一、不同分辨率对遥感影像中识别人造地物的影响（论文文献综述）
陈晓敏[1]（2021）在《基于高分辨率遥感数据的植被识别方法研究》文中指出正确掌握地表植被的空间分布特征是农业资源测量的基础性工作。目前,遥感影像作为统计和监控地面农作物的主要信息源,随着遥感技术不断提高,其中包含的地物信息更加丰富。如何从高分辨率遥感影像中高效地提取信息,成为遥感技术应用的关键,在遥感影像研究中,基于传统模式识别分类算法的方法进行植被识别较为常见,该方法需要人工选择识别特征与设定参数,应用起来费时费力且精度不高,逐渐难以满足遥感应用的需求。如今,卷积神经网络在图像处理领域飞速发展,在目标检测、图像分割和场景解译等方向上均取得优异成绩。在高分辨率遥感影像处理领域,基于卷积神经网络的影像目标识别是目前的研究热点之一。在过往的研究中发现,其对于大尺度区域、多源数据融合等方面的研究较少。同时,面对遥感影像的来源多样性,鲜有针对特定遥感影像中的目标进行特征提取模型设计。基于以上问题,本文以自动化植被特征提取与种类识别为目标,通过针对卫星遥感和无人遥感两项数据的分别进行处理与研究,以卷积神经网络为主要研究方法,在遥感影像数据处理方法、植被识别模型构建、实验结果分析等方面进行改进与创新。具体开展一系列的研究工作及相关成果如下:（1）针对来自卫星的多光谱影像,具有影像中地物多尺度且影像自身信息量大的特点,本文构建了基于FCN的改进模型来实现卫星遥感影像的植被识别方法,通过采用空洞卷积的方法降低模型的深度和参数量,提高模型训练速度。对于卫星影像中目标地物尺度差异的问题,通过将多尺度卷积的方法,增加模型模型感受野的多样性,使得模型能够“关注”到多种尺度大小的植被目标。最后,在本文建立的针对识别人参植被区域的卫星遥感数据集上进行训练测试,测试证实了本章所改进的方法有效性。（2）针对高空间分辨率的无人机遥感影像,由于传感器的限制,影像中的数据只包含RGB光谱信息,这对精准的植被识别产生了严重的影响,本文从增强遥感影像中的特征信息出发,通过遥感影像融合的方法,获得具有丰富光谱信息的新图像。针对新图像的特性提出C-Net网络模型,该模型能够更好的对融合后的遥感图像中金银花、玉米和大豆进行识别。通过比较无人机原始影像和融合后的图像,证明特征信息增强的有效性。通过与传统的植被识别方法如人工神经网络、支持向量机、和最近邻算法等相比较,验证该方法有效改进了无人机影像植被识别结果。
周婷婷[2]（2021）在《基于高分辨率光学遥感影像的城市地区地物提取及阴影信息恢复研究》文中提出遥感影像长期以来都是用于城市分析的重要手段,特别是近十几年来,全世界范围内卫星技术发展迅速,搭载有高分辨率光学成像仪的卫星相继发射,这极大的推动了城市遥感的发展。当前,城市扩张迅速,路网的更新迭代很快,利用高分辨率遥感影像可以快速、高效的对路网进行提取,对城市规划、智慧城市建设、交通管理以及灾害应急分析都具有重大的意义。亚米级光学卫星的发射为利用高分辨率光学遥感影像进行城市区域的路网分析提供了可能。但是,目前针对高分辨率光学影像城市地物提取的研究仍处于发展阶段,对于道路提取存在以下几个亟待解决的问题:（1）同物异谱和同谱异物的干扰,例如不同区域的道路可能由水泥、沥青或马路砖等不同材料铺设,利用同种光谱信息无法将不同道路提取出来。而建筑物屋顶等和道路有很有可能由同种材料组成,极易对道路提取造成干扰;（2）建筑物、植被及阴影的遮挡,城市地区建筑物密集,道路和建筑物相邻而建,在遥感影像上,建筑物、行道树以及阴影会对道路造成一定程度的遮挡,造成道路提取不完整。另外,建筑物阴影在城市地区遥感影像中普遍存在,对利用遥感影像进行城市区域的相关分析造成了极大的干扰。如果能在遥感影像预处理阶段对阴影进行提取并对阴影区域信息准确补偿,能有效提升遥感影像的可利用率,会极大推动城市遥感的发展。目前对遥感影像阴影的研究存在如下几个明显问题:（1）不同光照条件下阴影性质差异很大,同一种阴影提取策略难以满足不同环境下的阴影提取,并且阴影极易受到水体的干扰;（2）阴影信息补偿过程中选用何处的信息进行补偿以及采取何种策略进行补偿是阴影信息恢复的难点;（3）目前针对有训练样本的普通阴影影像,生成对抗网络（Generative Adversarial Network,GAN）可以很好的生成无阴影影像,但遥感影像无法获得同一位置有/无阴影的数据,导致目前前沿的深度学习模型在遥感影像阴影去除的研究中一直未得到好的应用。针对以上问题,本文分别在道路提取和阴影去除两方面做了研究。本文在道路提取方面提出了新的策略,利用中线和路宽重构道路的方法来解决道路提取过程中由于遮挡造成的断裂的问题。在阴影去除方面结合遥感影像多光谱信息和光照模型来对阴影进行提取并对阴影区域信息恢复。此外,本文还利用GAN模型训练已有普通阴影数据集,并将训练得到的参数用于无人机影像的阴影去除。本文的工作具体包括以下四部分:1.针对由于植被、建筑物和阴影等遮挡造成道路提取不完整的问题,本章提出了一种利用中心线提取、路宽提取,断裂中心线连接及道路重构的方法来获得路网信息。首先利用多尺度分割算法对多光谱影像进行分割,再使用面积,纹理和长宽比等特征提取最初的路网;然后使用速进行算法（Fast Marching Method,FMM）通过求解不同速度函数条件下的程函方程来获得边界距离场、源距离场,并应用支路回溯算法计算每条支路的中心线和路宽;对于断裂的中心线,使用张量投票算法进行连接;最后将连接后的中心线和路宽进行匹配,并将中心线拓宽到对应路宽的宽度,得到重构的道路。2.不同光照条件下,阴影的光谱特性动态变化范围大,用同一个准则很难提取不同光照环境下的阴影,并且阴影很容易受到水体的干扰。针对以上问题,本文利用直射光强和环境光强的比值定义阴影强度,并使用分形网络演化方法（Fractal Net Evolution Approach,FNEA）弱化阴影区域高反射率地物的影响。接着使用归一化差水体指数（Normalized Difference Water Index,NDWI）和近红外（Near Infrared,NIR）波段来增强阴影并消除水体的干扰,最后结合阴影强度提出了适用于不同关照强度和数据源的阴影指数。3.针对已有阴影信息恢复算法不能对复杂背景下遥感影像阴影进行准确恢复的问题,本文基于光照模型提出了一种利用最近邻域信息对阴影信息进行补偿的算法。