特别是当Landsat 8影像下垫面中有大量积雪存在或者含有形态较小难以被识别的点云时,云和雪分离效果较为理想。5、研究并构建了基于多维信息的云雪分离算法,该算法对云和雪进行分离的效果较为理想,特别是当Landsat 8影像中含有地形较为复杂的下垫面背景信息,或者含有轮廓边界非常模糊且呈现弥雾状分布的难以被识别的云体信息时,该算法云雪分离的效果更为显着。6、研究了适用于Landsat 8影像云雪分离算法的定量化评价的指标,最终在本文中采用准确率、召回率、精确率、F1分值来定量化判断云雪分离的效果。选择了一轨地物类型多样、南北跨度大、地形、气候具有多样性且覆盖范围较大的数据集,将本文算法与在云检测方面取得了较好效果的人工神经网络以及Fmask 3.2算法作对比,证实了本文算法在高亮复杂下垫面地表区的云雪分离的有效性。
戴进[4]（2020）在《多源遥感影像IHS融合方法应用研究》文中研究指明遥感技术是实现对地观测的一种重要手段,它可以提供对地观测的多种空间分辨率遥感影像、多时相分辨率以及多平台的遥感影像等大量的遥感数据,这些数据能够为地震灾害、农业和森林监测、地形测绘以及军用等多个领域提供广泛而有价值的应用。多源遥感影像融合是遥感技术中的一个重要组成部分,属于对相同地区或目标进行多源信息处理的技术。目前,多源遥感影像融合技术已经取得了广泛的关注,其原理以及方法逐渐应用于智能化信息处理、遥感应用等各个领域。多源遥感影像数据往往是来源于不同类型的卫星传感器处于不同时刻所拍摄的同一场景的影像,对不同卫星传感器影像进行融合处理,能够有效解决单一传感器影像在几何、光谱和空间分辨率等方面存在的限制性和差异性。本文基于像素级融合的基础上,将高分辨率的北京二号全色影像以及低分辨率的高分二号多光谱影像作为融合研究对象,试验分析传统的影像融合方法如IHS变换、小波变换、PCA变换等融合算法,并结合IHS变换和小波变换融合的优点,对IHS-小波变换融合在Matlab中进行编程实现,通过目视解译以及结合均值、标准差、信息熵、扭曲程度、平均梯度和相关系数六个客观评价指标对不同融合方法融合后的影像融合质量进行分析,评价结果表明IHS-小波变换不仅可以提高多光谱影像的空间分辨率,还能够有效地减小光谱扭曲的问题。其次,本文还针对长沙市岳麓区进行了遥感动态监测,试验结果表明经过六年时间的变化发展,试验区域内的裸地大幅度降低,水域、植被等面积基本保持不变,建筑及道路区域相对增加。
杨闫君[5]（2019）在《基于植被指数时序谱类内差异特征的冬小麦遥感识别研究》文中研究说明小麦是世界第三大粮食作物,在世界范围内被广泛种植,其中冬小麦的种植面积超过了小麦总面积的80%。及时、准确地获取冬小麦种植面积对冬小麦产量估算、长势监测及生产规划等具有重要的现实意义。遥感技术因其覆盖面积广、重访周期短、数据获取相对容易和费用低廉等优点,为快速和准确获取冬小麦种植信息提供了强有力的技术手段。然而,农作物遥感识别是一项复杂的工作,既要考虑到技术的实用性和可执行程度,又要考虑识别结果的可信度和精度。利用单一时相遥感影像进行冬小麦识别时容易出现“错分、漏分”现象,难以达到理想的分类精度。时间序列尤其是植被指数时间序列数据成为农作物遥感分类识别研究的热点。近年来,随着对地观测技术水平的不断提高,多源、多时空分辨率的卫星传感器不断涌现,国内外遥感数据量迅速增加,为冬小麦遥感识别提供了丰富的数据源。面对庞大的数据量,如何高效地选择与合理地利用已有的多源、多时空分辨率卫星数据,开展冬小麦遥感分类识别方法研究,提高冬小麦分类识别精度,准确、快速地获取冬小麦种植面积及空间分布信息,对国家宏观决策具有重要的现实意义,也是当前我们面临的挑战。本文针对目前冬小麦遥感识别中存在的问题,以黄淮海平原为研究区,以高分一号WFV（GF-1,Wide Field of View）、MODIS（Moderate-Resolution Imaging Spectroradiometer）多光谱中、高分辨率影像为数据源,考虑到冬小麦光谱特征随季节变化的差异,分析了冬小麦植被指数时序谱特征,结合冬小麦与其他地物的时序波谱特征差异,探究冬小麦的遥感识别方法。研究采用矢量分析法,将N维矢量的方向和距离特征引入植被指数时间序列,基于GF-1WFV影像提出了冬小麦遥感识别矢量分析模型。同时,考虑到遥感识别的时效性问题,基于构建的识别模型进·步探究冬小麦遥感识别的最佳时序数据,以满足尽早获取冬小麦种植信息的实际需求。其次,将构建的模型用于MODIS影像,在大区域冬小麦遥感识别中进一步改进模型,并利用Landsat影像和统计数据对模型的识别结果进行验证。最后,采用MODIS数据在美国堪萨斯州对改进后的模型进行适用性评价模型。同时,结合景观格局指标中有关破碎度的相关指数,对影响冬小麦遥感识别精度的因素进行了讨论。论文的主要研究结论包括:（1）基于时序数据的空间方向与距离特征,采用矢量分析方法构建了冬小麦遥感识别矢量分析模型。基于GF-1 WFV影像构建覆盖冬小麦完整生长期的时间序列数据,考虑到同一区域的冬小麦具有相似的物候特征与生长状况,对比分析了冬小麦生长期内与其他地物类型的时序波谱曲线的特征差异。在借鉴光谱角制图法的基础上,将NDVI时间序列看作N维空间向量,基于冬小麦时序波谱特征,结合矢量的夹角和距离两个特征参量,构建冬小麦遥感识别矢量分析模型。结合地面数据验证,冬小麦识别精度达到了 94.83%,与其他方法对比,精度最大提高了 8.33%。结果表明构建的识别模型可以有效实现冬小麦的遥感识别并取得较高的精度。（2）基于构建的冬小麦遥感识别矢量分析模型,探究了冬小麦遥感识别的时效性问题,确定了用于冬小麦识别的最佳时序数据。考虑到农作物遥感识别需要满足时效性的需求,采用构建的冬小麦遥感识别矢量分析模型,依次对覆盖不同冬小麦物候期的时序数据进行测试,确定了满足精度需求的冬小麦识别的最早物候期。通过验证表明,采用本文构建的模型,基于冬小麦播种期至返青期的GF-1 NDVI时序数据,冬小麦识别精度可以达到90%以上。（3）提出了基于EVI时序谱类内差异特征的冬小麦遥感识别矢量分析模型。基于MODIS中等空间分辨率遥感影像,通过分析冬小麦植被指数时序谱特征,发现影像上大区域的冬小麦受不同的生长状况、耕作管理模式、气候环境等因素的影响,植被指数时序谱表现出较大的类内差异,在前文构建的模型基础上,加入考虑冬小麦时序谱类内差异特征的多个子训练样本集,进一步改进冬小麦遥感识别矢量分析模型。将改进后的模型在黄淮海平原应用,结合地面数据和Landsat影像对识别结果进行验证。结果表明,冬小麦识别总体精度达到85%以上,相比传统的监督分类（最大似然分类法）,精度提高了 15%。同时,采用播种期至返青期的时间序列,冬小麦的识别精度为70.17%。（4）改进后的冬小麦遥感识别矢量分析模型在不同区域的适用性评价。为了验证改进后的模型的普适性,在与黄淮海平原同纬度的美国堪萨斯州进行模型适用性评价。对堪萨斯州的冬小麦遥感识别结果在区域、县级以及像元尺度上进行精度验证。结果表明,改进后的识别模型可以有效地识别不同区域的冬小麦分布,结合Landsat分类结果图在像元尺度上的验证表明冬小麦总体识别精度达到90.33%。同时,采用覆盖冬小麦播种期至返青期的EVI时序数据对模型进一步验证,结果表明冬小麦识别精度达到80.67%。在堪萨斯州的冬小麦识别结果充分说明了本文提出的识别模型具有较高的普适性。（5）基于景观格局指数,明晰了冬小麦遥感识别矢量分析模型的影响因素。基于中等分辨率影像的作物识别精度与农田的空间异质性特征有着密切关系。本文采用景观格局指数表达研究区的景观破碎度,定量分析冬小麦农田的景观破碎度对冬小麦遥感识别精度的影响。结果表明,景观破碎度指数（FRG）与冬小麦识别精度之间有很强的正相关关系（r=0.99）。同样,较高的冬小麦面积比例（PLAND）对应着较高的冬小麦识别精度。当PLAND值大于20%时,平均误差百分比小于10%,即冬小麦识别精度达到90%以上。分析结果表明在破碎程度较低的区域,改进的冬小麦识别模型表现更好。对比黄淮海平原和堪萨斯州的冬小麦识别结果,后者精度提高程度较大,同时也说明在美国连续大面积冬小麦农田背景下,基于MODIS数据的冬小麦识别可以取得较高的精度,而对我国农田破碎度较高的国情,需要借助高分一号这样的高分辨率数据才能满足大区域高精度冬小麦制图。
