导读:本文包含了遥感图像识别论文开题报告文献综述及选题提纲参考文献，主要关键词:特征挖掘,特征提取,特征选择,XGBoost算法
遥感图像识别论文文献综述
赵生银,安如[1]（2019）在《基于特征挖掘的高光谱遥感图像识别研究》一文中研究指出高光谱遥感图像提供了丰富的光谱信息,如何充分挖掘高维特征空间的特征信息是高光谱图像识别的关键问题之一。以华盛顿地区航空高光谱数据作为实验数据,通过构建对象级特征和像素级特征来充分挖掘高光谱图像的信息,利用网格搜索法优化XGBoost算法的参数来实现特征选择,最后采用随机森林分类器实现高光谱图像识别。研究表明:本研究方法可以充分利用高光谱的图像信息,减少数据冗余量,其识别总体精度为96.32%;XGBoost算法特征选择后的图像识别的平均精度比未进行特征选择的高7.53%,表明基于XGBoost算法特征挖掘的高光谱遥感图像识别具有可行性和实用性。(本文来源于《亚热带资源与环境学报》期刊2019年03期）
王天宇[2]（2019）在《基于空间和光谱特征的高光谱遥感图像识别研究》一文中研究指出传统的遥感影像分类只能笼统的对地物进行分类,而随着光谱成像技术的发展,这种简单的分类已经不能满足人们对地物自动识别的需求。于是针对高光谱遥感图像的精细地物分类得到了更多的关注。本文针对高光谱遥感图像的各种特性提出了一种结合多特征融合分类以及图像空间特征校正的高光谱遥感图像识别方法。本方法首先对高光谱遥感影像进行空间特征及光谱特征的提取并进行线性融合,然后利用SVM进行初步分类,最后利用空间特征进行初步分类结果校正,本文的研究工作主要有以下两点:(1)对于高光谱遥感图像来说,单独使用光谱特征或单独使用空间特征都不能把它的信息充分利用。本文提出了一种多特征融合的高光谱遥感图像识别方法。通过将Gabor特征、形态学差分特征以及光谱特征进行融合并以支持向量机进行分类。叁种特征分别提取了高光谱遥感图像的空间纹理信息、明暗信息以及光谱信息,使得这种方法可以充分利用高光谱数据庞大的信息量同时经过特征提取也可以避免高光谱数据之间的冗余。(2)由于光谱成像仪在成像时很难避免水印及噪声的影响,所以高光谱遥感图像在经过初步的有监督分类后结果中会存在很多的椒盐噪点以及碎块式错分。针对这种错误本文提出一种利用高光谱图像分割进行空间特征校正的方法。首先通过SLIC超像素分割将高光谱图像分成小碎块,然后利用快速最近邻区域合并的方法对SLIC超像素分割结果进行区域合并得到高光谱遥感图像的分割结果。通过分割结果提取空间特征,然后利用空间特征进行校正以去除椒盐噪点。同时为了尽可能的保证分割结果的有效性,在进行分割前利用光谱特征对高光谱数据进行波段选择使得所选出的维度对于分割方法的适应性最高。本文所提出的方法经过实验证明可以达到95%左右的识别率,同时所提出的创新性改进也是实际有效的。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
刘凯[3]（2019）在《基于场景分析的遥感图像识别研究》一文中研究指出目前,遥感图像种类越来越多,对于不同类别的遥感图像具有不同的成像效果。其中,可见光遥感图像在日常生活的应用中最为广泛。所以本文选取高分辨率的可见光遥感图像作为研究对象。研究的目的在于探索出一种可以不受成像时间、地点影响的高分辨率可见光遥感图像分类的技术模型。本文提出的技术模型可以分为两个部分:(1)对遥感图像进行场景挖掘。首先对遥感图像进行分割,然后提取低层特征,通过高斯混合模型建模得到视觉单词,最后利用概率潜在语义分析模型实现潜在场景的挖掘。这一步可以实现将遥感图像按场景进行分组。(2)对遥感图像按照地物类别分类。对每个场景下的遥感图像分别进行超像素分割、样本制作以及底层特征提取,通过训练获得当前场景下的分类器模型,借助模型实现遥感图像的地物分类。本文的研究工作主要包括以下两个方面:本文引入了遥感图像场景信息的概念。