在阴影检测中,提出了增强阴影指数（Improved Shadow Index,ISI）,ISI通过将NIR波段和YCb Cr空间结合的方式来增强阴影特征,然后通过从mean-shift算法获取的分割对象来重建ISI,以减弱阴影区域高反射率地物的干扰并提高阴影边缘的完整性。在阴影补偿,本文利用面向对象的方法,始终使用与阴影相邻的非阴影对象进行补偿。此外,本文还提出了一种动态半影补偿方法（Dynamic Penumbra Compensation Method,DPCM）来定义半影范围并准确地去除半影。4.对于遥感影像无法获得无阴影标签的问题,利用GAN（Generative Adversarial Network）网络训练含有无阴影标签的阴影数据集,并将获得的模型用于无人机遥感影像阴影去除。在已有阴影数据集的基础上,本文训练两个GAN网络分别分成阴影掩膜影像和无阴影影像,首先通过第一个GAN生成阴影掩膜,并将阴影掩膜和有阴影图像一起作为第二个GAN的输入,训练生成无阴影图像,对于以上训练,本文保存最优的参数,用于无人机遥感影像的阴影去除。综上所述,本文优化了现有道路提取算法在道路受遮挡时造成道路提取不完整的问题,并深度研究了城市地区光学遥感影像在不同光照条件下的提取方法以及在复杂背景下的信息恢复方法,同时本文也同步探索了GAN网络在生成无阴影无人机遥感影像上的方法。本文的工作对于利用光学遥感影像进行城市地区地物分析具有很重要的意义,特别是对阴影信息恢复的研究,是遥感影像可以进行城市遥感应用的重要前提。
叶自然[3]（2021）在《基于深度学习的农村住房遥感信息提取研究及时空演变应用》文中进行了进一步梳理农村居民点是乡村生产、生活的载体,而农村住房是农村居民点用地的主体要素。借助农村住房数据的空间聚类结果,对农村居民点范围进行表征,有助于了解农村居民点的动态变化,为农村居民点布局优化、土地集约节约利用、乡村空间重构、推动乡村振兴提供科学依据。高空间分辨率遥感数据产品的日益丰富,使得农村居民建筑物的准确识别和快速制图成为可能。随着机器学习领域的迅速发展,基于深度学习技术的高分辨率遥感影像智能解译已成为遥感领域的研究热点。本研究以长三角水网平原的典型农村地区为研究区,使用多源高空间分辨率遥感数据,研究基于深度学习的农村住房信息遥感提取方法,并应用农村住房空间聚类结果表征农村居民点,对研究区农村居民点的空间分布特征的时空变化进行深入探讨。本文的主要研究内容和结论如下:（1）基于高空间分辨率航拍影像和全卷积网络（FCN）,提出了适用于亚米级空间分辨率影像的建筑物自动提取方法（RFA-UNet）。本研究针对全卷积网络模型在融合不同层级的特征时,忽视特征间的语义差距而引起的特征冗余和表达歧义问题,将注意力加权模块应用于跳跃连接结构,使用可学习的注意力权重对浅层特征在通道和空间维度的响应程度进行加权调整,从而加强特征表达的一致性。在多个遥感建筑物数据集上实验所得结果表明,提出的联合注意力模块（RFA）模块能够有效提高经典分割模型U-Net在高分辨率数据中对建筑物的提取效果。与其他方法对比,RFA-UNet的提取结果更加完整、准确,满足高分辨率影像建筑物高精度提取需求。（2）基于高空间分辨率卫星影像和全卷积网络,提出了一个用于农村住房类型识别的多尺度扩张残差网络（MSDRN）。高分遥感影像中的农村人造地物复杂易混,使用传统遥感分类方法提取精度相对较低。本研究考虑农村住房类内光谱差异和空间尺度变化较大等特点,利用扩张残差网络提取高分辨率的特征表示,获取更多的空间上下文信息,并采用多尺度特征融合结构和通道注意力模块对分类特征进行优化,提高深度网络对于农村住房的分类能力。在桐乡市典型农村地区的高分2号影像上开展的实验结果表明,本研究提出的模型方法可以有效地区分农村住房与其他人造地物,得到更准确的农村住房分类结果,两类农村住房的F1精度优于85%。在实际应用中,本研究提出的方法流程可以推广到更大范围内的农村地区,为区域尺度下的大范围地籍调查或农村住房变化监测提供重要参考。（3）基于半监督学习和集成学习,提出了一个适用于多源多时相高分辨率遥感影像农村住房提取方法,并成功提取了桐乡市2005年、2012年、2018年的农村住房信息。当前基于深度学习的遥感分类方法依赖大量标记样本,而人工标注的高成本使得此类监督学习模型难以应对多源多时相遥感影像构建的复杂场景。针对上述问题,研究提出了一个深度集成网络框架集成多个基于少样本构建的语义分割模型,从无标注图像中筛选置信度高的集成预测结果生成伪标签,用于后续迭代优化。实验结果表明,三个年份的分类总体精度均优于83%,使用半监督集成学习策略前后的平均总体精度提升分别为1.6%、3.1%和4%,证明本文的半监督集成学习策略可以有效缓解标记样本不足的问题,增强深度模型的性能。研究提出的半监督集成学习方法流程,可以为遥感影像智能解译提供借鉴,提高海量遥感数据的利用率。（4）基于桐乡市2005年、2012年和2018年的农村住房提取结果,使用渗流聚类算法（CCA）对桐乡市2005年、2012年和2018年的农村居民点范围进行量化,在此基础上借助探索性空间数据分析方法分析桐乡市农村居民点类型、数量及空间分布的演变规律。结果表明:1)基于渗流理论的CCA聚类算法可以根据农村住房网格的建筑密度属性进行空间聚类,实现格网尺度下农村居民点范围的近似提取;2)2005年到2018年桐乡市农村居民点面积总量先增后减,总体上减少了14.5%面积;2005年-2018年间桐乡市农村居民点的空间分布存在空间聚集性,且以低-低集聚和低-高集聚为主;3)2005-2012年为桐乡市农村居民点面积增长时期,增长热点区域为远离中心城区的西南区域乡镇和桐乡市北部乡镇;2012-2018年为农村居民点面积显着减少时期,中心城区及其周围乡镇为居民点面积减少的高值聚集区。