吴昊宇[6]（2019）在《高分辨率遥感影像湿地覆盖分类研究》文中研究说明高分辨率遥感影像因其具有丰富的空间信息和纹理信息,已经取代传统的低分辨率卫星遥感影像。针对高分辨率影像分类方法日益更新,人们不断挖掘高分辨率影像中的丰富信息,使得高分辨率卫星影像在国土资源、环境监测、城市规划、精密农业等领域的应用愈加广泛。对于高分辨率遥感影像的小区域湿地需要找到一个最佳方法来进行湿地覆盖的分类。本文首先对石佛寺人工湿地原始高分辨遥感影像进行影像预处理和影像融合。利用面向对象分类、监督分类、非监督分类、基于专家知识的决策树分类四种分类方式,基于Word View-2（2011年影像数据）和GF-1（2018年影像数据）高分辨率两个年份的卫星影像,分析了小区域湿地土地影像分类并根据分类精度筛选出了最佳分类方式。进而利用最佳分类方式即面向对象方法,统计分类后的面积,评价了石佛寺人工湿地的土地动态变化。主要研究结论如下:（1）在ENVI中进行HSV变换、Gram-Schmidt变换、Brovey变换和NND变换实验,分析融合后的影像,基于IDL编程计算融合评价指标,发现Gram-Schmidt变换无论是在空间信息还是纹理信息方面,均具有较高的保留度;（2）针对高分辨率影像探究分类方法的有效性,探究了传统分类方法分类结果,基于最大似然法进行监督分类,利用K-Means法实现非监督分类,决策树分类基于e Cognition的影像分割进行决策树分类。在面向对象分类中,分析了不同分割尺度和分割参数下影像的表现形式,选取最优的分割尺度对建筑、水体、林地、人工牧草地、道路、滩涂、芦苇、荷花和蒲草分类,通过各尺度均值方差、最大面积等,得出对于2011年的Word View-2影像和2018年的GF-1影像,建筑、林地和道路的最优分割尺度分别是120和80,芦苇和蒲草最优分割尺度分别是240和140,荷花和草地最优分割尺度分别是400和180,裸地和水体最优分割尺度分别是580和200;（3）计算2011年的Word View-2影像和2018年的GF-1影像的分类结果的精度,得出两种影像面向对象分类精度分别是88.13%和90.8%。非监督分类、监督分类精度低于80%,决策树分类精度较监督分类和非监督分类稍高,Word View-2影像和GF-1影像分别是82.8%和84.12%;同一影像纵向比较各种方法,两张图都得出了面向对象方法精度优于其他方法。统计分析面向对象的面积,基于单一土地动态模型分析湿地植被类型的动态变化,可知,蒲草增长最快,2011-2018的年变化率达到11.58%。荷花次之,年增长率为5.2%,芦苇年增长比率较低（1.32%）。从整体来看人工牧草地和林地面积变化较少,同时植被面积不断扩张,给石佛寺人工湿地营造了良好的区域生态环境。
田海峰[7]（2019）在《基于Sentinel-1&2卫星影像的中国主产区冬小麦遥感识别研究》文中提出冬小麦是中国的主要粮食作物之一,及时有效获取冬小麦种植面积是保障国家粮食安全的关键环节。中国冬小麦地块破碎度高,Sentinel等高分辨率影像为中国冬小麦遥感识别提供了新的重要数据源。但在地理空间大范围尺度上,冬小麦遥感识别依然面临着如下三个问题:（1）作物物候差异显着,影像成像时间不一致,云雨导致的影像缺失时段不确定等问题导致冬小麦图像特性的不确定性;（2）中国冬小麦地块破碎度高,不同空间分辨率影像对冬小麦识别精度的影响尚缺少定量研究;（3）冬小麦与油菜、大蒜具有相似的光谱特征和时序植被指数特征,单一依靠光学影像难以准确解决冬小麦与油菜、大蒜易于混淆的科学问题。为此,本文以中国冬小麦主产区（106°E～122.8°E,28°N～42°N）为研究区,基于Google Earth Engine云计算技术,合成、耦合Sentinel-1微波影像和Sentinel-2光学影像,准确生产了10 m空间分辨率的中国主产区2018年冬小麦分布数据。总体精度达到96%,kappa系数为0.92,其中冬小麦的用户精度为95.21%,生产者精度为97.61%。本文研究解决了地理空间大范围尺度上冬小麦遥感识别领域面临的主要科学问题或难题,主要得到如下创新性成果:1、合成时序Sentinel-2光学影像,解决数据冗余,增强冬小麦图像信息。本文基于冬小麦物候特征和MODIS-EVI数据,得到研究区内冬小麦物候的地理空间分异特征,将研究区划分为4个子区域,即28°N～32°N、32°N～35°N、35°N～38°N、38°N～42°N。分别得到每个子区域时序Sentinel-2 EVI影像合成的有效时间窗口,如38°N～42°N区域内,EVI高值时间窗口为2017.11.1～2018.4.30,EVI低值时间窗口为2017.10.1～2017.10.30和2018.6.10～2018.7.10。定义Sentinel-2EVI影像的合成规则,即,EVI高值时期内合成时序Sentinel-2 EVI最大值,低值时期内合成时序Sentinel-2 EVI最小值和中值。该方法有效减少了遥感数据的冗余问题,显着增强了冬小麦的图像信息,为代表性训练样本选择和分类精度提高提供了重要数据基础。2、论证指出Sentinel影像在中国冬小麦遥感识别领域具有明显优势。本文在中国冬小麦主产区尺度上定量分析了10 m、30 m、250 m、500 m空间分辨率影像对冬小麦识别结果的影响。基于10 m空间分辨率Sentinel影像的冬小麦识别结果与统计数据对比,河南、山东、安徽、河北、江苏五大主产省份的误差分别为2.06%、0.00%、1.21%、3.23%、4.10%。通过72个1 km×1 km的验证样方开展精度评价,10 m、30 m、250 m、500 m空间分辨率影像的冬小麦识别总体精度分别为96.19%、89.87%、71.25%、64.48%,冬小麦识别精度随着空间分辨率的降低而降低。Sentinel影像以其高时空分辨率的优势,能够精细识别冬小麦地块的边界信息,冬小麦识别的错分率或漏分率小于5%,对中国高破碎度冬小麦地块的遥感识别具有明显优势。3、耦合主被动遥感数据,解决异物同谱问题,提高冬小麦遥感识别精度。Sentinel-1微波影像对植被植株结构响应敏感,通过分析冬小麦时序Sentinel-1后向散射系数,发现:4月份冬小麦出现谷值,VH、VV波段最小值分别低于-20 d B、-15 d B;油菜、大蒜则出现峰值,VH、VV波段最大值分别大于-15 d B、-10 d B。据此定义时序Sentinel-1影像的合成方案,挖掘合成影像中冬小麦的图像特征:4月份合成影像中VH、VV波段分别小于-15d B、-9.5 d B;VH波段的4月份合成影像与5月份合成影像的差值大于-3d B。据此,以冬小麦-油菜混种区湖北省和冬小麦-大蒜混种区山东金乡县为研究区,采用阈值分类方法优化基于Sentinel-2光学影像的冬小麦识别结果,实现Sentinel-1微波影像和Sentienl-2光学影像的耦合,从而提高冬小麦遥感识别精度。
