一、遥感图像识别中线性地物提取方法研究(论文文献综述)
刘炫麟[1](2021)在《基于无人机航拍图像的植物种类智能识别研究》文中研究说明随着近年来深度学习技术在植物图像的识别分类任务中广泛运用,对植物的分类识别领域发展起到了一定的促进作用,并且给农林类学科的发展给予了很大帮助。并且随着在计算机视觉领域相关研究的深入,也为无人机航拍图像的场景分类、目标检测、图像分割等任务提供了一项新型的技术手段。过去在进行园林城市的对植物种类信息的调查方法需要耗费大量的时间和精力,通过借助无人机航拍图像和深度学习进行对植物种类的识别,可以极大地减少对植物种类调查所需要的时间,降低了调查的人工成本,提高了识别的效率,但受气象条件影响大、精度较低、制图周期长、实时性低,并且需要支付高昂的资料购买费用。无人机是一种高效、快速获取区域内实时高分辨率图像数据的平台,通过使用人工智能对植物种类进行识别,为城市植物资源的调查研究提供更多的可能性。本研究以湖南长沙圭塘河风光带中一段区域的植物为研究对象,主要研究无人机航拍图像处理以及深度学习在无人机航拍图像植物识别中的应用,利用无人机RGB航拍正射影像数据,采用以基于Resnet三种不同层次结构的Mask R-CNN实例分割模型对研究区域内的7类优势树种进行分类和识别,识别对象为不同种类的植物,实现在航拍图像中对于植物种类的智能识别。本文主要研究内容如下:利用无人机采集基于正射影像下城镇植物的树冠图像,构建了一个在复杂背景下包含图像多种植物的图像数据集。采用水平翻转,调整亮度、对比度、饱和度和色调等方式对数据集进行增强和补充。通过Mask R-CNN模型对数据集中的图像数据进行实验,采用先进行在COCO数据集上预训练后再进行迁移学习的方式,证明深度学习方法在航拍图像中植物识别的有效性,无人机RGB航拍正射影像在一定空间范围内的城镇植物种类的智能识别与分类中有较强的应用潜力,且不同层次的网络结构与不同的背景复杂程度会影响分类结果的准确性。以Resnet-101为主干网络的Mask R-CNN实例分割模型实现了相对较高的识别精度(BboxmmAP为0.8052,MaskmmAP 为 0.8045,kappa系数为0.7635),其次是以Resnet-50为主干网络的Mask R-CNN实例分割模型(BboxmmAP为0.7696,MaskmmAP为0.7560,kappa系数为0.7232),以 Resnet-18为主干网络的 Mask R-CNN实例分割模型(BboxmmAP为0.7021,MaskmmAP为0.7522,kappa系数为0.7092)总体表现相对较差表明基于无人机航拍图像可作为未来城市植物资源调查研究的一种方式。不同类别植物的颜色、纹理、形状等特征对识别结果的影响差异较大,但主要还是受到高度及光照产生的影响,使得较为低矮的海桐及鸡爪槭的细节信息的数据不够清晰,降低了最终识别的准确率。不同的背景下,植物的识别结果也有所不同。如在简单背景下的香樟,识别准确率大幅高于复杂背景下其他类别的植物,其识别准确率均达90%以上。实地调查所产生的地面样本参考数据的准确性也对植物种类的识别结果产生较为明显的影响。地面样本参考数据越详实,其数据集中标注的数据也越准确,使得模型能够更好的识别出不同类别植物间的特征,导致识别结果的准确率得到相应提升。
陈丽君[2](2021)在《基于改进Mask-RCNN算法的无人机遥感影像建筑物自动识别方法》文中研究说明在人工智能快速发展的时代,图像识别在各个领域发挥着巨大的作用。遥感影像中建筑物的自动识别是遥感测量学以及计算机视觉等领域的研究热点。将深度学习应用于遥感影像建筑物自动识别,可减少人工矢量化的工作,为住建、统计等领域提供基础数据,在城市空间规划以及土地利用率方面都有重要作用。本文通过对传统的Mask-RCNN图像识别算法进行进一步的研究与分析,围绕传统的Mask-RCNN算法在遥感影像建筑物的识别中出现的标签标注的低效率和低准确度以及识别过程中准确率、精确率以及召回率等问题,从标签标注以及特征图像提取两方面,对Live-Wire算法以及传统Mask-RCNN图像识别算法进行改进,实现了遥感影像建筑物识别过程中性能提升以及识别效果的优化,最后通过实验验证了算法的高效性。具体工作如下:(1)针对深度学习中所需要的大量标签,为了克服无人机平台的复杂运动、光照条件不足、地物轮廓复杂等导致遥感影像的地物轮廓提取和标注的难点,给出了一种改进的Live-Wire算法并用于无人机遥感影像的典型地物的标签标注。该方法结合改进的Pal-King的模糊边缘检测方法,以及通过增加节点之间梯度幅值的变化特征优化代价函数,实现了标签提取的稳健性、效率更高,并通过实验验证了该方法的有效性。(2)针对传统Mask-RCNN算法对遥感建筑物识别过程中出现的图像特征丢失以及特征混淆的情况,结合遥感建筑物的特殊特征,给出了一种改进的Mask-RCNN遥感建筑物识别算法。该方法通过在FPN层增加多一层的特征融合层,将位置信息最强层与语义信息最强层都融合,通过下采样与已有的上采样结合,减少特征丢失可能造成的影响,以及利用3*3空洞卷积核扩大感受野,从而减少混淆效果。确保保留尽可能全面的图像特征和提取有更多影响因素的图像特征,最后结合遥感建筑物的比例特征,适当的对区域预测框进行比例进行合适的调整,实现遥感影像建筑物识别结果的高效性,并通过实验验证了该改进算法的有效性。