张晋熙[4]（2021）在《GF-2卫星城市典型地物样本库构建与实现方法研究》文中研究说明城市典型地物要素是城市规划、建设和管理中的重要基础地理信息,可以为城市土地利用调查、城市精细化管理、空间规划等提供基础数据支持。目前,深度学习技术已经广泛应用于基于遥感影像的城市建筑物、道路等地物要素的提取,其中,输入卷积网络模型用以训练的地物要素样本则是决定基于深度学习的信息提取成败的关键因素之一。国产高分卫星的迅速发展为基于高分影像的地物要素的提取提供了更多可用的数据资源。针对目前基于国产GF-2卫星城市典型地物要素样本数据集缺乏的现状,本文设计了专门服务于住建行业的城市典型地物的分类体系,包括建筑物、道路、绿地、水体和桥梁5类。并基于GF-2影像的可识别特征,对城市建筑物进行了二级细类的划分,为建筑物从特征分类转换为功能用地类型奠定基础。在此基础上,设计了一套可实施的样本采集方案及建库流程,借助于Arc Py实现样本的自动入库。为了更好的管理和利用样本数据集,本文基于B/S开发架构,结合Geo Server和Open Layers等开源工具开发了城市典型地物样本库可视化管理平台,实现全国20个城市405个公里格网样本数据的集中管理。本文所构建的大体量、高灵活性的样本库将有助于卷积神经网络训练出高精度的典型地物要素的分割结果。
潘霞[5]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中提出以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
钟浩[6]（2021）在《基于高分六号影像的农业大棚信息提取 ——以萍乡市为例》文中进行了进一步梳理卫星遥感技术以其在获取信息方面具备的快速、无损、大范围的特点,在农业生产的多个环节得到广泛应用。结合遥感技术,可以获取农业土地利用情况、调查农业资源、监测农作物长势、农作物估产等。在发展推进现代农业的过程中,首要工作是快速收集农作物生长状况,而遥感无疑在农作物信息的快速收集中具有明显优势。高分六号卫星属于我国高分卫星发展项目,空间分辨率可达2米,对地面地物有较好的识别度,本文基于高分六号卫星影像特点,选取面向对象分类的方式进行农业大棚信息提取。面向对象分类中,对象是否贴合实际直接决定分类精度,因此影像分割是重要一环,在影像处理过程中时常会遇到分割方法与分割尺度的选择问题。通过最优分割尺度预测,以及对不同尺度分割效果的实验对比,可以对图像最优分割参数做出合理确定,达到理想的分割效果。为选择合适的分割尺度,本文通过KNN（最近邻）分类法,对不同分割尺度下的影像进行分类,通过对比分类精度得到最优分割尺度。在进行分类之前,对高分影像分类中常用的55个影像特征进行选取,构建特征空间,并做出特征空间优化。然后结合最优分割尺度,分别使用CART决策树分类法、SVM（支持向量机）分类法、KNN分类法对影像进行分类对比,得出最适合用于大棚提取的分类算法,并用于萍乡市农业大棚信息提取。最后根据提取结果,统计萍乡市农业大棚面积与分布情况等信息。主要工作和成果如下:（1）介绍棋盘分割法、四叉树分割法、FNEA分割法以及光谱差异分割法,通过对比分割效果以及客观评价指标,发现FNEA分割法在高分辨率影像分割中有较好的适用性。结合ESP2工具预测最优分割尺度,在{50,120}尺度范围以10为步长选取8组分割尺度,选择一块实验区,采用面向对象的KNN分类法对不同分割尺度下得到的实验区影像进行分类。在{0.3,0.8}区间内以0.1为步长,对比不同权重组合的形状因子与紧致度因子下,农业大棚分割效果,最后得出适合农业大棚提取研究的最优分割尺度与参数;（2）选取合理的特征维数与特征值可以提高分类精度与效率,结合农业大棚空间分布特征、纹理特征、几何与光谱特征,选取在高分影像分类中常用的55个特征构建特征空间。通过分析特征维数与样本可分离度之间的关系,得出在特征维数为26时,样本间有较好的分离度,分类效果较好。根据特征分析后特征的重要性排序,选取前26个影像特征用于后续分类提取工作;（3）采用相同分割参数与特征,利用CART决策树法、SVM法、KNN法分别对同一实验区域分类,对比分类效果与精度,得到更适合用于农业大棚信息提取的分类方法。发现在总体分类精度与大棚的提取精度上,CART决策树分类优于其他两者,更适合用于农业大棚提取;（4）根据萍乡市农业大棚提取成果,统计得出萍乡市农业大棚数量共1249个,总面积3910947.82m2,发展规模较小。通过分析大棚分布情况,得出大棚主要分布在靠近公路、水流的区域,其次是分布在农田中间,有较少大棚分布在山脚下。
王艳华[7]（2021）在《智慧林业中立体感知体系关键技术研究》文中认为森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
付威福[8]（2021）在《基于深度学习的遥感影像变化检测算法研究》文中进行了进一步梳理遥感影像变化检测技术通过卫星拍摄的遥感影像,监测地表发生的变化,定位变化区域的同时还能识别变化发生的类型,目前已经广泛应用到自然灾害评估、监测违章搭建等领域。早期主要通过人工解译完成该任务,但其人力成本和时间成本都太高,之后涌现一批传统遥感影像变化检测方法,但其同样具有局限性,一方面对遥感影像预处理的要求很严格,另一方面,影像预处理的好坏直接影响到最终结果,导致此类方法的精度都较低,且操作繁琐。而随着遥感影像分辨率的提升和深度学习的发展,基于深度神经网络的方法达到远超传统方法的效果。文章首先客观分析了遥感影像变化检测的研究现状和研究难点,将遥感影像变化检测问题分为二值变化检测问题和语义变化检测问题进行研究,在现有方法基础上提出改进点及新的解决方案,涉及的工作归纳如下:1.文章研究重点是基于深度学习的遥感影像变化检测算法,为了便于后续研究,首先对遥感影像变化检测基础理论知识和深度学习基础理论知识进行介绍。2.为了更准确地对遥感影像变化区域进行定位,即解决遥感影像二值变化检测问题,文章首先结合孪生网络提出了一种孪生DeepLabv3+网络,该网络模型可以端到端地解决遥感影像二值变化检测问题,并在此基础之上采用注意力机制和流对齐模块对其进行改进。注意力机制可以捕捉稠密的全局上下文信息,提升像素与像素之间的关联,具体实现采用了循环交叉注意力模块。流对齐模块可以学习不同分辨率特征间的语义流,生成的偏移场可以更有效地将粗糙特征传递到高分辨率的细化特征中。最后,本文通过完备的实验验证了改进点的有效性,改进后的孪生DeepLabv3+网络也可以获得更好的遥感影像二值变化检测效果。3.为了能更准确地定位遥感影像变化发生的区域和识别变化发生的类型,文章对遥感影像语义变化检测算法进行研究。首先选择了基于多任务学习的遥感影像语义变化检测算法,并提出了基于多任务学习和孪生DeepLabv3+网络的语义变化检测算法,并对其进行改进。使用多任务学习中的特征选择,允许子任务从主干网络中提取最适合自己的特征,又引入损失函数的动态加权平均,可以在训练模型过程中实时调整不同子任务损失函数值占总损失的比例,最后引入了梯度手术优化,在训练时通过投影的方式解决梯度冲突,从而提高网络的准确性。实验结果表明,文章最终提出的网络在遥感影像语义变化检测任务中具备更好的效果。