宋荣杰[8]（2019）在《基于高分辨率遥感影像的果园与设施农业用地提取方法研究》文中研究说明精准农业是我国现代农业生产的主要发展方向。快速、准确地从高空间分辨率遥感影像中获取果园和设施农业用地空间分布信息,对于实现果园和设施农业精准管理、促进产业布局优化以及可持续发展具有重要意义。针对目前遥感影像农业生产用地信息提取研究中果园和设施农业用地提取研究偏少、高空间分辨率遥感影像面临的光谱混淆以及现有方法提取精度不高等亟待解决的问题,本文以提高小尺度区域果园和设施农业用地提取精度为主要目标,采用QuickBird、SPOT-7和GeoEye-1卫星影像数据,对高空间分辨率遥感影像的光谱特征可区分性、纹理特征提取、分类特征选取、遥感分类和信息提取模型构建和影像预处理等关键技术及原理进行研究。论文取得的主要结果如下:（1）为明确不同遥感系统高分辨率影像的光谱特性以及研究区不同地物的可区分性,开展基于光谱特征和SVM算法的高空间分辨率遥感影像分类研究。针对不同地物的光谱特征统计结果表明,研究区植被类别之间、非植被类别之间存在一定程度的光谱混淆。不同光谱波段的统计结果表明,近红外波段的均值和标准差最大,与其他3个光谱波段的相关性最小,这表明近红外波段的亮度最大且变化明显,所含信息量最为丰富且与其他波段之间的信息重叠少,有利于增加不同地物之间的光谱可区分性。常规光谱分类结果表明,基于光谱特征的高空间分辨率遥感影像分类精度普遍较低,近红外波段在光谱分类中的贡献高于其他3个波段。其中苹果园研究区的OA（总体分类精度）和Fa（苹果园提取精度）最高分别为86.62%和85.05%、猕猴桃园研究区的OA和Fk（猕猴桃园提取精度）最高分别为83.37%和79.90%,设施农业研究区的OA和Fg（温室大棚提取精度）最高分别为85.91%和82.32%（SPOT-7影像）、92.22%和91.27%（GeoEye-1影像）。（2）果园在高空间分辨率遥感影像中呈现显着的纹理特性。针对苹果园、猕猴桃园与研究区其他植被类别之间的光谱混淆问题,分别开展基于GLCM、小波变换、分形模型和空间自相关分析的纹理特征提取方法研究。结合苹果园的种植特点及其影像特征,设计基于GLCM的苹果园纹理特征提取方法。结果表明GLCM纹理能够显着提升研究区的OA和Fa,SF+GLCM TF特征的Fa和OA最高,比光谱特征（SF）分类大幅提升14.17%和12.39%,比SF+fractal TF特征分类分别提高0.63%和1.56%,比SF+correlation TF特征分类显着提高11.92%和9.20%;SF+GLCM TF和SF+fractal TF分类的Fa和OA均高于94%,表明这2种纹理特征均能较好的识别苹果园。结合猕猴桃园种植特点及其影像特征,提出基于小波变换的猕猴桃园纹理提取方法。采用coif5小波函数对QuickBird全色影像进行2级小波分解,并统计小波系数的能量特征作为纹理特征。结果显示仅采用小波纹理（wavelet TF）分类时Fk即达到87.61%且明显高于光谱和其他纹理分类结果;SF+wavelet TF特征分类的OA和Fk最高且均超过94%,与SF分类相比Fk和OA大幅提升15.03%和8.94%,与SF+GLCM TF特征分类相比Fk和OA分别提高6.70%和2.88%,与SF+fractal TF特征相比Fk和OA显着提高13.43%和6.98%,表明小波纹理能有效增加不同地物之间的区分能力,SF+wavelet TF特征识别猕猴桃园的效果最好。（3）为提升QuickBird高空间分辨率遥感影像中苹果园的提取精度,提出综合光谱特征、GLCM纹理特征和SVM分类的苹果园自动提取方法（SF+GLCM TFSVM）。该方法首先提取QuickBird全色影像的GLCM纹理特征,然后综合利用GLCM纹理特征和光谱特征构建分类特征,最后通过SVM分类实现苹果园分类识别。试验结果表明,采用4种分类特征（SF、SF+GLCM TF、SF+fractal TF、SF+correlation TF）时,SVM分类的总体分类精度和苹果园提取精度均高于相同分类特征下的MLC分类和ANN分类。SF+GLCM TFSVM分类模型的分类精度最高,Fa和OA分别达到96.99%和96.16%。与SF+GLCM TFMLC分类相比Fa和OA分别提高0.93%和2.57%,与SF+GLCM TFANN分类相比Fa和OA大幅提高14.67%和8.78%,这表明利用SVM算法构建的苹果园提取模型优于MLC和ANN。利用该方法估算的苹果园面积与目视解译结果的一致性超过98%。（4）针对复杂种植环境下猕猴桃园的有效识别问题,提出结合小波变换纹理分析和RF分类的QuickBird影像猕猴桃园提取方法（SF+wavelet TFRF）。该方法首先提取QuickBird全色影像的小波纹理特征,然后将小波纹理与光谱特征组合构建分类特征,最后利用RF分类实现土地利用分类和猕猴桃园空间分布提取。试验结果表明,采用4种分类特征（SF、SF+GLCM TF、SF+fractal TF、SF+wavelet TF）时,RF分类结果均优于相同分类特征下的SVM分类和MLC分类。SF+wavelet TFRF分类模型的Fk和OA分别达到95.30%和94.46%,与SF+wavelet TFSVM分类相比Fk和OA分别提升1.65%和3.38%,与SF+wavelet TFMLC分类相比Fk和OA分别提升6.07%和4.13%。该方法对苹果园提取也有较好的适用性,利用此方法针对苹果园提取的试验结果Fa和OA分别达到97.77%和96.43%。（5）构建了融合高空间分辨率遥感影像光谱信息、小波纹理信息和RF分类的温室大棚遥感提取模型,利用该模型实现GeoEye-1和SPOT-7影像中温室大棚的有效提取。不同影像结果表明,单一光谱分类时,2种影像RF分类的Fg和OA均在85%以上;光谱与纹理特征组合分类时,GeoEye-1、SPOT-7影像的Fg和OA最高分别达到94.29%和94.58%、92.67%和92.52%,说明2种影像均可用于温室大棚的有效识别,且GeoEye-1影像提取精度高于SPOT-7影像。在分类特征方面,光谱与小波纹理组合能够有效提升温室大棚识别精度。对于SPOT-7影像,SF+wavelet TF分类较SF分类、SF+GLCM TF分类的Fg和OA分别对应提升8.21%和5.47%、2.11%和1.82%;对于GeoEye-1影像,SF+wavelet TF分类较SF分类、SF+GLCM TF分类的Fg和OA分别对应提升2.01%和1.97%、1.16%和1.06%。在分类方法选取方面,RF分类在2种影像的3种不同分类特征中较SVM分类的Fg提升幅度为1.01%4.74%,表明RF具有更好的分类精度和稳定性。
查泽超[9]（2019）在《面向对象的高分辨率遥感影像水系信息提取研究》文中研究说明水系作为至关重要的地理国情要素,精确获取其空间分布和变化频率等具有举足轻重的意义。随着现代遥感技术的快速发展,高分辨率遥感影像为我们获取数据以及使用前沿技术手段提供了可靠的数据支撑。本文以2009年12月份杭州市部分城区WordView-2高分辨率遥感影像为数据源及研究区,影像包括空间分辨率为1.8 m的8个多光谱波段影像,以及空间分辨率为0.5 m的全色波段影像,通过遥感影像预处理,采用面向对象的方法用于研究水系信息的提取。面向对象的影像分析技术,基于的是影像分割形成的对象而不是传统意义上的像元,这可以充分利用高分辨率遥感影像丰富的光谱、形状、纹理、空间关系等特征信息。传统的依赖于人工目视解译的方式,如何实现对水系信息的快速、准确提取是近几年的研究重点。论文的主要内容有以下几个部分:（1）在WordView-2高分辨率遥感影像的预处理方面,本文以ENVI软件为平台,依次对数据进行影像融合、正射校正、影像裁剪的处理操作,并分别使用Brovey变换融合、Gram-schmidt Pan Sharpening（GS）、NNDiffuse三种融合方法,以信息熵、均值与标准差、平均梯度为质量评价指标进行对比分析得出,采用NNDiffuse融合方法的效果最优。