杜家昊[3](2021)在《遥感图像云检测技术的研究》文中研究指明现代卫星遥感图像在人们的生产、生活中得到了广泛的应用,然而,一旦卫星与地面之间有云层阻隔,卫星遥感图像包含的地物可用信息会大大减少,甚至无法有效使用。目前卫星下行的图像主要依靠地面接收站进行剔除处理,费时费力,更浪费了卫星宝贵的存储空间。因此如果能在卫星中对图像进行云检测,将云层覆盖较多的图片进行自动剔除,只传输有效图片,将极大地节约卫星图像存储空间,提高地面处理图片的效率,对遥感卫星在轨应用意义重大。本文进行的主要研究工作以及取得的成果主要包括以下几点:(1)对遥感图像云检测技术的发展和研究现状进行了调研,分析对比了国内外常用的遥感图像云检测方法的适用场景及优缺点。通过云特征提取分析,确定了云和下垫面分类判据。基于地理空间数据云网站,精选了600幅包含各类云和下垫面信息的Landsat卫星遥感图像,对遥感图像进行了预处理,人工标注图像的云和下垫面区域,完成了相关卫星遥感图像库的搭建。(2)开展了基于光谱特征的云检测方法的研究,设计实现了简单阈值法、多阈值法、基于最大类间方差(OTSU)的自适应阈值法,新提出了一种基于统计方法的云检测方法,对每种方法的效果及优缺点进行了深入分析。实验结果表明基于统计方法的云检测方法识别效果最好,识别准确率达到了90.87%。(3)开展了基于纹理特征的云检测方法的研究,通过计算图像的灰度共生矩阵,提取图像的能量、熵、逆差矩、自相关性以及平均灰度值5个分类指标,使用支持向量机(Support Vector Machine,SVM)分类。针对此方法分类判别指标较少,分类效果较差的问题,新提出了一种基于图像纹理特征和“三维灰度共生矩阵”的判别方法,大大提高了遥感图像的识别准确率。针对图像的云区域判别问题,本文提出了一种重叠分块的云区判别方法,有效提高了识别的精度和准确率。(4)针对雪地、雪山、冻原、沙漠等高亮的特殊地物易误判为云的问题,本文提出了一种基于偏好型支持向量机(Preference Support Vector Machine,PSVM)的云检测技术,使用偏好训练产生偏好型支持向量机模型,并与传统的支持向量机模型共同进行云检测。这种方法不仅使得模型对云和一般下垫面的识别准确率有了一定的提高,还使得模型对云和特殊下垫面的识别准确率提升了3倍以上。该算法平均识别准确率为97.66%,特殊下垫面识别准确率为99.31%。(5)搭建人机交互界面,可以在界面中选择算法的类型和待处理的图片,算法自动识别遥感图像中的云区并用特殊颜色标识,自动计算图像的云层覆盖率,通过界面手动设置阈值自动剔除云层覆盖率较高的图片。
樊晋宏[4](2021)在《基于遥感图像的道路识别技术的研究与应用》文中研究表明遥感图像是通过远离地面的的传感器对地球表面的电磁波辐射信息进行探测,然后经信息的传输、处理后最终形成可以被计算机处理的数字图像。由于遥感图像具有的光学特征,经过对遥感图像进行图像变换和图像增强后,基于对成像特征的提取,可以广泛应用于土地覆盖监测、农业作物监测、环境监测甚至是军事等领域。道路作为遥感图像中一种重要的识别目标,可广泛应用于城市交通、地震救援检测等诸多领域,具有极大的现实意义。但是道路在遥感图像的准确识别中仍然面临一些困难。首先,遥感图像具有高分辨率特征,它在提供更多的细节特征的同时也会产生更多的复杂的背景干扰,影响提取效果;其次,空间分辨率不同导致影像中道路的形态不同,如乡村和城市道路大小不一、道路材质不同,所以呈现的光学特征并不相同。这些对道路目标的检测造成很大困难。现阶段关于道路检测的方法大多是基于光谱特征的分类方法,而忽略了道路的形态特征等其它高维特征,因此传统的人工特征提取方法很容易忽略许多高维度特征,而且需要耗费大量人力和时间去调整关键参数。而近些年来随着人工智能的发展,深度学习已经在很多领域发挥了其独特而出色的作用,图像目标检测成为一个热点领域,涌现了许多优秀的技术,使得人们不用根据经验和可解释的方式去找到解决方案。尤其是以U-Net为代表的深度神经网络结构,在图像识别领域具有相对优秀的表现。然而传统的U-Net结构存在结构繁冗、正确率不高和效率低下等问题,本文针对上述问题,在U-Net的基础上加入了残差网络进行改进提出了Res-U-Net,使得改进后的网络更加高效,节约了训练时间并提高了识别正确率。本文还进一步创新性地融入了注意力机制,提出了A-Res-U-Net,该模型最终在数据集(Massachusetts Roads Dataset)上进行训练并进行道路检测。实验结果表明,本文提出的模型经过训练,均能高效准确地识别遥感图像中的道路目标。因此,该模型结构具有可行性,对于遥感图像道路识别具有参考意义。此外,本文还在道路识别的深度学习模型上,进一步创新性地提出了计算道路宽度的模型,该模型以本文提出的深度学习模型A-Res-U-Net为基础提出,通过断点连接、三次迭代完成道路宽度的计算,提出了包含更加丰富信息的遥感图像道路专题图。最终,将其应用于遥感图像地物标注平台,极大地方便了地理相关单位工作人员的遥感标注效率。
李京伦[5](2021)在《基于深度学习的遥感图像多土地类型识别技术的研究与实现》文中进行了进一步梳理遥感一般多指从人造卫星或飞行设备对地面观测,通过电磁波(包括光波)的传播与接收,感知目标的某些特性并加以进行分析的技术。在实际应用中,遥感技术因为具有实时性、低成本等优点被广泛应用于资源调查、地表环境监测、人类活动监测等多个方面。语义分割在解析遥感图像的内容方面发挥着重要作用。近年来,基于全卷积网络(FCN)的深度学习方法被证明对遥感图像的语义分割较为高效。然而遥感图像的土地类型识别至今仍然面临困难。首先由于我国幅员辽阔,不同地区的同种土地类型可能呈现不同图像特征,解析遥感图像时会产生同物异谱和同谱异物问题;另外,多种土地类型交错分布,边界分布杂乱无章,使得图像解析结果存在空洞和细碎图斑。以上问题限制了现有方法的识别准确性。针对以上问题,本文提出基于深度学习的多土地类型遥感识别方法,主要工作如下:首先本文提出了一种名为双路径注意力网络(Dual Path Attention Network,DP A-Net)的卷积神经网络(Convolutional Neural Network,CNN)模型。该模型结构简单,可添加到任何常规深度学习分割模型中以增强其学习特征的能力。具体来说,本文在分割模型中附加了两类自我注意力机制模块,一类关注空间信息,另一类关注通道信息。将这两种注意力模块的输出进行融合,进一步提高网络提取特征的能力,从而有助于获得更精确的分割结果。其次,采用数据预处理和增强策略来弥补数据集数量少和分布不均的问题。本文所提出网络在高分图像数据集(GID)上进行了测试。实验结果表明本文训练后优化模型的识别结果均优于优化前的模型。因此证明基于自我注意机制的分割模型可适用于遥感图像的土地类型识别,且相比普通语义分割模型几乎不增加计算量。另外本文利用改进方法实现了遥感图像多土地类型识别原型系统,方便遥感从业人员研究使用。
