导读:本文包含了森林纹理特征论文开题报告文献综述及选题提纲参考文献，主要关键词:方向梯度直方图(HOG)特征,局部二值模式(LBP),灰度共生矩阵,主成分分析
森林纹理特征论文文献综述
陈静,张艳新,姜媛媛[1]（2019）在《融合多特征与随机森林的纹理图像分类方法》一文中研究指出针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。(本文来源于《传感器与微系统》期刊2019年12期）
胡凯龙,刘清旺,李世明,庞勇,李梅[2]（2018）在《运用融合纹理和机载LiDAR特征模型估测森林地上生物量》一文中研究指出针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。(本文来源于《东北林业大学学报》期刊2018年01期）
吕杰,郝宁燕,李崇贵,史晓亮,李宗泽[3]（2017）在《利用随机森林和纹理特征的森林类型识别》一文中研究指出针对利用遥感影像进行森林类型识别容易出现树种误分和模型复杂的问题,以高分一号卫星影像为数据源,结合遥感判读样地、植被指数、纹理信息以及地形因子等多源数据,构建最小距离分类模型、支持向量机分类模型和随机森林分类模型,对黑龙江凉水自然保护区森林优势树种进行分类。结果表明,基于随机森林模型的分类结果总精度和Kappa系数分别为81.01%和0.76,较支持向量机分类方法有明显提高。该研究为提高我国高分辨率数据的自给率和森林资源的有效管理提供了一定的参考价值。(本文来源于《遥感信息》期刊2017年06期）
汪康宁,吕杰,李崇贵[4]（2017）在《基于多尺度遥感影像纹理特征的森林蓄积量反演》一文中研究指出以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,RF)算法构建森林蓄积量反演模型,对研究区域的森林蓄积量进行估测,分析不同特征变量与窗口大小对森林蓄积量反演模型准确度的影响;最后,通过比较特征变量重要性,确定森林蓄积量反演模型的最佳特征变量与窗口大小选择,对研究区进行森林蓄积量反演,得到研究区域的森林蓄积量分布图。当使用从8m分辨率遥感影像提取的纹理特征与光谱信息作为特征变量时,森林蓄积量反演模型准确度明显优于使用其他特征变量。其中,当灰度共生矩阵窗口大小设置为9×9时,森林蓄积量反演模型准确度最高,为R~2=0.70,RMSE=6.317。在根据重要性对从多尺度遥感影像提取的纹理特征进行选择后,所构建的森林蓄积量反演模型的准确度为R~2=0.74,RMSE=6.439。使用较高分辨率遥感影像提取的纹理特征作为特征变量,可以有效的提升森林蓄积量反演模型的准确度。将基于不同分辨率遥感影像提取到的纹理特征作为特征变量,其模型准确度优于使用单一分辨率遥感影像所提取的纹理特征。(本文来源于《中南林业科技大学学报》期刊2017年11期）
亓兴兰,刘健,胡宗庆,林金刚,曹祖宁[5]（2016）在《融合多尺度纹理特征森林资源信息提取》一文中研究指出基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.(本文来源于《北华大学学报(自然科学版)》期刊2016年01期）