（2）本文以eCognition软件为平台,分别采用棋盘分割、四叉树分割、多尺度分割、光谱差异分割的方法对研究区内的地物进行分割处理,通过目视人工判读分割效果的方法,提出了采用多尺度分割结合光谱差异分割的方法,可以优化多尺度分割中存在过分割的情况。同时通过设置不同分割尺度参数进行试验,发现先将多尺度分割的参数设置为90,光谱差异分割参数设置为20-30时,研究区内各地物的分割效果最好。（3）在波段权重的选择上,通过提取WordView-2高分辨率遥感影像各个波段的均值、方差、相关性系数等光谱信息数值,将波段选择最佳指数OIF指数作为指标,实验得出选用Band 2、Band 6、Band 8波段组合为最优波段组合比较合理。（4）通过对研究区影像光谱、形状和纹理信息以及专题指数的统计分析,使用改进的分离阈值SEaTH算法有效地自动选取分类特征并计算阈值,选取出水系信息提取最佳的特征组合,以此构建合理的分类规则。（5）分别采用面向对象的监督分类中的最邻近分类,规则分类中的确定性规则方法,以及使用二者结合的分类策略方法,与基于像元的监督分类方法进行对比对研究区内的水系及其他地物进行提取分类。并通过使用用户精度、制图精度进行精度分析。对比实验结果后表明,采用最邻近分类、基于改进SEaTH算法确定性规则分类以及结合分类的生产者精度分别为91.78%、92.99%和96.61%,用户精度分别为91.05%、93.77%、96.67%。而基于像元的监督分类的生产者精度和用户精度分别为86.96%、88.76%,两种精度均小于使用面向对象分类方法的水系提取精度。通过实验对比分析得出,对于本研究区内的水系信息提取的精确性,面向对象的分类方法要优于传统的基于像元的分类方法;并且使用面向对象的确定性规则分类与最邻近分类相结合的方法,能够有效的提高水系信息分类精度和分类稳定性,适用于高分辨率遥感影像中水系信息的提取分类。
陶翊婷[10]（2019）在《基于深度学习的高空间分辨率遥感影像分类方法研究》文中研究指明针对高空间分辨率遥感影像的分类处理问题,本论文基于深度学习理论,开展了高空间分辨率遥感影像分类的方法研究。具体研究如下。（1）本文提出了端对端、像素对像素的半监督高分遥感影像分类方法。考虑到传统CNN分类方法难以直接产生像素对像素的分类结果问题,研究基于反卷积网络设计思路,针对任意大小的待分类影像直接输出逐像素密集分类结果,实现真正意义上的端对端、像素对像素的高分影像分类,提升神经网络在高分影像逐像素分类上的效率。并且,考虑到利用深度学习进行网络监督分类训练需要大量的标记数据作为真值,而获取大量标记数据源是遥感分类领域的难点,本文提出利用海量未标记高分遥感影像,通过非监督进行通用结构特征的学习,辅助带标记的高分遥感影像更好的进行监督型特征提取与分类训练。通过在影像通用结构化特征学习和目标类相关的区别性特征学习中找到平衡点,降低监督分类对标记样本量的依赖,提高神经网络在少量标记训练样本下的网络鲁棒性。（2）本文提出基于空间-类别信息分解的高分遥感影像特征提取与分类方法。不同类别的遥感影像联合能提供更为丰富的信息,但由于不同源影像具有不同的优势特点,利用统一的模型难以对其进行充分的利用。针对不同源影像的联合利用问题,本文提出一种双线卷积神经网络聚合模型,基于全色影像和多光谱各自的特点,构建相应网络,从解决“what”（地物是什么）和“where”（地物在哪）两个角度出发,提升网络对地物边缘,位置等低层次特征和语义信息等高层次特征的联合利用能力,在地物内部完整性和地物边缘保持上获得更好的分类效果;此外,方法从增强特征提取能力的角度出发,通过“零和博弈”的生成对抗网络思路构建特征提取巩固结构,增强网络的特征提取能力,保障网络特征提取的有效性,提高算法精度。（3）本文提出了面向多尺度局部空间结构信息的逐像素分类方法。考虑到不同大小感受野能够关注到不同局部空间结构特征,对高分遥感影像语义理解产生不同的影响,研究提出采用尺度变换的特征提取方法,通过探索不同局部空间结构下的信息挖掘,实现空间-光谱信息的联合以及对地物周围不同尺度的邻域环境的利用,为地物判别提供更为丰富的特征,实现更好的影像分类;另一方面,针对深度学习的网络训练问题,本文提出以密集连接形式构建特征重用网络,并配置内置分类器进行伴随监督监督,在加深网络的同时降低特征冗余,降低网络隐藏层透明性,促进反向传播中梯度信息的回传,达到随着网络深度加深,网络的表达能力在一定范围内加强的目的,获取更好的高分遥感影像的分类结果。（4）本文基于常用遥感影像Quickbird、Geoeye、BJ02、GF02数据以及ISPRS Vaihingen公开数据集等对提出的方法进行测试,探索网络设计架构、网络参数等多方面因素对网络表现的影响,验证了网络设计的合理性,并将提出的三种方法同遥感分类领域其他流行方法进行对比分析,明确其各自的特点与优势,并证明了它们相对于对比方法的优越性。根据算法的特点,在今后的分类任务中,可以按照分类目标以及侧重点选择更为合适的分类方法,以达到更好的高分遥感影像分类目的。
二、监督分类技术在高分辨率卫星影像中的应用（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、监督分类技术在高分辨率卫星影像中的应用（论文提纲范文）
（1）基于深度学习的高分辨率光学遥感影像典型地物智能分类技术研究（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 传统地物分类技术 |
| 1.2.2 深度学习中的语义分割技术 |
| 1.2.3 基于深度学习的遥感影像地物分类技术 |
| 1.3 遥感影像地物分类存在的问题 |
| 1.4 论文的主要研究内容和结构安排 |
| 第二章 深度学习理论基础 |
| 2.1 卷积神经网络 |
| 2.1.1 深度神经网络基础 |
| 2.1.2 卷积神经网络结构 |
| 2.2 数据增强策略 |
| 2.3 Non-Local结构及注意力机制 |
| 2.4 本章小结 |
| 第三章 结合双视觉全卷积网络的遥感影像地物提取 |
| 3.1 双视觉全卷积网络主要思想 |
| 3.2 双视觉全卷积网络结构及参数配置 |
| 3.2.1 双视觉全卷积网络结构 |
| 3.2.2 数据增强预处理及超参数选择 |
| 3.3 实验结果与分析 |
| 3.3.1 典型地物提取实验对比 |
| 3.3.2 网络预测置信度对比 |
| 3.3.3 ELV与 EGV消融实验对比 |
| 3.4 本章小结 |
| 第四章 多注意力融合U型网络的遥感影像地物分类 |
| 4.1 多注意力融合U型网络 |
| 4.1.1 双注意力模块 |
| 4.1.2 多注意力融合U型网络结构 |
| 4.2 数据集及训练细节 |
| 4.2.1 数据集选取 |
| 4.2.2 训练方法及环境配置 |
| 4.3 地物分类实验结果及分析 |
| 4.3.1 数据集测试及实验结果定性分析 |
| 4.3.2 地物分类结果分析 |
| 4.3.3 模型复杂度及轻量化分析 |
| 4.3.4 消融实验及可视化分析 |
| 4.4 本章小结 |
| 第五章 光谱与纹理特征相结合的遥感影像地物分类 |
| 5.1 Haralick纹理特征筛选 |
| 5.2 多时相遥感影像分类的泛化性分析 |
| 5.3 多地域遥感影像分类的泛化性分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 对今后研究的展望 |
| 致谢 |
| 参考文献 |
| 中英文缩写符号对照表 |
| 作者简历 |
（2）卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地表覆盖分类研究进展 |
| 1.2.2 深度卷积神经网络研究进展 |
| 1.2.3 深度卷积神经网络在地表覆盖分类的应用进展 |