杜珂遇[6](2021)在《基于多尺度特征融合的遥感影像地物分类研究》文中认为随着信息化水平提高,精准农林业技术的发展,快速准确的获取地物数据在空间范围内分布对地物情况的正确判断及制定决策起着重要作用,能够精确识别地物的相关类别,估算一定空间内地物的分布信息,为勘测工作提供理论上和技术上的支撑,并且围绕经济与社会发展的需要,为相关政府部门制定农业政策和地域普查提供了理论依据和参考基础。相对于常规使用卫星、飞机等平台的测量方法,虽然已经得以广泛应用,但受天气影响较为明显,尤其是云贵高原多云雾天气,较难获取高分辨率遥感影像,随着以无人机为代表的低空拍摄测量技术的发展,无人机遥感技术弥补了卫星光学遥感摄影的不足,同时由于小型无人机价格相对低廉、操作较为简单,适合当下完成低空飞行拍摄任务。但在无人机遥感影像的识别方法中,对后期处理的研究涉及较少,且识别方法效率参差不同,因此,本文在无人机遥感影像理论基础上,针对目前存在的人工筛选识别问题进行了研究,发现存在的识别效率低下、精确度不高,以及耗费时间较长无法获取及时信息等问题进行了分析,在此基础上提出了基于多尺度特征融合的特征金字塔网络模型(Muti-scale Feature Fusion Network,MSFFN),此种方法采用的理论基础为无人机影像地物识别方式,该方法针对特征金字塔网络的各层级特征无交集且低层特征无法反映到高层级的不足,增加了自底向上的路径,将低层特征信息保留且反馈到高层上,与高层特征进行融合,进行了多尺度全方面的特征融合。在本文实验中,由于RGB颜色空间有着比较差的均匀性,故RGB通常应用于工业领域,不适用于图像处理,首先先使用HSV色彩空间转换对图像进行预处理,并使用高斯高通滤波对图像进行目标增强,减少目标提取的噪声干扰,保留高频信息。通过选择影像区域作为数据集,人工目视与地面调查相结合的方式来研究该区域的地物类别特征,通过语义分割模型Deep Lab V3+进行半自动化标注,并使用多尺度特征融合的网络模型对数据集进行学习。采用基于多尺度特征融合的识别方法,能够较为准确分析出最优模型,得到指定区域的分类效果图。并将分类结果与当前市面上广泛运用的ENVI5.5软件和e Cognition软件和常用的过滤式选择算法Relief F进行了结果对比,从准确性,精准率以及召回率、混淆矩阵和计算时间等指标进行了分析和评价。结合多种对比因素发现,多尺度特征融合模型在无人机遥感影像地物识别中效果较好,准确率更高,计算时间更短,更适应野外作业,在地物识别上有较高的精确度,能够准确地获取地域物的类别,包括地域物的结构类型以及空间分布等信息,这对预测自然灾害以及地域普查等评估工作提供了技术支持,具有更好的应用前景。
杨明莉[7](2021)在《高光谱图像特征提取和地物识别方法研究》文中指出高光谱遥感图像包含了大量的光谱特征信息,为地物的识别问题带来了新的机遇。但高光谱图像特征提取问题,存在数据信息冗余、空间分辨率不足、标记样本缺乏等难点,若直接对其分类极易产生“维数灾难”问题,给高光谱遥感影像分类的应用和发展带来了限制。针对上述问题,论文围绕全局线性特征提取、流形学习特征提取以及地物识别等核心问题展开研究,聚焦于高光谱高维数据特征提取,基于极限学习机的高光谱地物识别等难点。主要研究内容如下:(1)采用全局线性特征提取方法对高光谱图像进行维数约简处理,解决数据信息冗余导致的地物识别精度降低的问题。针对高光谱图像数据量大、波段数多导致数据信息冗余的问题,采用全局线性特征提取方法进行降维处理,利用高光谱图像的类别信息,提取出高维数据的主成分信息;基于维数约简后的高光谱图像数据集,建立极限学习机(Extreme Learing Machine,ELM)地物识别模型,相较于基于K最近邻(K Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)等建立的地物识别模型,所提模型可以提高高光谱图像地物识别精度。(2)采用流形学习的方法对高光谱图像进行特征提取,解决高光谱图像非线特征提取问题。局部线性特征提取方法难以提取出高光谱数据中的非线性结构特征,因此论文采用流形学习局部保持投影(Locality Preserving Projection,LPP)方法对高光谱图像进行特征提取处理。通过构建高维空间数据在低维空间的投影矩阵,不仅保留空间中样本的局部邻域结构,而且能够表现出数据的局部流形结构。实验证明,采用流形学习的方法对高光谱图像进行特征提取,可以提高高光谱图像地物识别模型的精度。(3)采用k-means聚类算法,解决ELM地物识别模型结构优化问题,提高模型的识别精度。ELM地物识别模型受随机参数产生的影响,导致模型识别精度降低。论文采用k-means聚类算法优化极限学习机的结构,由聚类结果确定隐含层激活函数等模型参数,其中k-means聚类算法的k值则由信息熵的方法来确定。实验结果表明,结构优化极限学习机(Structure Optimized Extreme Learning Machine,SO-ELM)的地物识别模型提高了地物识别精度。论文以高光谱图像为研究对象,聚焦于全局线性特征提取、流形学习特征提取以及极限学习机结构优化等问题的研究,所建立的高光谱图像地物识别模型,提高了高光谱图像地物识别的精度,验证了所提算法的有效性。
孙浩然[8](2020)在《基于Sentinel-2图像和深度学习的山东位山灌区农作物识别》文中认为利用遥感技术实现重点地区的农业精细化监测必然要兼顾区域之间农作物空间分布的复杂度和差异性,而中等空间分辨率遥感图像较差的适宜性已难以满足区域精准农业应用的需求。随着遥感成像技术的不断发展,高空间、高时间分辨率卫星图像(如:Sentinel-2图像空间分辨率和时间分辨率的提高,为基于多时相遥感技术实现农业精准监测提供了优质的基础数据)的不断产生使得农业精细化监测成为可能。本研究通过挖掘Sentinel-2影像的光谱变化及红边波段的时序变化信息,实现山东位山灌区高精度的农作物空间分布制图。在充分分析灌区农作物及农业设施的光谱时间效应的基础上,对支撑向量机(SVM)、随机森林(RF)、面向对象的图像分析方法(Object-Based Image Analysis,OBLA)、双向长短时记忆神经网络(Bi-LSTM)和—维卷积神经网络(1D-CNN)5种农作物识别方法展开研究。通过5种方法对温室大棚和冬小麦识别结果的对比分析,提出了一种利用1D-CNN模型深层次挖掘时间序列Sentinel-2影像光谱变化而实现农作物识别的方法。