林敬博[9]（2021）在《基于NAS的高效多尺度感知遥感影像语义分割方法》文中研究说明遥感影像的语义分割任务作为计算机视觉领域的主要研究对象之一,近年来吸引了众多科研人员的关注。自深度卷积神经网络在计算机视觉领域中的各项任务取得重大突破以来,深度卷积神经网络成为了现在遥感影像语义分割任务中的主流方法。深度卷积神经网络方法推动了遥感影像语义分割方法范式由传统的特征工程向神经网络结构工程的转变。虽然该转变使科研人员不再需要为特定的任务设计复杂的特征,但仍需要为特定的任务设计合适的神经网络结构,因此并没有完全地解放对具有专业知识的科研人员的需求。除此之外,由于遥感影像语义分割任务密集型分类的特点,虽然过去基于神经网络的遥感影像语义分割方法实现了较好的精度,但是方法通常具有庞大的参数量以及较高的计算复杂度,严重降低了方法执行效率。并且由于遥感影像中地物的多样性以及地物特征的复杂性,过去基于神经网络的遥感影像语义分割方法难以对遥感影像中不同尺度目标进行有效识别。综上所述,实现用于遥感影像语义分割任务的神经网络方法结构的自动构建、提升基于神经网络方法的效率、提升基于神经网络方法对遥感影像中多尺度目标的识别能力对遥感影像语义分割技术的发展具有重要意义。本文的主要研究内容如下:（1）本文提出了一种多尺度感知模块。方法通过重采样机制,实现了在卷积运算过程中能够根据对不同地物的识别所需要感受野大小,显式地调整参与卷积运算的特征图中相应像素点的空间位置,从而实现神经网络中感受野的尺寸的自适应调整,有效地提升了方法对遥感影像中不同尺度目标的识别能力。（2）本文提出了一种高效的可分离分解式残差模块。方法基于深度可分离式卷积以及可分解式卷积进行改进,同时对标准卷积从运算过程维度以及卷积核维度进行分解,实现了标准卷积运算的高效执行。将神经网络中的标准卷积模块替换成可分离分解式残差模块可以使神经网络方法在保证原有精度可接受损失的条件下,大幅度提升方法的执行效率。（3）本文提出了一种多级高效的神经架构搜索算法。方法使用了多级搜索空间,为了提升算法构建的神经网络的效率,使用可分离分解式残差模块作为单元级别搜索空间中的基本候选操作。为了提升算法构建的神经网络对遥感影像中不同尺度目标的识别能力,通过将多尺度感知模块嵌入到网络级别搜索空间的方式对网络学习的特征进行多尺度增强。通过改进基于梯度更新的搜索策略,在搜索过程中引入单路采样加速策略、抖动路径剪枝策略、预热训练初始化策略、熵约束的目标函数,降低了搜索过程的复杂度。
韩红印[10]（2021）在《高分辨率光学遥感图像阴影检测与补偿技术研究》文中提出近几十年来,空间光学遥感技术迅速发展。高分辨率遥感图像在民用领域和军事领域得到了广泛应用。阴影是遥感图像的基本特征之一,也是遥感图像普遍存在的问题。一方面,阴影可以反映地物几何信息;另一方面阴影往往使得目标识别、地表参数反演、地物分类等遥感图像解译工作更加困难。随着遥感图像分辨率不断提高,阴影对遥感图像解译的影响愈加严重。因此,在城市规划、植被提取与制图领域开展高分辨率空间光学遥感图像阴影检测和补偿方法研究具有重要的理论意义和应用价值。虽然国内外很多学者致力于遥感图像阴影处理技术研究,但是面对高分辨率遥感图像中的阴影,现有阴影处理技术仍存在不足。本文从辐射传输理论和空间光学遥感成像机理出发,开展了高分辨率空间光学遥感图像阴影检测和补偿方法研究工作。本文主要研究工作及创新性成果叙述如下。1.为有效缓解现有阴影检测方法面向以城市建筑为主的高分辨率多光谱空间光学遥感图像存在的典型非阴影误检问题,本文第3章结合色调、亮度和近红外分量提出了一种基于对数阴影指数（Logarithmic Shadow Index,LSI）的阴影检测方法。与典型阴影检测方法相比,本文提出的LSI阴影检测方法将阴影检测结果总体精度提升了2%以上,误检率降低了3%以上,并进一步提升了总体处理速度。本文提出的LSI阴影检测方法有效缓解了现有阴影检测方法在处理以城市建筑为主的高分辨率多光谱空间光学遥感图像时存在的典型非阴影误检问题。2.针对现有阴影检测方法在处理以植被为主的高分辨率多光谱空间光学遥感图像时存在的小阴影漏检问题和典型非阴影误检问题（尤以偏绿植被误检问题较为突出）,本文第4章结合色调-亮度差值分量和红-近红外差值分量提出了一种基于混合特征阴影指数（Mixed Property-based Shadow Index,MPSI）的阴影检测方法。与典型阴影检测方法相比,本文提出的MPSI阴影检测方法的阴影检测结果总体精度达到了95.5%,误检率降低到了7.9%,漏检率降低到了2.81%,时耗为47ms。本文提出的MPSI阴影检测方法有效缓解了现有阴影检测方法在处理以植被为主的高分辨率多光谱空间光学遥感图像时存在的小阴影漏检问题和典型非阴影误检问题。3.针对目前阴影补偿方法在处理高分辨率多光谱空间光学遥感图像方面存在的补偿后图像色彩失真问题和非阴影区域地物信息易受干扰问题,本文第5章从辐射传输理论和空间光学遥感成像机理出发提出了一种基于辐射照度恢复（Irradiance Restoration Based,IRB）的阴影补偿方法。与典型阴影补偿方法相比,本文提出的IRB阴影补偿方法降低了阴影区域的补偿结果图像红、绿和蓝分量的相对均方根误差r RMSEshw-nshw,对非阴影区域地物信息无干扰。本文提出的IRB阴影补偿方法有效缓解了现有阴影补偿方法在处理高分辨率多光谱空间光学遥感图像时存在的色彩失真问题和非阴影区域地物信息易受干扰问题。
二、不同分辨率对遥感影像中识别人造地物的影响（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、不同分辨率对遥感影像中识别人造地物的影响（论文提纲范文）
（1）基于高分辨率遥感数据的植被识别方法研究（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 国内外研究现状 |