矫林涛[6]（2015）在《基于蓝噪声理论的多特征遥感图像森林植被纹理分割》一文中研究指出森林植被识别在遥感影像分割中具有重要地位。高分辨率遥感影像除了包含地物的光谱特征信息外,还提供了大量的空间纹理特征,因而应用高分辨率遥感影像处理森林植被和森林树种识别成为近年研究的重点。针对高分辨率影像数据量巨大且地物类型多样的特点,采用单一特征进行分割不能充分利用遥感影像丰富的光谱以及纹理特征信息,导致识别准确度低,还容易造成空间数据的大量冗余和资源的浪费。因此,利用多特征相结合的影像分割方法已经成为当前研究趋势。为解决上述问题,本文采用一种综合光谱和利用其纹理特征信息构建纹理结构基元的方法。该方法首先根据植被的光谱辐射特性,利用归一化植被指数对图像进行植被提取,然后基于蓝噪声理论的遥感图像森林植被纹理测量方法,完成对森林植被的多尺度提取。最后,综合影像中的灰度、尺度、形状等其他纹理特征信息,构造森林纹理结构基元,通过结构基元与原图像匹配,完成森林植被提取。在提取过程中,森林纹理结构基元的设计尤为重要,本文在结合形态学结构元素的基础上,通过对典型植被(乔木)纹理微观结构形态分析,根据获取的多尺度信息,构造合适的多尺度结构基元来描述森林植被纹理。在上述理论研究的基础上,针对蓝噪声特征提取要求,本文实验所用遥感图像为Quick Bird卫星(全色+多光谱)捆绑数据,多光谱分辨率为2.76m。结果表明,利用光谱与森林纹理结构基元的影像分类方法对高分辨率影像中的森林植被分类识别,森林植被分类精度更高,分类结果也更易于解译和理解。(本文来源于《辽宁师范大学》期刊2015-06-01）
魏静明,李应[7]（2015）在《基于纹理特征与随机森林的生态声音识别》一文中研究指出针对真实环境中普遍存在的非平稳噪声,提出一种基于纹理特征与随机森林的生态声音识别方法。该方法首先使用一种基于噪声估计的音频增强算法,即短时谱估计对输入端声音信号进行前端处理,得到增强信号功率谱;然后根据得到的增强信号功率谱图的纹理信息,采用和差统计法对其进行纹理特征提取;最后,利用基于决策树的组合分类器,即随机森林进行识别和分类。设计了两组对比实验,结果表明该方法不仅有良好的识别性能,而且具有噪声鲁棒性。(本文来源于《计算机应用与软件》期刊2015年03期）
陈莎莎,李应[8]（2014）在《结合时-频纹理特征的随机森林分类器应用于鸟声识别》一文中研究指出研究一个基于时频纹理特征和随机森林分类器的抗噪鸟声识别系统。首先,针对实际环境中,各种不可预料的噪音会使得系统识别性能严重下降的问题,使用一种基于噪声估计的音频增强算法对带噪鸟声信号进行前端处理。然后将增强后的信号功率谱以时频图形式输出,并根据时频图中所包含的纹理信息,利用基于灰度共生矩阵的纹理分析法进行纹理特征提取。最后使用基于决策树的组合分类器—随机森林进行分类和识别。实验结果表明,该方法不仅能对鸟类声音进行快速准确地识别而且具有良好的抗噪性。(本文来源于《计算机应用与软件》期刊2014年01期）
吴飏,张登荣,张汉奎,武红敢[9]（2012）在《结合图像纹理特征的森林郁闭度遥感估测》一文中研究指出在光谱等传统特征的基础上,结合遥感图像的纹理特征估测郁闭度:首先基于面向地块的方法计算图像的灰度共生矩阵纹理特征,然后用主成分方法分析相关性并降维,最后将图像纹理特征和光谱地形等特征一起作为自变量引入到郁闭度估测的逐步回归模型中。结果表明:结合图像纹理特征的方法比传统的只基于光谱或地形特征的方法在估测精度上有较大提高,判别系数R珔2从0.737提高到0.805,估测精度从81.03%提高到84.32%。(本文来源于《林业科学》期刊2012年02期）
毕于慧[10]（2007）在《彩色航空图像森林纹理特征提取方法的研究》一文中研究指出彩色森林航空遥感图像中森林纹理特征提取是实现计算机自动判读的重要环节。本文从北京地区的地面分辨率为0.8米的彩色森林航空遥感图像中提取了5种典型的森林纹理样本图像(天然林、人工林、幼龄林、宜林地和农林间作地)作为研究数据,分析吸收已有的图像纹理特征提取理论、方法与技术,在此基础上,选择了灰度共生矩阵、局部二值模式和二维Gabor滤波器法叁种方法,建立了相应的算法,设计了能够区分这几种不同森林纹理差异的参数,对各种方法的有效性进行了分析。