本文主要得出以下结论:(1)充分分析农作物在多时相遥感图像呈现的光谱、时间和空间特征差异有利于农作物遥感识别工作的推进。灌区温室大棚的季相变化特征分析结果表明:棚内作物的生长会对温室大棚棚顶表面的反射率产生影响。1-6月,温室大棚的红边波段反射率逐渐增高。其中865 nm、740 nm处反射率的变化与时间相关性最大,平均相关系数分别为0.813和0.798。因此,利用不同时间遥感图像上的红边波段信息,有助于提高温室大棚的空间分布制图精度。通过对灌区内农作物从播种-生长-旺盛期-收获的光谱时空效应分析得知,Sentinel-2图像的红边波段(740 nm和782 nm通道)时间变化特征能够反映出农作物的生长趋势。合理的利用时序植被特征和红边波段,能够实现分类特征数据的优选。(2)对比分析了 RF、SVM、OBIA-RF、Bi-LSTM、1D-CNN 5 种分类算法的分类效果。研究结果表明:以10m空间分辨率的Sentinel-2图像为基础绘制温室大棚和冬小麦的空间分布,OBIA-RF方法优于传统机器学习算法SVM、RF。但OBIA-RF分类精度仍不够高,且该方法在实施过程中自动化程度低。深度学习1D-CNN方法能够充分捕获和学习光谱时空效应及农作物的物候特点知识,在农作物识别中获得最优的结果。同时,1D-CNN算法也具有较高的效率,能够切实地服务于大范围的农作物识别应用中。(3)利用1D-CNN算法分别提取灌区范围内温室大棚和露天种植主要农作物的空间分布信息,并结合分类评价指标生产者精度和用户精度对分类结果进行评价。评价结果表明:1D-CNN算法不仅能够准确地获取灌区农业大棚、小麦、玉米、棉花、蔬菜等主要地物的空间分布信息且具有较高的效率。本文提供了一种高效、精准的农作物识别方法,能够为灌区农业精细化管理、农业智能节水管理等提供可用的基础数据。图[37]表[13]参考文献[81]
范宏[9](2020)在《基于UAV影像的草原毒害草识别检测方法研究 ——以白喉乌头为例》文中指出草原生态安全对于地区经济发展和社会稳定起着举足轻重的作用,草原生态保护也是我国土地资源管理的重点内容。近年来,由于人们日益增长的物质需求与生产力的矛盾,导致人们对草原进行掠夺式开发,超载放牧与盲目开垦现象严重。进而导致了草原原本优势种的牧草被过度消耗,杂草以及毒害草获得更多的生长空间,从而造成泛滥,其中白喉乌头(Aconitum leucostomum)泛滥最为严重和广泛。草原毒害草白喉乌头的泛滥进一步威胁到优良牧草的生长,并且偶尔发生家畜误食现象,其泛滥严重影响了草原畜牧业的发展以及生态安全和食物安全。新疆作为我国的畜牧业大省,由于白喉乌头泛滥问题遭受着重大经济损失。因此,草原毒害草白喉乌头防治任重道远。白喉乌头与普通牧草在可见光范围内具有很强的光谱相似性,这在基于像元光谱信息的图像分类方法进行两者分类时会造成大量混分。因此,本文依据白喉乌头的光谱特征、形态特征、纹理特征采用了三种方法对白喉乌头进行识别检测。首先,我们依据白喉乌头光谱特征进行识别,通过观察得到白喉乌头冠层发白,其反射的可见光辐射强度较普通牧草大很多。所以采用高分辨率无人机影像中白喉乌头的冠层可见光谱与牧草可见光谱的差异进行监督分类得到白喉乌头分布。再者,依据白喉乌头形态特征进行识别,我们发现白喉乌头的生长特征在草原上呈现零星式分布,相比普通牧草要高大很多,从远处观察像一个个尖耸的鼓包分布在平坦的草原上。由此我们提出相对高程阈值法,通过无人机倾斜摄影测量得到研究区数字表面模型(Digital Surface Model,缩写DSM),再通过计算得到研究区数字高程模型(Digital Elevation Model,缩写DEM),然后计算差值图像,通过设定相对高程阈值得到白喉乌头分布。最后,根据白喉乌头纹理特征进行识别,我们提出一种基于卷积神经网络的高分辨率遥感影像的白喉乌头与牧草自动分类方法,以期实现白喉乌头的准确识别。采用无人机获取白喉乌头危害区1cm空间分辨率的无人机数字正射影像,选取白喉乌头和普通牧草两类训练样本,使用VGG16、VGG19和Res Net50三种模型对图像切片的特征进行抽象与学习,以获取图像切片的深层特征,进而实现对两类地物的分类提取。本文在进行草原毒害草白喉乌头的识别与检测研究中,共提出三种方法,完成了从方法的论证、数据的收集、相关参数的最终确定一整套研究内容。利用无人机数据对区域内的白喉乌头识别提供了更多样的选择与更加准确的方法。
张日升[10](2020)在《分散性浒苔图像的识别与提取》文中研究指明众所周知,我国拥有丰富的海洋资源,除了能够满足人们对海产品的基本需求之外,还为工业、旅游业的发展提供了有力的支持与保障,同时又是构成我国物流运输体系的重要组成部分,扮演了重要的角色,发挥了不可替代的作用,是我国得天独厚的自然资源优势。但是,在近些年来,海洋中爆发了多次规模相对较大的浒苔灾害,每一次的持续周期相对较长,规模较大,造成了严重的经济损失,危及到青岛等沿海城市的近海环境。由于浒苔在治理上需要大量的人力和物力,治理成本很高,因此如何尽早的发现和治理,减少经济损失成为现如今研究的一项重要课题。遥感技术由于成本低,监测范围广等优势已成为浒苔灾害的重要监测手段,本文基于遥感技术开展对图像中浒苔信息识别的研究,通过选取不同的遥感图像识别方法,发现双波段比值法与增强型植被指数法在识别浒苔图像上效果比较好,达到了识别浒苔图像信息的目的。单波段阈值法的识别效果相对较差,增强型植被指数法对比归一化植被指数法实现了增强植被信息的效果。由于现如今在浒苔灾害的监测上多种方法相结合的研究相对较少,且遥感图像通常数据量较大,存在大部分无关的背景区域,而阈值分割技术能够将图像中的特征提取出来,所以本文引入图像阈值分割技术。通过选取不同的阈值分割算法及分割阈值,经实验得到最大熵阈值分割法取得的阈值分割效果较好,自适应阈值分割算法能够完成对浒苔图像的边缘检测。最大类间方差法与迭代法虽然能够实现分割阈值的自动返回,提高了阈值选取的效率,但存在将图像中浒苔信息错误的分割成无关背景区域的问题。图像中浒苔信息的识别完成了浒苔信息的定性分析,缺少了对其的定量分析,基于此开展了利用监督分类法对图像进行分类,通过选取不同的分类器对图像中的水体和浒苔像元进行分类,发现最大似然比分类器的分类效果最好,完善了对浒苔图像信息的定量分析。