| 1.2.4 当前研究中存在的主要问题 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织结构 |
| 第2章 基于卷积神经网络的地表覆盖分类方法 |
| 2.1 卷积神经网络原理 |
| 2.1.1 卷积神经网络特征提取方法 |
| 2.1.2 误差反向传播算法 |
| 2.1.3 卷积神经网络图像语义分割方法 |
| 2.2 基于卷积神经网络的地表覆盖分类模型构建方法 |
| 2.2.1 LCC-CNN特征提取方法 |
| 2.2.2 LCC-CNN解码与分类方法 |
| 2.2.3 LCC-CNN训练算法 |
| 2.3 本章小结 |
| 第3章 卷积神经网络训练样本增广方法 |
| 3.1 数据源与实验区域的选取 |
| 3.2 训练样本的制作与精化 |
| 3.2.1 试验区地表覆盖分类原则 |
| 3.2.2 基础训练样本的制作与外业核查 |
| 3.3 训练样本数据增广方法 |
| 3.3.1 几何变换数据增广方法 |
| 3.3.2 像素变换数据增广方法 |
| 3.3.3 有效增广数据筛选算法 |
| 3.4 代价敏感学习 |
| 3.5 实验与分析 |
| 3.5.1 实验数据与实验环境 |
| 3.5.2 训练样本精化效果实验 |
| 3.5.3 训练样本增广实验 |
| 3.5.4 实验结论 |
| 3.6 本章小结 |
| 第4章 LCC-CNN的训练与地表覆盖分类优化 |
| 4.1 LCC-CNN输入特征优化方法 |
| 4.1.1 地表覆盖特征扩充方法 |
| 4.1.2 地表覆盖特征筛选方法 |
| 4.2 卷积神经网络的训练优化方法 |
| 4.2.1 随机梯度下降 |
| 4.2.2 批归一化 |
| 4.2.3 参数初始化 |
| 4.2.4 迁移学习与微调 |
| 4.3 LCC-CNN后处理优化方法 |
| 4.3.1 条件随机场后处理方法 |
| 4.3.2 地表覆盖分类后处理方法 |
| 4.4 LCC-CNN地表覆盖分类实验与分析 |
| 4.4.1 LCC-CNN地表覆盖分类实验 |
| 4.4.2 地表覆盖分类效率对比实验 |
| 4.4.3 地表覆盖分类实验结论 |
| 4.5 LCC-CNN在甘蔗种植面积监测中的应用 |
| 4.5.1 LCC-CNN在甘蔗种植面积监测中的训练过程 |
| 4.5.2 LCC-CNN在甘蔗种植面积监测应用中的精度评价与对比分析 |
| 4.5.3 LCC-CNN在甘蔗种植面积监测中的应用效果 |
| 4.6 本章小结 |
| 第5章 基于LCC-CNN的多时相修正地表覆盖分类 |
| 5.1 多时相修正地表覆盖分类方法原理 |
| 5.2 基于并行网络的多时相地表覆盖分类修正算法 |
| 5.2.1 并行网络的构建方法 |
| 5.2.2 多时相修正分类算法 |
| 5.3 多时相修正分类算法在地理国情监测中的应用 |
| 5.3.1 实验数据与环境 |
| 5.3.2 多时相修正算法实验与分析 |
| 5.3.3 多时相修正地表覆盖分类方法在地理国情监测中的应用效果 |
| 5.3.4 应用结论与讨论 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究内容与结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）针对高亮复杂下垫面地表区的云雪分离研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 云检测研究现状 |
| 1.2.1 基于光谱阈值法的云检测研究现状 |
| 1.2.2 基于纹理特征的云检测研究现状 |
| 1.2.3 基于智能分类算法的云检测研究现状 |
| 1.3 云检测面临解决的问题 |
| 1.4 论文研究技术路线 |
| 1.5 论文的研究组织结构 |
| 第二章 云检测的相关概念 |
| 2.1 云的基本概念 |
| 2.2 云的形成 |
| 2.3 云的分类 |
| 2.4 下垫面 |
| 2.5 云及大气颗粒对电磁辐射的影响 |
| 2.5.1 电磁辐射传输过程 |
| 2.5.2 大气层对电磁波的影响 |
| 2.6 云及典型下垫面的反射辐射特性 |
| 2.6.1 云的反射辐射特性 |
| 2.6.2 雪的反射辐射特性 |
| 2.6.3 沙漠的反射辐射特性 |
| 2.6.4 土壤的反射辐射特性 |
| 2.7 本章小结 |
| 第三章 数据预处理 |
| 3.1 数据介绍 |
| 3.1.1 Landsat 8数据简介 |
| 3.1.2 Landsat 8产品 |
| 3.1.3 数据更新量 |
| 3.2 Landsat 8数据预处理 |
| 3.2.1 重采样 |
| 3.2.2 影像裁剪和拼接 |
| 3.2.3 假彩色合成 |
| 3.3 本章小结 |
| 第四章 基于主成分分析和分形求和模型的云检测算法 |
| 4.1 主成分分析 |
| 4.2 云体信息增强 |
| 4.2.1 主成分分析在云体信息增强中的理论基础 |
| 4.2.2 主成分分析在云体信息增强中的应用效果 |
| 4.3 分形求和模型 |
| 4.3.1 分形理论简介 |
| 4.3.2 分形求和模型原理 |
| 4.4 分型求和模型云体信息提取中的应用效果 |
| 4.5 本章小结 |
| 第五章 高亮下垫面地区云雪分离算法 |
| 5.1 云体信息增强 |
| 5.2 DN-N像素值-频率分形 |
| 5.3 假异常噪声剔除 |
| 5.4 本章小结 |
| 第六章 基于多维信息的云雪分离算法 |
| 6.1 波段选择 |
| 6.2 双线性内插法重采样 |
| 6.3 MF(匹配)滤波 |
| 6.4 改进后的混合整体筛分模型 |
| 6.5 空间分析剔除噪声假异常 |
| 6.5.1 安瑟伦局部莫兰指数 |
| 6.5.2 各向异性分析 |
| 6.6 本章小结 |
| 第七章 云雪分离的算法评价与应用 |
| 7.1 云雪分离算法评价指标 |
| 7.2 本文典型区域云雪分离算法评价 |
| 7.2.1 高亮下垫面地区云雪分离算法定性评价 |
| 7.2.2 高亮下垫面地区云雪分离算法定量化评价 |
| 7.2.3 基于多维信息的云雪分离算法定性评价 |
| 7.2.4 基于多维信息的云雪分离算法定量化评价 |
| 7.3 云雪分离算法在非典型区域的应用 |
| 7.4 本章小结 |
| 结论与展望 |
| 结论 |
| 主要创新点 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）多源遥感影像IHS融合方法应用研究（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 研究背景 |
| 1.1.2 研究意义 |
| 1.2 遥感影像融合发展及研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 影像融合技术存在的问题 |
| 1.3 研究内容及技术路线 |
| 1.4 安排论文组织结构 |
| 第二章 数据源及影像预处理 |
| 2.1 研究区域 |
| 2.2 数据源 |
| 2.2.1 高分二号卫星影像 |
| 2.2.2 北京二号卫星影像 |
| 2.2.3 谷歌卫星影像 |
| 2.3 影像预处理 |
| 2.3.1 几何校正影像 |
| 2.3.2 影像配准 |
| 2.3.3 影像去噪 |
| 2.4 本章小结 |
| 第三章 遥感影像融合方法及融合质量评价 |
| 3.1 遥感影像融合层次分析 |
| 3.1.1 像素级融合 |
| 3.1.2 特征级融合 |
| 3.1.3 决策级融合 |
| 3.2 传统像素级遥感影像融合方法 |