论文的主要工作如下:1.研究如何运用灰度共生矩阵方法提取森林纹理特征。分析灰度共生矩阵的重要的参数—像素距离对特征值的影响;利用相关系数矩阵进行特征选择,选定能量、对比度和熵组成的3维特征向量来描述森林纹理;基于RGB彩色图像色彩分量之间的相关性,将彩色相关矩阵引入到彩色图像的纹理特征提取中;提出了类间差异度和类内一致度两个表征纹理特征的区分能力的指标,用于评价各个色彩分量的共生矩阵的纹理特征对不同森林纹理类型的区分效果。2.研究如何运用局部二值模式方法提取森林纹理特征。分别用局部二值模式算子和局部方差结合、局部二值模式算子和局部对比度结合以及一致性模式等方法对传统的局部二值算子进行了改进;对彩色图像来说,在成分色彩局部二值算子中融入了局部对比度形成新的纹理特征参数,该彩色纹理特征能有效地识别不同森林纹理。3.研究如何运用二维Gabor滤波器方法提取森林纹理特征。本文根据Gabor滤波器的频率响应范围与人类视觉神经细胞的频率响应带宽范围具有一定的相似性这一性质设计Gabor滤波器,提出具有相同方位和相邻中心频率的两Gabor滤波器,沿方位上的响应存在足够的重迭,具有相同中心频率和相邻方位的两Gabor滤波器,沿中心频率的响应存在足够的重迭的设计原则,对5种森林类型的频率谱进行分析,确定滤波器的方向,最终设计了一组Gabor滤波器来提取不同森林类型图像的纹理特征;对滤波后的图像分别提取幅值能量、交叉色彩特征和色彩不变特征等叁类特征参数并对它们对不同森林纹理的区分能力进行分析,其中,交叉色彩特征的区分能力最强。4.研究了如何利用不需要任何先验知识的非参数核密度估计法在彩色航空图像的LUV彩色空间中进行色彩聚类,从而实现对图像的森林区域的自动分割。在此基础上,提出一个综合利用森林纹理特征和色彩特征以提高森林区域分割准确度和识别效果的理论框架。(本文来源于《北京林业大学》期刊2007-05-01）
森林纹理特征论文开题报告
（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：
针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。
（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。
森林纹理特征论文参考文献
[1].陈静,张艳新,姜媛媛.融合多特征与随机森林的纹理图像分类方法[J].传感器与微系统.2019
[2].胡凯龙,刘清旺,李世明,庞勇,李梅.运用融合纹理和机载LiDAR特征模型估测森林地上生物量[J].东北林业大学学报.2018
[3].吕杰,郝宁燕,李崇贵,史晓亮,李宗泽.利用随机森林和纹理特征的森林类型识别[J].遥感信息.2017
[4].汪康宁,吕杰,李崇贵.基于多尺度遥感影像纹理特征的森林蓄积量反演[J].中南林业科技大学学报.2017
[5].亓兴兰,刘健,胡宗庆,林金刚,曹祖宁.融合多尺度纹理特征森林资源信息提取[J].北华大学学报(自然科学版).2016
[6].矫林涛.基于蓝噪声理论的多特征遥感图像森林植被纹理分割[D].辽宁师范大学.2015
[7].魏静明,李应.基于纹理特征与随机森林的生态声音识别[J].计算机应用与软件.2015
[8].陈莎莎,李应.结合时-频纹理特征的随机森林分类器应用于鸟声识别[J].计算机应用与软件.2014
[9].吴飏,张登荣,张汉奎,武红敢.结合图像纹理特征的森林郁闭度遥感估测[J].林业科学.2012
[10].毕于慧.彩色航空图像森林纹理特征提取方法的研究[D].北京林业大学.2007
标签：方向梯度直方图(HOG)特征; 局部二值模式(LBP); 灰度共生矩阵; 主成分分析;