二、遥感图像识别中线性地物提取方法研究(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、遥感图像识别中线性地物提取方法研究(论文提纲范文)
(1)基于无人机航拍图像的植物种类智能识别研究(论文提纲范文)
摘要 |
ABSTRACT |
1 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 国内外研究进展 |
1.2.1 无人机技术 |
1.2.2 图像识别 |
1.2.3 植物识别 |
1.2.4 实例分割的概述 |
1.3 研究思路 |
1.4 主要创新点 |
1.5 研究目标及内容 |
1.5.1 研究目标 |
1.5.2 研究内容 |
1.6 技术路线 |
2 基于无人机航拍图像植物智能识别的研究方法 |
2.1 概述 |
2.2 精度评价指标 |
2.3 数据获取与处理 |
2.3.1 研究区域概况 |
2.3.2 无人机航拍图像数据的获取与处理 |
2.3.3 数据集的制作 |
2.4 基于航拍图像的植物智能识别模型研究 |
2.4.1 模型方法 |
2.4.2 实验方案 |
2.4.3 航拍正射影像下植物树冠的实例分割研究 |
3 实验结果及分析 |
3.1 实验结果 |
3.2 结果分析 |
3.2.1 不同结构的模型识别结果分析 |
3.2.2 单类别植物识别结果分析 |
3.2.3 不同实验区域的识别结果分析 |
4 讨论与结论 |
4.1 讨论 |
4.2 结论 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录A |
附录B (攻读学位期间的主要学术成果) |
致谢 |
(2)基于改进Mask-RCNN算法的无人机遥感影像建筑物自动识别方法(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 论文研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内外Mask-RCNN发展现状 |
1.2.2 Mask-RCNN算法对建筑物识别的现状 |
1.3 论文研究内容 |
1.4 论文结构安排 |
2 相关理论与技术 |
2.1 传统live-wire的人机交互图像分割方法 |
2.1.1 代价函数的建立 |
2.1.2 最短路径方法 |
2.2 深度学习之卷积神经网络 |
2.2.1 卷积神经网络的基本结构 |
2.2.2 经典卷积神经网络模型 |
2.3 Mask-RCNN算法 |
2.3.1 Mask-RCNN算法原理 |
2.3.2 Mask-RCNN边框回归 |
2.4 本章小结 |
3 改进Live-Wire算法及其实验分析 |
3.1 改进的Live-Wire地物轮廓提取方法 |
3.1.1 基于改进PAL-King算法的边缘提取 |
3.1.2 优化的代价函数 |
3.2 实验分析 |
3.3 本章小结 |
4 改进Mask-RCNN算法及其实验分析 |
4.1 改进Mask-RCNN算法 |
4.1.1 FPN网络中卷积核的改进 |
4.1.2 FPN网络层特征融合的改进 |
4.1.3 基于非极大值抑制阈值的ROI |
4.2 实验分析 |
4.2.1 实验数据及参数说明 |
4.2.2 训练过程中损失值的分析 |
4.2.3 FPN网络改进前后实验结果分析 |
4.3 基于改进的Mask-RCNN的建筑物识别效果的准确度对比 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结全文 |
5.2 展望未来 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术成果 |
(3)遥感图像云检测技术的研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 课题背景与意义 |
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 本文的主要研究工作 |
1.3.1 主要技术指标 |
1.3.2 系统方案设计 |
1.4 本文的章节安排 |
第2章 相关理论和技术 |
2.1 Landsat卫星介绍 |
2.2 云的物理特性及成像特性分析 |
2.2.1 云的物理特性分析 |
2.2.2 云的成像特性分析 |
2.3 云的地物特征提取方法 |
2.3.1 图像灰度特征的提取 |
2.3.2 图像纹理特征的提取 |
2.4 云和下垫面纹理特征的对比 |
2.5 本章小结 |
第3章 基于光谱特征的云检测方法 |
3.1 简单阈值法 |
3.2 多阈值法 |
3.3 基于最大类间方差的自适应阈值法 |
3.4 基于统计方法的云检测方法 |
3.5 本章小结 |
第4章 基于纹理特征的云检测方法 |
4.1 SVM分类器介绍 |
4.1.1 线性可分情况 |
4.1.2 非线性可分情况 |
4.2 基于纹理特征和SVM的遥感图像云检测技术 |
4.2.1 数据预处理 |
4.2.2 基于SVM的遥感图像云检测方案设计 |
4.3 基于三维灰度共生矩阵的改进方案设计 |
4.4 基于PSVM的改进方案设计 |
4.5 结合统计方法和PSVM的改进方案设计 |
4.6 本章小结 |
第5章 实验结果 |
5.1 人机交互界面设计 |
5.2 图像识别效果 |
5.2.1 简单阈值法 |
5.2.2 多阈值法 |
5.2.3 基于OTSU的自适应阈值法 |
5.2.4 基于统计方法的云检测方法 |
5.2.5 传统SVM方法 |
5.2.6 基于三维灰度共生矩阵改进的SVM方法 |
5.2.7 基于纹理特征和 PSVM 的云检测方法 |
5.2.8 结合统计方法和PSVM的云检测方法 |
5.3 性能结果 |
5.3.1 SVM算法识别准确率对比 |
5.3.2 各算法识别准确率对比 |
5.3.3 与其它文献识别准确率对比 |
5.3.4 各算法识别速度对比 |
5.3.5 各算法占用存储空间对比 |
5.4 本章小结 |
第6章 总结与展望 |
参考文献 |