| 1.2.1 传统遥感影像植被识别方法的发展 |
| 1.2.2 基于卷积神经网络的遥感影像识别的发展 |
| 1.3 研究目的及技术路线 |
| 1.4 本文安排 |
| 第2章 深度学习与遥感影像识别 |
| 2.1 卷积神经网络原理 |
| 2.2 经典CNN模型结构与应用 |
| 2.2.1 Le Net模型结构与应用 |
| 2.2.2 Alex Net模型结构与应用 |
| 2.3 基于全卷积神经网络的遥感影像语义分割 |
| 2.3.1 基于CNN改进的FCN |
| 2.3.2 典型FCN的结构 |
| 2.3.3 基于FCN改进的u-net结构 |
| 2.4 本章小结 |
| 第3章 实地数据采集与预处理 |
| 3.1 研究区概述 |
| 3.2 遥感数据收集 |
| 3.2.1 卫星影像数据源 |
| 3.2.2 无人机数据采集 |
| 3.2.3 实地调查与数据获取 |
| 3.3 遥感图像预处理 |
| 3.3.1 辐射定标 |
| 3.3.2 正射校正 |
| 3.3.3 遥感图像融合 |
| 3.4 本章小结 |
| 第4章 卫星遥感数据植被识别方法 |
| 4.1 基于卫星遥感的植被识别模型 |
| 4.1.1 基于多尺度目标提取的特征金字塔模块设计 |
| 4.1.2 残差单元模块设计 |
| 4.1.3 基于残差单元与特征金字塔模块的网络模型 |
| 4.1.4 网络模型优化 |
| 4.2 研究区作物数据集构建 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境与结果 |
| 4.3.2 模型精度评估指标 |
| 4.3.3 不同方法识别结果对比 |
| 4.4 本章小结 |
| 第5章 基于遥感影像融合的植被识别方法 |
| 5.1 研究数据概况 |
| 5.2 算法设计 |
| 5.2.1 算法总体介绍 |
| 5.2.2 比值融合算法 |
| 5.2.3 双支路卷积网络识别模型 |
| 5.2.4 双支路卷积特征提取与级联 |
| 5.2.5 基于融合后遥感影像的C-Net模型 |
| 5.2.6 损失函数 |
| 5.3 实验分析及精度评估 |
| 5.3.1 样本集制作 |
| 5.3.2 实验环境与训练参数选择 |
| 5.3.3 模型精度评估指标 |
| 5.3.4 改进后模型结果对比 |
| 5.3.5 不同方法识别结果对比 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
（2）基于高分辨率光学遥感影像的城市地区地物提取及阴影信息恢复研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究进展 |
| 1.2.1 基于光学遥感影像的道路提取方法 |
| 1.2.2 阴影提取方法 |
| 1.2.3 阴影信息恢复方法 |
| 1.3 高分辨光学遥感影像地物提取及信息恢复基本理论 |
| 1.3.1 城市遥感理论 |
| 1.3.2 光学遥感影像基本概念 |
| 1.3.3 光学遥感影像数据预处理 |
| 1.4 研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文章节安排 |
| 第二章 基于道路中心线和路宽提取的道路重构方法 |
| 2.1 基于分形网络演化算法的影像分割 |
| 2.2 基于FMM算法的初始化中心线提取 |
| 2.2.1 基于FMM算法的距离场表示 |
| 2.2.2 基于支路回溯方法的中心线提取 |
| 2.2.3 路宽提取 |
| 2.3 张量投票 |
| 2.4 断裂中心线连接及道路重构 |
| 2.5 结果分析 |
| 2.5.1 实验结果 |
| 2.5.2 道路中心线及路宽提取结果分析 |
| 2.5.3 中心线提取结果对比分析 |
| 2.6 本章小结 |
| 第三章 基于不同光照强度的多光谱影像城市地区阴影指数研究 |
| 3.1 数据及预处理 |
| 3.1.1 数据介绍以及数据预处理 |
| 3.1.2 阴影强度 |
| 3.1.3 多光谱影像重构 |
| 3.2 基于不同阴影强度的阴影指数 |
| 3.2.1 归一化水体指数 |
| 3.2.2 面向对象阴影指数 |
| 3.3 阴影提取结果分析 |
| 3.3.1 指数的可行性分析及交叉验证 |
| 3.3.2 OSI_s在强阴影下的结果分析 |
| 3.3.3 OSIw_WV和OSIw_GF在弱阴影下的结果分析 |
| 3.3.4 不同方法定性分析 |
| 3.3.5 不同算法的定量分析 |
| 3.4 本章小结 |
| 第四章 复杂背景下的阴影提取及信息恢复研究 |
| 4.1 基于YCb Cr空间及NIR波段的阴影信息提取 |
| 4.1.1 基于Mean-shift算法的影像分割 |
| 4.1.2 增强阴影指数(ISI) |
| 4.1.3 ISI重构及阴影提取 |
| 4.2 阴影补偿和后处理 |
| 4.2.1 基于相邻对象信息的阴影信息补偿 |
| 4.2.2 动态半影补偿 |
| 4.3 阴影提取结果及对比分析 |
| 4.3.1 阴影提取定性分析 |
| 4.3.2 阴影提取对比分析及精度评价 |
| 4.4 阴影补偿及半影去除结果分析 |
| 4.4.1 阴影补偿及半影去除结果 |
| 4.4.2 阴影补偿结果对比分析 |
| 4.4.3 半影去除结果对比分析 |
| 4.5 本章小结 |
| 第五章 基于GAN网络的无人机遥感影像阴影去除研究 |
| 5.1 数据准备及预处理 |
| 5.2 阴影提取与去除方法 |
| 5.3 阴影提取及信息恢复结果分析 |
| 5.3.1 在原数据集上的阴影提取和去除效果对比 |
| 5.3.2 无人机遥感影像阴影去除 |
| 5.3.3 对比分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文主要结论 |
| 6.2 存在的问题与展望 |
| 6.2.1 存在的问题 |
| 6.2.2 展望 |
| 参考文献 |