| 3.2.1 IHS变换 |
| 3.2.2 小波变换 |
| 3.2.3 Brovey变换 |
| 3.2.4 主成分(PCA)变换 |
| 3.2.5 Gram-Schmidt变换 |
| 3.2.6 NNDiffuse变换 |
| 3.3 基于IHS变换和小波变换融合方法 |
| 3.4 遥感影像融合的评价标准 |
| 3.4.1 主观评价标准 |
| 3.4.2 客观评价标准 |
| 3.5 本章小结 |
| 第四章 基于像素级的遥感影像融合试验 |
| 4.1 试验结果及分析 |
| 4.1.1 丘陵区域试验结果 |
| 4.1.2 平原区域试验结果 |
| 4.1.3 水域区域试验结果 |
| 4.1.4 建筑密集区域试验结果 |
| 4.2 本章小结 |
| 第五章 遥感动态监测研究 |
| 5.1 非监督分类 |
| 5.2 监督分类 |
| 5.3 分类实验 |
| 5.4 遥感动态监测 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间发表的论文) |
| 附录B (攻读学位期间发明的专利) |
（5）基于植被指数时序谱类内差异特征的冬小麦遥感识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感数据在农业领域的应用研究现状 |
| 1.2.2 农作物遥感分类与识别提取技术方法研究进展 |
| 1.2.3 基于多特征的农作物遥感分类识别研究进展 |
| 1.2.4 目前研究存在的问题 |
| 1.3 论文研究思路与流程 |
| 1.4 论文主要研究内容 |
| 1.5 论文章节安排 |
| 第二章 研究数据和方法 |
| 2.1 研究区概况 |
| 2.2 野外调查及数据获取 |
| 2.2.1 野外调查总体情况 |
| 2.2.2 野外实地采集数据 |
| 2.3 卫星影像获取及其特征 |
| 2.3.1 GF-1多光谱影像预处理 |
| 2.3.2 MODIS EVI影像预处理 |
| 2.4 农作物遥感分类识别结果精度评价方法 |
| 2.4.1 混淆矩阵 |
| 2.4.2 误差百分比、相关系数和均方根误差 |
| 第三章 基于GF-1 NDVI时序的冬小麦遥感识别矢量分析模型 |
| 3.1 基于GF-1 NDVI时序的N维矢量特征分析 |
| 3.1.1 冬小麦遥感识别的植被指数时序特征 |
| 3.1.2 冬小麦遥感识别的平均参考矢量 |
| 3.1.3 基于NDVI时序的冬小麦遥感识别特征选择 |
| 3.1.4 基于JM距离进行特征参量的可分性分析 |
| 3.2 基于GF-1 NDVI时序的冬小麦遥感识别矢量分析模型 |
| 3.2.1 冬小麦遥感识别矢量分析模型的构建 |
| 3.2.2 冬小麦遥感识别矢量分析模型的阈值确定 |
| 3.3 识别结果与精度验证 |
| 3.3.1 冬小麦遥感识别模型的识别结果 |
| 3.3.2 其他分类识别方法 |
| 3.3.3 精度验证与结果评价 |
| 3.4 冬小麦遥感识别模型的NDVI时序谱段选择研究 |
| 3.4.1 NDVI时序谱段的构建 |
| 3.4.2 基于不同NDVI时序谱的冬小麦平均参考矢量 |
| 3.4.3 不同时序谱的冬小麦可分性分析 |
| 3.4.4 基于不同NDVI时序谱的冬小麦遥感识别 |
| 3.5 本章小结 |
| 第四章 基于MODIS数据的冬小麦识别模型构建 |
| 4.1 NDVI与EVI的对比分析 |
| 4.2 基于MODIS EVI时序数据的冬小麦遥感识别 |
| 4.3 冬小麦的MODIS EVI时序谱特征分析 |
| 4.3.1 基于MODIS EVI时序数据的冬小麦物候特征分析 |
| 4.3.2 基于MODIS EVI时序的冬小麦样本数据 |
| 4.4 子训练样本集的构建 |
| 4.4.1 冬小麦EVI时序谱特征分析 |
| 4.4.2 基于EVI时序谱特征差异进行子训练样本集构建 |
| 4.4.3 基于JM距离进行子训练样本集的可分性分析 |
| 4.5 考虑EVI时序谱类内差异特征的冬小麦遥感识别模型 |
| 4.5.1 考虑EVI时序谱类内差异特征的冬小麦遥感识别模型 |
| 4.5.2 冬小麦识别模型的参数敏感性分析与阈值确定 |
| 4.6 冬小麦识别结果与精度验证 |
| 4.6.1 冬小麦识别结果 |
| 4.6.2 精度验证 |
| 4.6.3 与其他分类识别方法的对比及模型评价 |
| 4.7 本章小结 |
| 第五章 冬小麦识别模型适用性评价与影响因素分析 |
| 5.1 美国堪萨斯州试验区概况 |
| 5.1.1 堪萨斯州的概况介绍 |
| 5.1.2 堪萨斯州的冬小麦概况简介 |
| 5.2 堪萨斯州冬小麦遥感识别与提取 |
| 5.2.1 试验区冬小麦样本的获取 |
| 5.2.2 冬小麦子训练样本集的构建 |
| 5.2.3 冬小麦子训练样本集的可分性分析 |
| 5.2.4 堪萨斯州的冬小麦遥感识别 |
| 5.3 识别结果精度验证与对比分析 |
| 5.3.1 堪萨斯州冬小麦遥感识别结果 |
| 5.3.2 与其他遥感分类识别方法的对比 |
| 5.4 影响冬小麦识别精度的因素分析 |
| 5.4.1 景观格局指数的计算 |
| 5.4.2 景观格局指数与冬小麦识别精度的关系 |
| 5.4.3 不同区域的冬小麦识别结果对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读学位期间参与的科研项目和研究成果 |
| 致谢 |
（6）高分辨率遥感影像湿地覆盖分类研究（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 影像融合研究现状 |
| 1.2.2 基于像元的影像分类研究现状 |
| 1.2.3 面向对象影像分类研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 基础数据及影像预处理 |
| 2.1 研究区概况 |
| 2.1.1 石佛寺水库 |
| 2.1.2 石佛寺人工湿地 |
| 2.1.3 研究区数据源 |
| 2.2 研究区覆盖类型划分 |
| 2.3 影像预处理 |
| 2.3.1 辐射定标 |
| 2.3.2 大气校正 |
| 2.3.3 正射校正 |
| 2.4 影像融合 |
| 2.4.1 HSV变换 |
| 2.4.2 Gram-Schmidt变换 |
| 2.4.3 Brovey变换 |
| 2.4.4 NNDiffuse变换 |
| 2.5 影像评价指标确定 |
| 2.6 研究区边界提取及裁剪 |
| 2.7 本章小结 |
| 第三章 传统的遥感影像分类 |
| 3.1 传统分类方法 |
| 3.1.1 监督分类 |
| 3.1.2 非监督分类 |
| 3.1.3 决策树分类 |
| 3.2 传统的分类方法详解 |
| 3.2.1 最大似然法 |
| 3.2.2 K-Means法 |
| 3.2.3 决策树分类法 |
| 3.3 本章小结 |
| 第四章 面向对象的遥感影像分类 |
| 4.1 多尺度分割参数的确定 |
| 4.1.1 2011年worldview-2 影像多尺度参数的选择 |
| 4.1.2 2018年GF-1影像多尺度参数的选择 |
| 4.2 最优尺度的选择 |
| 4.3 最优尺度实验 |
| 4.3.1 基于2011年World View-2 影像最优尺度实验 |
| 4.3.2 基于2018年GF-1影像最优尺度实验 |
| 4.4 分类特征参数的确定 |
| 4.5 面向对象分类 |
| 4.6 本章小结 |
| 第五章 分类结果比较分析及分类成果 |
| 5.1 分类精度评价 |
| 5.1.1 监督分类 |