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 |
(4)基于遥感图像的道路识别技术的研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 引言 |
1.1 课题背景与意义 |
1.2 国内外研究现状及分析 |
1.2.1 传统人工特征提取的方式 |
1.2.2 基于深度学习方式 |
1.2.3 目前存在的主要问题 |
1.3 本文研究内容和主要工作 |
1.4 论文组织结构 |
第二章 相关理论技术介绍 |
2.1 图像处理技术介绍 |
2.1.1 数字图像基础 |
2.1.2 图像缩放 |
2.1.3 图像的色彩变换 |
2.2 深度学习理论介绍 |
2.2.1 神经网络基础 |
2.2.2 深度神经网络 |
2.2.3 卷积神经网络 |
2.3 图像语义分割 |
2.3.1 全卷积网络 |
2.3.2 U-Net网络 |
2.3.3 残差网络 |
2.3.4 注意力机制 |
2.4 本章小节 |
第三章 遥感图像的道路识别算法的研究 |
3.1 U型深度卷积网络 |
3.2 深度残差网络RES-U-NET |
3.2.1 Res-U-Net空间路径原理与设计 |
3.2.2 Res-U-Net上下文路径原理与设计 |
3.3 引入注意力机制的A-RES-U-NET模型的设计与实现 |
3.3.1 注意力机制的原理 |
3.3.2 A-Res-U-Net注意力机制的设计与实现 |
3.4 本章小结 |
第四章 实验结果与分析 |
4.1 实验流程 |
4.1.1 数据集制作与处理 |
4.1.2 实验环境配置 |
4.1.3 模型的训练 |
4.1.4 算法的评估与对比 |
4.1.5 算法模型总结 |
4.2 道路宽度计算模型 |
4.2.1 轮廓查找 |
4.2.2 轮廓层次 |
4.2.3 轮廓提取 |
4.2.4 道路宽度计算模型的可视化展示 |
4.3 地物标注平台软件的开发与应用 |
4.3.1 软件开发背景 |
4.3.2 软件功能需求分析 |
4.3.3 软件系统设计 |
4.3.4 软件界面设计 |
4.3.5 地物标注平台软件开发总结 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 问题和展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(5)基于深度学习的遥感图像多土地类型识别技术的研究与实现(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 国内外研究现状综述 |
1.2.1 传统地物类型识别方法 |
1.2.2 基于传统机器学习的识别方法 |
1.2.3 基于深度学习的识别方法 |
1.2.4 目前存在的问题 |
1.3 本文研究内容与主要贡献 |
1.4 论文组织结构 |
第二章 深度学习计算机视觉的相关理论 |
2.1 深度神经网络(DNN) |
2.1.1 感知机 |
2.1.2 多层感知机 |
2.1.3 反向传播 |
2.2 卷积神经网络 |
2.2.1 卷积 |
2.2.2 池化 |
2.3 一些典型的CNN分类模型 |
2.3.1 AlexNet |
2.3.2 VGG |
2.3.3 ResNet |
2.4 语义分割与自我注意力机制 |
2.5 本章小结 |
第三章 基于双路径自我注意力机制神经网络的遥感图像多土地类型识别模型 |
3.1 引言 |
3.2 数据集及其预处理 |
3.2.1 数据集 |
3.2.2 多土地类型的遥感图像特点 |
3.2.3 数据集预处理 |
3.2.4 数据增强 |
3.3 双路径自我注意力机制的神经网络 |
3.3.1 主骨干网络 |
3.3.2 全空间注意力模块 |
3.3.3 通道注意模块 |
3.3.4 特征融合 |
3.4 本章小结 |
第四章 实验结果及分析 |
4.1 引言 |
4.2 实验设置 |
4.2.1 损失函数 |
4.2.2 评价指标 |
4.2.3 训练策略及实验环境 |
4.3 实验结果 |
4.3.1 空间自我注意力模块的结构优化研究实验 |
4.3.2 双路径注意力模块的消融实验 |
4.3.3 DPA-Net不同模型的消融实验 |
4.3.4 实验结果可视化及模型计算量统计 |
4.4 本章小结 |
第五章 遥感图像多土地类型识别原型系统设计与实现 |
5.1 需求分析 |
5.1.1 原型系统功能性需求 |
5.1.2 原型系统非功能性需求 |
5.2 总体设计 |
5.2.1 架构设计 |
5.2.2 功能模块设计 |
5.3 详细设计与实现 |
5.3.1 图片上传模块的实现 |
5.3.2 图片分析模块的实现 |
5.3.3 图片展示模块的实现 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 问题与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(6)基于多尺度特征融合的遥感影像地物分类研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景意义 |
1.2 国内外研究现状 |
1.2.1 遥感影像地物识别与分类的国内发展现状 |
1.2.2 遥感影像地物识别与分类的国外发展现状 |
1.3 本文的主要工作 |
1.4 本文的组织框架 |
1.5 本章小结 |
第二章 相关理论基础 |
2.1 地物识别相关理论和方法 |
2.1.1 传统分类算法 |
2.1.2 基于像素的地物识别 |
2.1.3 面向对象的地物识别 |
2.1.4 基于场景的地物识别 |
2.2 深度学习理论 |
2.2.1 人脑视觉机理 |
2.2.2 神经网络与传播算法 |
2.2.3 深度学习理论 |
2.3 卷积神经网络理论 |
2.3.1 卷积层 |
2.3.2 池化层 |
2.3.3 常见的卷积神经网络分类 |
2.4 本章小结 |
第三章 数据获取与处理 |
3.1 数字图像处理基础 |
3.1.1 数字图像颜色处理 |
3.1.2 高斯高通滤波 |
3.2 图像分割处理基础 |