| 作者简介及攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于深度学习的农村住房遥感信息提取研究及时空演变应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写 |
| 1 绪论 |
| 1.0 研究背景与意义 |
| 1.0.1 研究背景 |
| 1.0.2 研究目的及意义 |
| 1.1 国内外研究现状 |
| 1.1.1 农村建筑物遥感信息提取研究进展 |
| 1.1.2 高分辨率遥感影像分类研究进展 |
| 1.1.3 半监督深度学习现状 |
| 1.2 研究内容与组织架构 |
| 1.2.1 研究内容 |
| 1.2.2 论文组织架构和安排 |
| 1.2.3 技术路线 |
| 2 研究区概况与数据资料 |
| 2.1 研究区概况 |
| 2.2 数据介绍 |
| 2.2.1 遥感数据 |
| 2.2.2 建筑物数据集 |
| 2.2.3 其他数据 |
| 2.2.4 影像数据预处理 |
| 3 基于高分航拍影像和全卷积注意力网络的建筑物提取研究 |
| 3.1 引言 |
| 3.2 卷积神经网络基础理论与相关技术 |
| 3.2.1 监督学习与分类 |
| 3.2.2 卷积神经网络结构 |
| 3.2.3 全卷积网络 |
| 3.3 基于联合注意力的全卷积网络的建筑物提取 |
| 3.3.1 U-Net特征提取网络 |
| 3.3.2 残差注意力模块 |
| 3.3.3 联合注意力的U-Net网络结构 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集与评价指标 |
| 3.4.2 实验相关设置 |
| 3.4.3 注意力模块的比较 |
| 3.4.4 与其他方法的比较 |
| 3.4.5 实验结果讨论 |
| 3.5 本章小结 |
| 4 基于高分卫星影像和全卷积网络的农村住房提取研究 |
| 4.1 引言 |
| 4.2 研究区与数据 |
| 4.2.1 研究区 |
| 4.2.2 数据预处理 |
| 4.3 基于扩张卷积的多尺度残差神经网络 |
| 4.3.1 扩张残差特征提取网络 |
| 4.3.2 多尺度上下文特征融合网络 |
| 4.3.3 基于多光谱影像的迁移学习 |
| 4.4 实验结果与分析 |
| 4.4.1 具体实现与评价指标 |
| 4.4.2 农村住房提取结果及精度评价 |
| 4.4.3 面积精度评价 |
| 4.4.4 与其他方法的比较 |
| 4.4.5 讨论 |
| 4.5 本章小结 |
| 5 基于半监督集成学习的农村住房信息提取研究 |
| 5.1 引言 |
| 5.2 研究区与数据 |
| 5.2.1 研究数据 |
| 5.2.2 数据预处理 |
| 5.3 基于集成网络的半监督方法 |
| 5.3.1 集成网络训练 |
| 5.3.2 半监督弱标注数据集 |
| 5.3.3 集成网络训练与微调 |
| 5.3.4 多集成深度网络 |
| 5.4 基于半监督集成学习的农村住房信息提取 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 2018 年农村住房信息提取结果 |
| 5.4.3 2012 年农村住房信息提取结果 |
| 5.4.4 2005 年农村住房信息提取结果 |
| 5.4.5 农村住房面积精度评价 |
| 5.5 本章小结 |
| 6 农村居民点边界量化与时空动态分析 |
| 6.1 引言 |
| 6.2 基于渗流理论的农村居民点边界量化 |
| 6.2.1 基于渗流算法的农村住房聚类 |
| 6.2.2 空间聚类结果精度评价 |
| 6.3 农村居民点数量及变化 |
| 6.4 农村居民点空间分布特征研究 |
| 6.4.1 探索性空间分析方法 |
| 6.4.2 农村居民点空间分布变化 |
| 6.4.3 农村居民点优化建议 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 博士期间论文发表情况 |
（4）GF-2卫星城市典型地物样本库构建与实现方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 论文结构 |
| 1.4 本章小结 |
| 第2章 城市典型地物样本库分类体系设计 |
| 2.1 GF-2号卫星简介 |
| 2.2 服务于住建行业的城市典型地物分类体系 |
| 2.2.1 影像特征 |
| 2.2.2 分类体系的建立 |
| 2.2.3 建筑物细类分类体系 |
| 2.3 本章小结 |
| 第3章 典型地物样本库构建方法研究 |
| 3.1 样本库建库总体流程 |
| 3.2 样本采集方法 |
| 3.2.1 透水地表样本的采集 |
| 3.2.2 不透水地表样本的采集 |
| 3.2.3 样本数据的命名及存储 |
| 3.3 样本制作方法 |
| 3.3.1 公里格网的划分 |
| 3.3.2 代表性格网的确定 |
| 3.3.3 样本格网的标签制作 |
| 3.4 样本质量控制方法 |
| 3.4.1 质量控制流程 |
| 3.4.2 质量控制方法 |
| 3.5 城市典型地物样本库构建 |
| 3.5.1 城市典型地物样本库数据表设计 |
| 3.5.2 城市典型地物样本库的构建 |
| 3.5.3 城市典型地物样本成果统计 |
| 3.6 基于ArcPy的自动建库工具 |
| 3.7 样本精度验证 |
| 3.7.1 精度评定方法 |
| 3.7.2 城市典型地物样本精度评定方法实证分析 |
| 3.8 本章小结 |
| 第4章 样本可视化管理方法与实现 |
| 4.1 基于webgis的可视化方法 |
| 4.1.1 Angular JS框架 |
| 4.1.2 CSS |
| 4.1.3 Open Layers |
| 4.2 基于Node JS服务端开发 |
| 4.2.1 Node JS技术平台介绍 |
| 4.2.2 基于Express的服务器开发 |
| 4.3 样本库可视化的实现 |
| 4.3.1 系统架构 |
| 4.3.2 系统功能展示 |
| 4.4 本章小结 |
| 总结与展望 |
| 全文总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