提出了一种按照场景信息的不同对遥感图像进行分组的方法。首先对遥感图像进行均匀分割与归一化分割,用于得到基于纹理与颜色的视觉单词。然后通过对每张遥感图像视觉单词的数量进行统计可以得到其词频向量,进而实现特征融合。最后通过概率潜在语义分析模型对遥感图像进行潜在场景挖掘,实现了对遥感图像按场景进行分组。与传统的图像场景分类方法相比,本文的方法由于引入了视觉单词的概念,因而分类的精度更高。针对传统SLIC算法对遥感图像进行分割存在大量的过分割现象,提出了一种碎片合并的算法。首先通过设置阈值找到过分割碎片的位置,然后依次计算该碎片与其相邻的超像素小块的相似度,最后将碎片合并到相似度最高的超像素小块中。相较于未经过碎片合并的分割结果,该方法去掉了过分割碎片,有效减少了参与地物分类的超像素小块的数量,进而提高了分类精度。通过实验,验证了本文所提出基于场景分析的遥感图像识别算法的有效性。本文还设计了传统的面向对象遥感图像分类的实验作为对比,结果证明:本文提出的基于场景分析的遥感图像分类方法的分类精度要高于传统方法,总体精度达到了93.98%。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
陈贝贝[4]（2018）在《卷积神经网络在遥感图像识别中的应用研究》一文中研究指出遥感图像识别是遥感图像处理领域的一项重要研究课题,其主要任务是从遥感图像中检测出目标候选区域并给出该候选区域的类别。传统的遥感图像识别算法在简单的场景中可以取得较好的效果,但是在复杂的背景下,往往得到的效果不好。随着深度学习的提出,深层卷积神经网络可以提取遥感图像深层次的语义特征,大大提高了遥感图像识别的准确率。本文提出了基于多目标骨架粒子群(MOBPSO)的特征选择算法,并将该算法应用于Faster R-CNN中,对Faster R-CNN算法中提取的候选区域特征进行特征选择,提高了遥感图像识别的准确率。主要工作包括以下叁个方面:(1)针对利用卷积神经网络提取的遥感图像特征存在冗余的问题,本文提出了一种基于MOBPSO的特征选择算法。通过与两种经典的多目标特征选择算法在12个标准数据集上进行对比,基于MOBPSO的特征选择算法的准确率和运行时间在大部分数据集上优于其它两种算法,可以有效去除冗余特征。(2)应用深层卷积神经网络模型,提取遥感图像中的特征,并采用基于MOBPSO的特征选择算法,对提取的遥感图像特征进行特征选择。相比于其它两种经典特征选择算法,本文提出的基于MOBPSO的特征选择算法在遥感图像数据集上能够获得较小的分类错误率。(3)针对Faster R-CNN算法使用的分类特征存在冗余的问题,对Faster R-CNN算法进行了改进。在分类回归网络对目标区域进行分类之前,参照MOBPSO特征选择算法对提取目标区域特征的特征选择结果,对Faster R-CNN算法提取的目标区域特征进行选择,选择的特征作为分类与回归层的特征输入。将改进的Faster R-CNN算法应用于遥感图像识别中,通过实验结果可知,本文设计的基于改进Faster R-CNN的遥感图像识别算法的准确率比未改进的Faster R-CNN的遥感图像识别算法约提高了3%。(本文来源于《河北地质大学》期刊2018-12-01）
李玉霞,何磊,徐永鑫[5]（2018）在《基于图像识别的“无人机遥感概论”教学实验平台设计》一文中研究指出设计并搭建了基于光电图像处理的四旋翼无人机教学实验平台。该教学实验平台采用姿态传感器MPU6050以及摄像头OV7725作为主要机载传感器,ARM嵌入式系统芯片STM32F4系列作为主控芯片以及R5F100LEA系列作为辅控芯片。采用优化的单环PID控制算法,结合光电图像处理算法对特定目标物进行识别,实现了四旋翼无人机的自动控制实验。实验结果表明,提出的机载控制系统能很好地进行飞行控制实验,并能实现沿预设路线行走、投递特定物品以及找寻特定物品等无人机遥感教学实验功能。(本文来源于《实验室研究与探索》期刊2018年05期）