3.2.1 图像分割概念 |
3.2.2 常见语义分割 |
3.3 研究区域数据 |
3.3.1 研究区域数据获取 |
3.3.2 研究区数据模型建立 |
3.4 遥感影像预处理 |
3.4.1 HSV色彩空间转换 |
3.4.2 图像滤波增强 |
3.5 阈值掩膜 |
3.6 语义分割及数据集的建立 |
3.7 本章小结 |
第四章 识别方法研究 |
4.1 实验环境 |
4.2 基于多尺度特征融合策略研究 |
4.2.1 金字塔网络 |
4.2.2 注意力机制 |
4.2.3 金字塔融合模块 |
4.2.4 自下向上网络结构 |
4.2.5 自上而下网络结构 |
4.3 基于多尺度特征融合的识别方法研究 |
4.3.1 多尺度特征融合细节 |
4.3.2 参数选择和模型训练 |
4.4 基于面向对象识别分类方法 |
4.5 基于像素分类识别方法 |
4.6 Relief F识别算法 |
4.7 本章小结 |
第五章 实验结果评价与分析 |
5.1 评价标准选取 |
5.2 准确率、精确率、召回率 |
5.2.1 指标计算公式 |
5.2.2 指标识别结果 |
5.2.3 指标结果分析 |
5.3 混淆矩阵 |
5.3.1 混淆矩阵结果 |
5.3.2 混淆矩阵结果分析 |
5.4 计算时间结果与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文和成果 |
(7)高光谱图像特征提取和地物识别方法研究(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 高光谱图像国内外研究现状 |
1.2.1 高光谱图像特征提取研究现状 |
1.2.2 高光谱图像分类研究现状 |
1.3 本文研究内容 |
1.3.1 论文研究内容 |
1.3.2 论文结构安排 |
1.4 本章小结 |
第二章 高光谱图像地物识别理论基础 |
2.1 高光谱图像数据特点 |
2.2 高光谱图像分类算法 |
2.2.1 K最近邻算法(KNN) |
2.2.2 支持向量机(SVM) |
2.2.3 极限学习机(ELM) |
2.3 分类精度评价指标 |
2.3.1 总体分类精度(OA) |
2.3.2 平均分类精度(AA) |
2.3.3 Kappa系数 |
2.4 高光谱图像数据集 |
2.4.1 Pavia University数据集 |
2.4.2 Salinas数据集 |
2.5 本章小结 |
第三章 基于高光谱图像全局线性特征提取方法研究 |
3.1 引言 |
3.2 全局线性特征提取方法 |
3.2.1 主成分分析(PCA) |
3.2.2 线性判别分析(LDA) |
3.3 LDA、PCA特征值选择 |
3.4 高光谱图像地物识别算法 |
3.5 实验设置与结果分析 |
3.5.1 训练集和测试集划分 |
3.5.2 KNN分类器k值实验设置 |
3.5.3 Pavia University数据集实验分析 |
3.5.4 Salinas数据集实验分析 |
3.5.5 实验结论 |
3.6 本章小结 |
第四章 基于流形学习的高光谱图像特征提取方法研究 |
4.1 引言 |
4.2 局部保持投影算法(LPP) |
4.3 高光谱图像地物识别算法 |
4.4 实验结果与分析 |
4.4.1 Pavia University数据集实验分析 |
4.4.2 Salinas数据集实验分析 |
4.5 实验结论 |
4.6 本章小结 |
第五章 基于KLPP和 SO-ELM的高光谱图像地物识别研究 |
5.1 引言 |
5.2 核局部保持投影(KLPP) |
5.3 SO-ELM分类算法原理 |
5.3.1 结构优化极限学习机(SO-ELM) |
5.3.2 信息熵 |
5.3.3 RBF神经网络隐含层节点的确定 |
5.4 基于KLPP-SO-ELM模型的高光谱图像地物识别算法 |
5.5 实验结果与分析 |
5.5.1 实验设置 |
5.5.2 Pavia University数据集实验分析 |
5.5.3 Salinas数据集实验分析 |
5.5.4 实验结论 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 论文主要研究成果 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 A(攻读硕士期间发表的论文) |
附录 B(攻读硕士期间授权的专利) |
附录 C(攻读硕士期间授权的软件着作权) |
(8)基于Sentinel-2图像和深度学习的山东位山灌区农作物识别(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 农作物遥感识别理论基础 |
1.2.1 农作物光谱特征 |
1.2.2 农作物时相特征 |
1.2.3 农作物空间特征 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 研究内容和方案 |
1.4.1 选题依据 |
1.4.2 主要研究内容 |
1.5 本章小结 |
2 研究区概况及数据预处理 |
2.1 研究区域概况 |
2.1.1 地位置及自然条件概况 |
2.1.2 研究区智能化管理政策 |
2.1.3 研究区作物种植结构特点 |
2.2 数据与数据预处理 |
2.2.1 遥感数据 |
2.2.2 调查数据 |
2.3 本章小结 |
3 农作物识别方法 |
3.1 传统机器学习方法 |
3.1.1 支撑向量机 |
3.1.2 随机森林 |
3.2 面向对象的图像分析 |
3.2.1 多尺度分割 |
3.2.2 面向对象分类 |
3.3 深度学习方法 |
3.3.1 一维卷积神经网络 |
3.3.2 双向长短期记忆神经网络 |
3.4 本章小结 |
4 灌区地物遥感特性分析 |
4.1 温室大棚遥感特性分析 |
4.1.1 温室大棚光谱变化分析 |
4.1.2 温室大棚空间特征分析 |
4.1.3 温室大棚组合特征分析 |
4.2 露天种植作物遥感特性分析 |
4.2.1 作物空间特征分析 |
4.2.2 作物时间特征分析 |
4.2.3 作物红边特征分析 |
4.3 特征数据优选 |
4.3.1 温室大棚识别特征优选 |