（5）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于高分六号影像的农业大棚信息提取 ——以萍乡市为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 高分辨率遥感影像分类 |
| 1.2.2 农业大棚提取分类技术研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文结构 |
| 第二章 研究区数据与预处理 |
| 2.1 研究区概况 |
| 2.2 研究区数据来源 |
| 2.2.1 高分系列卫星 |
| 2.2.2 研究区影像 |
| 2.3 数据预处理 |
| 2.3.1 辐射定标与大气校正 |
| 2.3.2 几何校正与正射校正 |
| 2.3.3 图像配准与融合 |
| 2.3.4 图形镶嵌与裁剪 |
| 2.4 本章小结 |
| 第三章 遥感影像研究方法 |
| 3.1 CART决策树分类 |
| 3.2 支持向量机分类 |
| 3.3 最近邻分类 |
| 3.4 精度评价方法 |
| 3.5 本章小结 |
| 第四章 面向对象多尺度分割方法 |
| 4.1 分割原理 |
| 4.2 典型的影像分割方法 |
| 4.2.1 棋盘分割(chessboard segmentation) |
| 4.2.2 四叉树分割(quadtree segmentation) |
| 4.2.3 光谱差异分割(spectral different segmentation) |
| 4.2.4 FNEA多尺度分割(fractal net evolution approach) |
| 4.3 分割方法比较与分析 |
| 4.4 分割参数选择 |
| 4.5 本章小结 |
| 第五章 萍乡市农业大棚提取 |
| 5.1 农业大棚特征分析 |
| 5.1.1 农业大棚特征 |
| 5.1.2 大棚影像特征 |
| 5.1.3 最优特征选取 |
| 5.2 分类方法对比 |
| 5.3 农业大棚提取结果 |
| 5.4 萍乡市农业大棚信息 |
| 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 |
| 攻读学位期间的研究成果 |
（7）智慧林业中立体感知体系关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 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 |
（8）基于深度学习的遥感影像变化检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 遥感影像变化检测国内外研究现状 |
| 1.2.1 传统遥感影像变化检测方法 |
| 1.2.2 基于深度学习的遥感影像变化检测方法 |
| 1.3 遥感影像变化检测研究难点与挑战 |
| 1.4 本文的主要贡献与创新 |
| 1.5 论文的结构安排 |
| 第二章 遥感影像变化检测基础与神经网络相关知识研究 |
| 2.1 遥感影像变化检测任务类型 |
| 2.1.1 二值变化检测 |
| 2.1.2 语义变化检测 |
| 2.2 卷积神经网络基础 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 批标准化层 |
| 2.2.4 激活函数 |
| 2.3 全卷积神经网络 |
| 2.3.1 全连接层的卷积化 |
| 2.3.2 转置卷积 |
| 2.3.3 跳跃连接 |
| 2.4 孪生网络基础 |
| 2.5 多任务学习机制 |
| 2.6 数据集介绍 |
| 2.6.1 LEVIR-CD数据集 |
| 2.6.2 SZTAKI数据集 |
| 2.6.3 HRSCD数据集 |
| 2.7 本章小结 |
| 第三章 基于孪生网络改进的遥感影像二值变化检测算法 |
| 3.1 早期融合的全卷积网络架构 |
| 3.2 孪生DeepLabv3+网络架构 |
| 3.2.1 DeepLabv3+网络 |
| 3.2.2 孪生DeepLabv3+网络整体框架 |
| 3.3 改进孪生DeepLabv3+网络架构的方案 |
| 3.3.1 注意力机制 |
| 3.3.2 流对齐模块 |
| 3.4 采用注意力机制和流对齐模块的孪生变化检测网络 |
| 3.4.1 整体框架 |
| 3.4.2 损失函数 |
| 3.5 实验结果与分析 |
| 3.5.1 实验评价标准 |
| 3.5.2 实验参数设置与模型训练 |
| 3.5.3 对比实验及结果 |
| 3.6 本章小结 |
| 第四章 基于多任务学习改进的遥感影像语义变化检测算法 |
| 4.1 先分类后比较的语义变化检测算法 |
| 4.2 基于多任务学习的语义变化检测算法 |
| 4.2.1 算法概述 |
| 4.2.2 整体框架 |
| 4.2.3 损失函数 |
| 4.3 多任务学习语义变化检测算法的优化和改进 |
| 4.3.1 多任务学习中的特征选择 |
| 4.3.2 损失函数的动态加权平均 |
| 4.3.3 多任务学习中的梯度手术优化 |
| 4.4 实验结果与分析 |
| 4.4.1 实验评价标准 |
| 4.4.2 实验参数设置与模型训练 |
| 4.4.3 对比实验及结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读专业硕士学位期间取得的成果 |
（9）基于NAS的高效多尺度感知遥感影像语义分割方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像语义分割方法研究现状 |
| 1.2.2 多尺度特征提取方法研究现状 |
| 1.2.3 神经网络轻量化方法研究现状 |
| 1.2.4 神经架构搜索算法研究现状 |
| 1.3 本文的主要工作以及创新点 |
| 1.4 本文的组织结构 |
| 2 相关技术与理论 |
| 2.1 全卷积神经网络 |
| 2.1.1 全卷积神经网络基本框架 |
| 2.1.2 基于全卷积神经网络语义分割框架的发展 |
| 2.2 多尺度特征的提取与识别 |
| 2.2.1 感受野 |