| 5.1.2 非监督分类 |
| 5.1.3 决策树分类 |
| 5.1.4 面向对象法 |
| 5.1.5 精度比较 |
| 5.2 面向对象分类成果统计及分析 |
| 5.2.1 分类成果统计 |
| 5.2.2 植被动态演变分析 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）基于Sentinel-1&2卫星影像的中国主产区冬小麦遥感识别研究（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 国内外研究概况及发展态势 |
| 1.2.1 作物光学遥感识别研究进展 |
| 1.2.2 作物微波遥感识别研究进展 |
| 1.2.3 遥感分类方法研究进展 |
| 1.2.4 Google Earth Engine国内外应用概况 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文章节结构 |
| 第2章 研究区、数据、处理平台 |
| 2.1 研究区概况 |
| 2.2 研究数据 |
| 2.2.1 遥感数据 |
| 2.2.2 地面调查数据 |
| 2.3 Google Earth Engine云平台 |
| 2.4 精度验证方法 |
| 2.4.1 生产验证样本数据 |
| 2.4.2 混淆矩阵精度验证方法 |
| 第3章 基于Sentinel影像的冬小麦图像信息增强方法 |
| 3.1 冬小麦时序EVI地理空间分异特征分析方法 |
| 3.2 基于Sentinel-2 EVI影像的冬小麦图像信息增强算法 |
| 3.3 基于Sentinel-1微波影像的冬小麦图像信息增强算法 |
| 3.4 本章小结 |
| 第4章 基于Sentinel-2光学影像的中国主产区冬小麦遥感识别 |
| 4.1 冬小麦Sentinel-2影像特征提取 |
| 4.1.1 冬小麦物候地理空间分异 |
| 4.1.2 冬小麦与其他地物的时序EVI差异 |
| 4.2 中国主产区冬小麦遥感识别 |
| 4.2.1 Sentinel-2 EVI影像合成 |
| 4.2.2 基于Sentinel-2合成影像的冬小麦识别结果 |
| 4.3 精度评价 |
| 4.4 本章小结 |
| 第5章 空间分辨率对冬小麦识别精度的影响 |
| 5.1 基于Landsat30m影像的冬小麦识别结果 |
| 5.2 基于MODIS250m影像的冬小麦识别结果 |
| 5.3 基于MODIS500m影像的冬小麦识别结果 |
| 5.4 不同空间分辨率影像识别精度的对比 |
| 5.5 本章小结 |
| 第6章 结合Sentinel-1微波影像的混种区冬小麦精细识别 |
| 6.1 冬小麦Sentinel-1合成影像特征提取 |
| 6.2 冬小麦-油菜混种区精细识别 |
| 6.3 冬小麦-大蒜混种区精细识别 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要工作和结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于高分辨率遥感影像的果园与设施农业用地提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感影像分类方法 |
| 1.2.2 高分辨率遥感影像纹理特征提取方法 |
| 1.2.3 农作物类型遥感提取 |
| 1.2.4 文献总结 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究目标与内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织结构 |
| 第二章 材料与方法 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 作物种植结构 |
| 2.1.3 果业发展概况 |
| 2.1.4 设施农业概况 |
| 2.2 基础数据 |
| 2.2.1 遥感数据 |
| 2.2.2 地面调查数据 |
| 2.2.3 其他数据 |
| 2.3 纹理特征提取方法 |
| 2.3.1 GLCM纹理 |
| 2.3.2 分形纹理 |
| 2.3.3 空间自相关纹理 |
| 2.3.4 小波纹理 |
| 2.4 监督分类方法 |
| 2.4.1 SVM分类 |
| 2.4.2 RF分类 |
| 2.4.3 MLC分类 |
| 2.4.4 ANN分类 |
| 2.5 分类结果评价 |
| 2.5.1 分类精度总体评价 |
| 2.5.2 单一类别识别精度评价 |
| 2.5.3 不同分类模型显着性差异 |
| 第三章 高分辨率遥感影像光谱特征分析与分类 |
| 3.1 影像预处理 |
| 3.1.1 正射校正 |
| 3.1.2 辐射校正 |
| 3.1.3 影像配准 |
| 3.1.4 数据融合 |
| 3.2 光谱特征分析 |
| 3.2.1 影像光谱统计特征 |
| 3.2.2 典型地物的影像特征 |
| 3.2.3 不同地物的光谱特征 |
| 3.3 光谱特征分类结果与分析 |
| 3.3.1 苹果园研究区 |
| 3.3.2 猕猴桃园研究区 |
| 3.3.3 设施农业研究区 |
| 3.4 讨论与结论 |
| 3.4.1 讨论 |
| 3.4.2 结论 |
| 第四章 面向果园提取的高分辨率遥感影像纹理特征分析 |
| 4.1 研究区与遥感数据 |
| 4.1.1 研究区概况 |
| 4.1.2 遥感数据 |
| 4.2 纹理特征提取 |
| 4.2.1 GLCM纹理特征提取 |
| 4.2.2 小波纹理特征提取 |
| 4.2.3 分形纹理特征提取 |
| 4.2.4 空间自相关纹理特征提取 |
| 4.3 基于GLCM的苹果园纹理特征分析 |
| 4.3.1 最佳纹理窗口选择 |
| 4.3.2 纹理特征提取结果 |
| 4.3.3 不同地物的纹理统计特征 |
| 4.3.4 不同纹理特征分类结果对比 |
| 4.4 基于小波变换的猕猴桃园纹理特征分析 |
| 4.4.1 小波纹理特征提取过程 |
| 4.4.2 小波纹理提取结果与分析 |
| 4.4.3 GLCM与分形纹理特征提取 |
| 4.4.4 不同纹理特征分类结果比较 |
| 4.4.5 小波纹理对苹果园提取的适用性分析 |
| 4.5 讨论与结论 |
| 4.5.1 讨论 |
| 4.5.2 结论 |
| 第五章 QuickBird影像果园用地信息提取研究 |
| 5.1 研究区与数据 |
| 5.1.1 研究区和遥感数据 |
| 5.1.2 样本数据 |
| 5.2 技术路线和方法 |
| 5.2.1 技术流程 |
| 5.2.2 特征提取 |
| 5.2.3 分类模型构建 |
| 5.2.4 分类结果评价 |
| 5.3 基于SVM的苹果园用地信息提取 |
| 5.3.1 SVM核函数选取与分类模型优化 |
| 5.3.2 提取结果对比 |
| 5.3.3 苹果园提取精度分析 |
| 5.4 基于RF的猕猴桃园用地信息提取 |
| 5.4.1 RF参数选取与分类模型构建 |
| 5.4.2 提取结果对比 |
| 5.4.3 提取精度分析 |
| 5.5 讨论 |
| 5.5.1 不同分类方法分类精度分析 |
| 5.5.2 建模样本对分类精度的影响 |
| 5.5.3 数据融合对果园提取精度的影响 |
| 5.6 结论 |
| 第六章 基于GeoEye-1和SPOT-7 影像的设施农业用地提取 |
| 6.1 研究区与数据 |
| 6.1.1 研究区 |
| 6.1.2 遥感数据 |
| 6.1.3 样本数据 |
| 6.2 技术路线和方法 |
| 6.2.1 特征提取 |
| 6.2.2 遥感图像监督分类方法 |