张恩泽[6]（2018）在《面向对象的遥感图像识别研究》一文中研究指出近年来,随着遥感技术的发展,遥感图像分辨率不断提高,其在众多领域的应用得到了人们的广泛关注。遥感图像识别技术就是其研究的主要热点之一。鉴于传统识别技术执行时间长和空间占用大的缺点,本文研究面向对象的图像识别技术,其主要包括两个方面:遥感图像的分割和目标识别。为了满足时间、空间和精度的要求,本文做了以下工作:(1)超像素分割算法的并行化改造传统分割算法大多采用串行执行的方式,已经不能满足现今遥感图像处理对时间和空间的高要求。本文结合数据分块并行理论和SLIC(simple linear iterative cluster)算法OpenMP并行化方法,根据遥感图像数据可分的特点,将遥感图像进行条状分块并编号,将分块后的子图像独立进行并行化后的SLIC分割操作。通过并行实验,对串行执行时间和并行执行时间进行对比,很明显,此改进在时间和加速比都取得了好的效果,达到预期目标。(2)并行分割完后边界合并算法的设计并行分割完成之后,分块边界处会出现明显的合并线,本文提出基于区域邻接图的边界合并算法。该算法首先获取边界处的区域标签,根据边界像素的空间位置关系,建立边界处的区域邻接图,然后遍历区域邻接图,根据一定的合并准则对边界区域进行处理。最后通过边界合并算法实验,验证了边界合并算法的有效性。(3)神经网络识别算法的改进针对遥感图像数据大,神经网络训练规模过大,难以达到高精度的要求,本文采用面向对象的识别技术,选取图像分割结果形成的超像素,提取光谱特征与纹理特征,进行组合形成特征向量送入BP神经网络训练,大大缩减神经网络的规模。实验选取了6副遥感图像数据进行植被识别,与ENVI最大似然法和易康KNN识别算法进行比较,精度上验证了该算法的识别精度。(本文来源于《西安电子科技大学》期刊2018-04-01）
杨倩文,孙富春[7]（2018）在《基于泛化空间正则自动编码器的遥感图像识别》一文中研究指出为了解决遥感图像中的合成孔径雷达(synthetic aperture radar,SAR)图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器(generalized autoencoders,GAE),并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明:GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。(本文来源于《清华大学学报(自然科学版)》期刊2018年02期）
邸亮[8]（2017）在《遥感技术在森林资源图像识别中的应用》一文中研究指出随着遥感技术的发展,人们较广泛地利用遥感资料对森林资源进行典型考察,通过室内分析判读成图。这种在地面调查基础上,开展遥感分析相结合的森林经理调查。是森林资源制图的新技术。(本文来源于《城市地理》期刊2017年24期）
王孟文[9]（2017）在《遥感图像识别分类技术研究》一文中研究指出近年来,随着遥感技术的发展,我们能够获得极其丰富的遥感信息。但是如何处理和应用这些数据,使之转换为可以被应用的有效信息,也随之成为一个重要的问题。利用单一传统的分类方法来对遥感图像进行分类识别,不仅会导致分类精度降低,而且也会造成空间数据大量冗余以及资源浪费等问题。本文主要对遥感图像地物识别的问题进行研究。在研究过程中,通过对现有的方法进行调研与分析,采用遥感图像的不同波段信息作为特征向量,构建训练样本集与测试样本集,并选取基于多分类器组合的方法来对待测遥感图像的地物进行识别。在多分类器组合方法中,通过叁层规则逐一地对待测样本进行判断,从而确保了分类结果的可靠性。接下来本文又提取出不同经纬度的20幅遥感图像进行分类识别,并与传统算法进行比较,发现整体上的分类效果要略优于传统算法。最终将生成的分类器系统与实验室自主研发的无线传输系统相结合,达到了减少通信传输量的目的。(本文来源于《北京邮电大学》期刊2017-02-28）