| 2.2.2 多尺度特征学习方法 |
| 2.3 卷积神经网络的轻量化结构 |
| 2.4 神经架构搜索算法 |
| 2.4.1 搜索空间 |
| 2.4.2 搜索策略 |
| 2.5 本章小结 |
| 3 多尺度感知模块和可分离分解式残差模块 |
| 3.1 多尺度感知模块 |
| 3.2 实验结果与分析 |
| 3.2.1 数据集介绍 |
| 3.2.2 实验环境及参数 |
| 3.2.3 对比实验结果与分析 |
| 3.2.4 消融实验结果与分析 |
| 3.2.5 类激活图实验结果与分析 |
| 3.3 可分离分解式残差模块 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境及参数 |
| 3.4.2 对比实验结果与分析 |
| 3.4.3 消融实验结果与分析 |
| 3.5 本章小结 |
| 4 神经架构搜索算法 |
| 4.1 多级高效的神经架构搜索算法 |
| 4.1.1 多级搜索空间 |
| 4.1.2 基于Gumbel-Softmax的搜索策略 |
| 4.1.3 搜索过程中使用的方法 |
| 4.2 实验结果与分析 |
| 4.2.1 实验流程 |
| 4.2.2 实验环境及参数 |
| 4.2.3 对比实验结果与分析 |
| 4.2.4 消融实验结果与分析 |
| 4.2.5 自动搜索网络的分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（10）高分辨率光学遥感图像阴影检测与补偿技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 阴影检测方法国内外研究现状 |
| 1.2.2 阴影补偿方法国内外研究现状 |
| 1.2.3 论文主要研究问题 |
| 1.3 论文主要研究内容 |
| 1.3.1 面向多光谱图像的LSI阴影检测方法 |
| 1.3.2 面向多光谱图像的MPSI阴影检测方法 |
| 1.3.3 面向多光谱图像的IRB阴影补偿方法 |
| 1.4 论文章节结构 |
| 第2章 阴影处理原理与评估方法 |
| 2.1 阴影成因及分类 |
| 2.2 阴影检测原理 |
| 2.2.1 不变色彩空间 |
| 2.2.2 阈值方法 |
| 2.2.3 典型阴影检测方法 |
| 2.3 阴影补偿原理 |
| 2.3.1 空间光学遥感成像光照组成 |
| 2.3.2 典型阴影补偿方法 |
| 2.4 评估方法 |
| 2.4.1 阴影检测结果定量评估方法 |
| 2.4.2 阴影补偿结果定量评估方法 |
| 2.5 本章小结 |
| 第3章 面向多光谱图像的LSI阴影检测方法 |
| 3.1 引言 |
| 3.2 LSI阴影检测方法介绍 |
| 3.2.1 阴影区域不变色彩空间分量特征分析 |
| 3.2.2 LSI阴影检测方法处理流程 |
| 3.3 LSI阴影检测方法分析讨论 |
| 3.3.1 对数运算影响分析 |
| 3.3.2 邻域参数灵敏度分析 |
| 3.4 对比实验及性能评估 |
| 3.4.1 主观视觉评价 |
| 3.4.2 客观定量评估 |
| 3.5 LSI阴影检测方法有效性和适用性分析 |
| 3.6 本章小结 |
| 第4章 面向多光谱图像的MPSI阴影检测方法 |
| 4.1 引言 |
| 4.2 MPSI阴影检测方法介绍 |
| 4.2.1 阴影区域多光谱分量特征分析 |
| 4.2.2 MPSI阴影检测方法处理流程 |
| 4.3 MPSI阴影检测方法分析讨论 |
| 4.3.1 合成方法影响分析 |
| 4.3.2 邻域参数灵敏度分析 |
| 4.4 对比实验及性能评估 |
| 4.4.1 主观视觉评价 |
| 4.4.2 客观定量评估 |
| 4.5 MPSI阴影检测方法有效性和适用性分析 |
| 4.6 本章小结 |
| 第5章 面向多光谱图像的IRB阴影补偿方法 |
| 5.1 引言 |
| 5.2 IRB阴影补偿方法介绍 |
| 5.2.1 IRB阴影补偿方法推导 |
| 5.2.2 IRB阴影补偿方法处理流程 |
| 5.3 IRB阴影补偿方法分析讨论 |
| 5.3.1 路径辐射亮度影响分析 |
| 5.3.2 辐射照度系数计算影响分析 |
| 5.3.3 优化参数灵敏度分析 |
| 5.4 对比实验及性能评估 |
| 5.4.1 主观视觉评价 |
| 5.4.2 客观定量评估 |
| 5.5 IRB阴影补偿方法有效性和适用性分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.1.1 论文主要研究内容 |
| 6.1.2 论文创新成果 |
| 6.2 未来工作展望 |
| 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 |
四、不同分辨率对遥感影像中识别人造地物的影响（论文参考文献）
- [1]基于高分辨率遥感数据的植被识别方法研究[D]. 陈晓敏. 齐鲁工业大学, 2021(10)
- [2]基于高分辨率光学遥感影像的城市地区地物提取及阴影信息恢复研究[D]. 周婷婷. 吉林大学, 2021(01)
- [3]基于深度学习的农村住房遥感信息提取研究及时空演变应用[D]. 叶自然. 浙江大学, 2021(01)
- [4]GF-2卫星城市典型地物样本库构建与实现方法研究[D]. 张晋熙. 北京建筑大学, 2021(01)
- [5]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [6]基于高分六号影像的农业大棚信息提取 ——以萍乡市为例[D]. 钟浩. 江西理工大学, 2021(01)
- [7]智慧林业中立体感知体系关键技术研究[D]. 王艳华. 东北林业大学, 2021
- [8]基于深度学习的遥感影像变化检测算法研究[D]. 付威福. 电子科技大学, 2021(01)
- [9]基于NAS的高效多尺度感知遥感影像语义分割方法[D]. 林敬博. 东北林业大学, 2021(08)
- [10]高分辨率光学遥感图像阴影检测与补偿技术研究[D]. 韩红印. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(03)