| 6.2.3 分类精度评价 |
| 6.3 结果与分析 |
| 6.3.1 小波纹理特征提取结果 |
| 6.3.2 RF分类参数选取及分类模型构建 |
| 6.3.3 不同分类特征分类精度分析 |
| 6.3.4 不同分类方法分类精度分析 |
| 6.3.5 不同影像的温室大棚提取结果 |
| 6.4 讨论与结论 |
| 6.4.1 讨论 |
| 6.4.2 结论 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）面向对象的高分辨率遥感影像水系信息提取研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1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 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容及思路 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究思路及技术路线 |
| 第2章 研究区概况与数据预处理 |
| 2.1 研究区域概括 |
| 2.2 数据来源 |
| 2.3 数据预处理 |
| 2.3.1 影像融合 |
| 2.3.2 影像融合质量评价 |
| 2.3.3 正射校正 |
| 2.3.4 影像裁剪 |
| 2.4 本章小结 |
| 第3章 遥感影像分割 |
| 3.1 影像分割方法 |
| 3.1.1 棋盘分割方法 |
| 3.1.2 四叉树分割方法 |
| 3.1.3 分形网络进化分割方法 |
| 3.1.4 光谱差异分割方法 |
| 3.1.5 影像分割结果分析 |
| 3.2 多尺度分割 |
| 3.2.1 多尺度分割的流程 |
| 3.2.2 分割尺度的原理 |
| 3.3 多尺度分割参数设置 |
| 3.3.1 波段权重 |
| 3.3.2 均质性因子 |
| 3.3.3 多尺度分割尺度参数实验 |
| 3.3.4 光谱差异分割尺度参数实验 |
| 3.4 本章小结 |
| 第4章 水系分类特征提取 |
| 4.1 水系特征分析 |
| 4.1.1 水系的光谱特征分析 |
| 4.1.2 水系的纹理特征分析 |
| 4.1.3 水系的几何特征分析 |
| 4.1.4 水系的专题特征分析 |
| 4.2 基于改进SEaTH算法的水系特征自动提取 |
| 4.2.1 SEaTH算法的原理 |
| 4.2.2 SEaTH算法特征提取的方法 |
| 4.2.3 基于改进SEaTH算法的关键特征提取 |
| 4.3 本章小结 |
| 第5章 面向对象的水系信息提取与精度评价 |
| 5.1 面向对象的水系信息提取实验 |
| 5.1.1 确定性规则分类 |
| 5.1.2 最邻近分类 |
| 5.1.3 结合最邻近分类和确定性规则的水系信息提取 |
| 5.2 基于像元的最大似然法水系信息分类实验 |
| 5.3 分类结果精度评价 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
（10）基于深度学习的高空间分辨率遥感影像分类方法研究（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 国内外研究现状及存在问题 |
| 1.2.1 高分影像分类的研究现状及面临的问题 |
| 1.2.2 深度学习与其在影像分类中的研究现状及面临的问题 |
| 1.3 研究内容和组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 深度学习基础与分类理论 |
| 2.1 机器学习基础 |
| 2.1.1 线性回归 |
| 2.1.2 逻辑回归 |
| 2.1.3 Softmax分类器 |
| 2.2 基于深度学习的特征学习与分类 |
| 2.2.1 非监督学习 |
| 2.2.2 监督学习与分类 |
| 2.3 本章小结 |
| 第三章 基于半监督神经网络的端对端高分影像分类 |
| 3.1 背景介绍 |
| 3.2 半监督式反卷积神经网络 |
| 3.2.1 反卷积理论 |
| 3.2.2 非监督栈式卷积自编码 |
| 3.2.3 半监督式反卷积网络构架 |
| 3.2.4 基于URDNN的高分影像分类 |
| 3.3 实验与分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验设计 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于空间-类别信息分解的高分辨率遥感影像分类 |
| 4.1 背景介绍 |
| 4.2 信息分解式双线高分影像分类模型构建 |
| 4.2.1 基于空间信息设计的主线模型 |
| 4.2.2 基于类别信息设计的辅线模型 |
| 4.2.3 双线网络设计架构 |
| 4.3 实验与分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设计 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 面向多尺度局部空间结构信息的高分影像逐像素分类 |
| 5.1 背景介绍 |
| 5.2 基于密集连接的多尺度分类模型 |
| 5.2.1 密集连接设计思路 |
| 5.2.2 基于内置分类器的伴随监督 |
| 5.2.3 多尺度网络构建 |
| 5.2.4 基于网中网结构的多尺度密集连接网络 |
| 5.3 实验与分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验设计 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 高分遥感数据的综合测试与分析 |
| 6.1 背景介绍 |
| 6.2 实验与分析 |
| 6.2.1 实验数据 |
| 6.2.2 实验策略 |
| 6.2.3 实验结果与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究内容与创新性总结 |
| 7.2 未来研究方向展望 |
| 参考文献 |
| 攻读博士期间发表的论文及参加的科研项目 |
| 致谢 |
四、监督分类技术在高分辨率卫星影像中的应用（论文参考文献）
- [1]基于深度学习的高分辨率光学遥感影像典型地物智能分类技术研究[D]. 李道纪. 战略支援部队信息工程大学, 2020(08)
- [2]卷积神经网络在高分辨率卫星影像地表覆盖分类中的应用研究[D]. 朱明. 中国地质大学(北京), 2020(01)
- [3]针对高亮复杂下垫面地表区的云雪分离研究[D]. 吴婷婷. 长安大学, 2020(06)
- [4]多源遥感影像IHS融合方法应用研究[D]. 戴进. 长沙理工大学, 2020(07)
- [5]基于植被指数时序谱类内差异特征的冬小麦遥感识别研究[D]. 杨闫君. 南京大学, 2019
- [6]高分辨率遥感影像湿地覆盖分类研究[D]. 吴昊宇. 沈阳农业大学, 2019(03)
- [7]基于Sentinel-1&2卫星影像的中国主产区冬小麦遥感识别研究[D]. 田海峰. 中国科学院大学(中国科学院遥感与数字地球研究所), 2019(06)
- [8]基于高分辨率遥感影像的果园与设施农业用地提取方法研究[D]. 宋荣杰. 西北农林科技大学, 2019(07)
- [9]面向对象的高分辨率遥感影像水系信息提取研究[D]. 查泽超. 成都理工大学, 2019(02)
- [10]基于深度学习的高空间分辨率遥感影像分类方法研究[D]. 陶翊婷. 武汉大学, 2019(12)