张日升,张燕琴[10]（2017）在《基于深度学习的高分辨率遥感图像识别与分类研究》一文中研究指出高分辨率遥感图像,作为卫星及其它航空器拍摄的一种特殊图像类型,不论在军用还是民用领域都具有着极其重要的价值和地位。当前,卫星遥感技术发展迅速,传统的图像识别与分类技术已经不能满足人们对高分辨率遥感图像信息获取的需求。文章在传统图像预处理技术的基础上,结合了深度学习的方法,实现了高分辨率遥感图像的识别与分类。(本文来源于《信息通信》期刊2017年01期）
遥感图像识别论文开题报告
（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：
传统的遥感影像分类只能笼统的对地物进行分类,而随着光谱成像技术的发展,这种简单的分类已经不能满足人们对地物自动识别的需求。于是针对高光谱遥感图像的精细地物分类得到了更多的关注。本文针对高光谱遥感图像的各种特性提出了一种结合多特征融合分类以及图像空间特征校正的高光谱遥感图像识别方法。本方法首先对高光谱遥感影像进行空间特征及光谱特征的提取并进行线性融合,然后利用SVM进行初步分类,最后利用空间特征进行初步分类结果校正,本文的研究工作主要有以下两点:(1)对于高光谱遥感图像来说,单独使用光谱特征或单独使用空间特征都不能把它的信息充分利用。本文提出了一种多特征融合的高光谱遥感图像识别方法。通过将Gabor特征、形态学差分特征以及光谱特征进行融合并以支持向量机进行分类。叁种特征分别提取了高光谱遥感图像的空间纹理信息、明暗信息以及光谱信息,使得这种方法可以充分利用高光谱数据庞大的信息量同时经过特征提取也可以避免高光谱数据之间的冗余。(2)由于光谱成像仪在成像时很难避免水印及噪声的影响,所以高光谱遥感图像在经过初步的有监督分类后结果中会存在很多的椒盐噪点以及碎块式错分。针对这种错误本文提出一种利用高光谱图像分割进行空间特征校正的方法。首先通过SLIC超像素分割将高光谱图像分成小碎块,然后利用快速最近邻区域合并的方法对SLIC超像素分割结果进行区域合并得到高光谱遥感图像的分割结果。通过分割结果提取空间特征,然后利用空间特征进行校正以去除椒盐噪点。同时为了尽可能的保证分割结果的有效性,在进行分割前利用光谱特征对高光谱数据进行波段选择使得所选出的维度对于分割方法的适应性最高。本文所提出的方法经过实验证明可以达到95%左右的识别率,同时所提出的创新性改进也是实际有效的。
（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。
遥感图像识别论文参考文献
[1].赵生银,安如.基于特征挖掘的高光谱遥感图像识别研究[J].亚热带资源与环境学报.2019
[2].王天宇.基于空间和光谱特征的高光谱遥感图像识别研究[D].哈尔滨工程大学.2019
[3].刘凯.基于场景分析的遥感图像识别研究[D].哈尔滨工程大学.2019
[4].陈贝贝.卷积神经网络在遥感图像识别中的应用研究[D].河北地质大学.2018
[5].李玉霞,何磊,徐永鑫.基于图像识别的“无人机遥感概论”教学实验平台设计[J].实验室研究与探索.2018
[6].张恩泽.面向对象的遥感图像识别研究[D].西安电子科技大学.2018
[7].杨倩文,孙富春.基于泛化空间正则自动编码器的遥感图像识别[J].清华大学学报(自然科学版).2018
[8].邸亮.遥感技术在森林资源图像识别中的应用[J].城市地理.2017
[9].王孟文.遥感图像识别分类技术研究[D].北京邮电大学.2017
[10].张日升,张燕琴.基于深度学习的高分辨率遥感图像识别与分类研究[J].信息通信.2017