4.3.2 露天作物识别特征优选 |
4.4 本章小结 |
5 种植结构制图与分析 |
5.1 温室大棚制图结果对比分析 |
5.1.1 温室大棚制图评价方法 |
5.1.2 温室大棚制图结果对比分析 |
5.2 农作物制图结果对比分析 |
5.3 灌区范围制图结果 |
5.3.1 灌区范围温室大棚制图结果 |
5.3.2 灌区范围大宗作物制图结果 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
作者简历 |
(9)基于UAV影像的草原毒害草识别检测方法研究 ——以白喉乌头为例(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 |
1.3 研究内容 |
1.4 技术路线 |
1.5 论文组织 |
第2章 数据与方法 |
2.1 研究区概况 |
2.2 无人机影像 |
2.3 研究方法 |
2.3.1 支持向量机原理 |
2.3.2 深度学习 |
2.3.3 相对高程阈值法 |
2.4 精度评价方法 |
第3章 基于光谱特征的白喉乌头识别 |
3.1 数据处理 |
3.2 分类识别结果 |
3.3 结论与讨论 |
3.4 本章小结 |
第4章 基于纹理特征的白喉乌头识别 |
4.1 数据处理 |
4.2 分类识别结果 |
4.3 精度评价 |
4.4 结论与讨论 |
4.5 本章小结 |
第5章 基于形态特征的白喉乌头识别 |
5.1 数据处理 |
5.2 精度评价 |
5.3 结论与讨论 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
个人简历、在校期间发表的学术论文及研究成果 |
(10)分散性浒苔图像的识别与提取(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外浒苔图像的识别与提取现状 |
1.3 论文的研究内容及方法 |
1.3.1 论文的研究内容 |
1.3.2 论文的研究方法 |
1.4 论文的组织结构 |
第二章 研究区域概况及图像预处理 |
2.1 研究区域概况 |
2.2 Landsat8 卫星介绍 |
2.3 预处理实验工具 |
2.4 图像预处理 |
2.4.1 线性拉伸 |
2.4.2 辐射定标 |
2.4.3 大气校正 |
2.4.4 标准假彩色合成 |
2.4.5 图像裁剪 |
2.5 本章小结 |
第三章 遥感监测方法的浒苔图像识别 |
3.1 遥感监测基本原理 |
3.2 浒苔遥感监测基本原理 |
3.2.1 浒苔的光谱特性 |
3.2.2 水体的光谱特性 |
3.3 单波段阈值法的浒苔图像识别 |
3.4 多波段比值法的浒苔图像识别 |
3.4.1 双波段比值法 |
3.4.2 归一化植被指数法 |
3.4.3 增强型植被指数法 |
3.5 识别效果分析 |
3.6 本章小结 |
第四章 图像阈值分割的浒苔图像识别 |
4.1 图像分割 |
4.1.1 图像阈值分割 |
4.1.2 阈值分割实验工具 |
4.2 基于阈值的分割 |
4.2.1 阈值分割的基本原理 |
4.2.2 图像的二值化 |
4.2.3 阈值分割的灰度直方图基准 |
4.2.4 阈值分割法的分类 |
4.2.5 阈值分割的特点 |
4.3 固定阈值分割法的浒苔图像识别 |
4.3.1 固定阈值分割法 |
4.3.2 固定阈值分割法的实现 |
4.4 最大熵阈值分割法的浒苔图像识别 |
4.4.1 最大熵阈值分割法 |
4.4.2 最大熵阈值分割法的实现 |
4.5 最大类间方差法的浒苔图像识别 |
4.5.1 最大类间方差法 |
4.5.2 最大类间方差法的实现 |
4.6 迭代阈值分割法的浒苔图像识别 |
4.6.1 迭代阈值分割法 |
4.6.2 迭代阈值分割法的实现 |
4.7 自适应阈值分割法的浒苔图像识别 |
4.7.1 自适应阈值分割法 |
4.7.2 自适应阈值分割法的实现 |
4.8 识别效果对比分析 |
4.9 本章小结 |
第五章 监督分类法提取浒苔像元信息 |
5.1 监督分类法 |
5.2 训练样本的选取和评价 |
5.2.1 定义训练样本 |
5.2.2 评价训练样本 |
5.3 分类器的选择 |
5.3.1 平行六面体分类器 |
5.3.2 马氏距离分类器 |
5.3.3 最小距离分类器 |
5.3.4 最大似然比分类器 |
5.4 执行监督分类的实验分析方法 |
5.4.1 实验分析方法的思想 |
5.4.2 实验分析方法流程图 |
5.5 分类后的评价分析 |
5.5.1 精度评价方法与指标 |
5.5.2 评价分类效果 |
5.5.3 分类结果对比分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间的研究成果 |
致谢 |
四、遥感图像识别中线性地物提取方法研究(论文参考文献)
- [1]基于无人机航拍图像的植物种类智能识别研究[D]. 刘炫麟. 中南林业科技大学, 2021(01)
- [2]基于改进Mask-RCNN算法的无人机遥感影像建筑物自动识别方法[D]. 陈丽君. 渤海大学, 2021(09)
- [3]遥感图像云检测技术的研究[D]. 杜家昊. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [4]基于遥感图像的道路识别技术的研究与应用[D]. 樊晋宏. 北京邮电大学, 2021(01)
- [5]基于深度学习的遥感图像多土地类型识别技术的研究与实现[D]. 李京伦. 北京邮电大学, 2021(01)
- [6]基于多尺度特征融合的遥感影像地物分类研究[D]. 杜珂遇. 贵州师范大学, 2021(08)
- [7]高光谱图像特征提取和地物识别方法研究[D]. 杨明莉. 昆明理工大学, 2021(01)
- [8]基于Sentinel-2图像和深度学习的山东位山灌区农作物识别[D]. 孙浩然. 安徽理工大学, 2020(07)
- [9]基于UAV影像的草原毒害草识别检测方法研究 ——以白喉乌头为例[D]. 范宏. 新疆大学, 2020(07)
- [10]分散性浒苔图像的识别与提取[D]. 张日升. 青岛大学, 2020(01)