导读:本文包含了地物信息论文开题报告文献综述及选题提纲参考文献，主要关键词:归一化差分植被指数,MOD13,Q1产品,陆地成像仪,尺度转换
地物信息论文文献综述
栾海军,牛阳,何原荣,刘光生,章欣欣[1]（2019）在《融合地物类别信息的NDVI尺度转换模型构建及MOD13 Q1产品真实性检验》一文中研究指出提出融入中高空间分辨率遥感影像精确地类识别信息,以改进传统的Chen NDVI尺度转换模型的方法,并基于两个模型共同进行MODIS 250 m 16 D合成植被指数产品MOD13 Q1(MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid)真实性检验。研究以地类丰富的厦门市作为研究区主体,并以30 m Landsat8陆地成像仪OLI(Operational Land Imager)影像作为验证数据,实践了上述方法。实验结果表明:MOD13 Q1产品总体质量较好,但是存在偏高估计的问题,尤其是对人工地物更为明显,在实际应用中应予以关注;融入精细地类信息的改进Chen NDVI模型相比较融入粗略地类信息的传统Chen NDVI模型,升尺度转换结果无显着差异,但是前者在精细、定量刻画"不同地类对NDVI尺度效应影响"方面更有优势,这对遥感地表参数尺度效应研究具有重要的启示意义。(本文来源于《测绘科学技术学报》期刊2019年01期）
程香丽[2]（2019）在《图像分割技术在遥感影像地物信息自动提取中的应用分析》一文中研究指出对于遥感监测领域而言,图像分割技术构成了自动提取以及自动识别遥感影像的核心技术要点。近些年来,信息科技手段已经能够全面运用于现阶段的遥感监测领域,进而实现了精确度更高的遥感地物监测效果。通过运用图像分割的地物影像处理方式,应当能够识别更加清晰的地物影像轮廓,因此体现了自动提取以及图像分割技术的重要实践利用价值。(本文来源于《四川水泥》期刊2019年07期）
张艺,丁晓光,李苗[3]（2019）在《高分二号影像数据地物信息提取分割尺度研究》一文中研究指出面向对象技术是提取高分辨率影像中地物信息的主流方法,而多尺度分割是面向对象技术的基础与关键,分割尺度的选择将直接影响最终信息提取的精度与质量。借助于eCognition平台,选用高分二号影像数据作为研究对象,采用多尺度分割的面向对象分类方法,充分利用遥感影像几何、纹理、光谱等信息,确定不同地物类别的最优化分割尺度,建立最佳分类规则,较好的提取了目标地物,更在一定程度上提高了分类精度,为震后灾害评估、震中道路快速提取提供技术支持。(本文来源于《防灾减灾学报》期刊2019年01期）
吴玉婷,肖提荣,何照攀[4]（2018）在《多源数据间线状地物属性信息传递方法》一文中研究指出针对地理要素属性更新存在工作量大,效率低等问题,结合云南省1︰50000道路数据更新实践,提出一种基于空间位置关系的多源数据间属性信息传递方法。该方法利用空间位置关系和数学统计方法判定不同数据源中的同名实体,进而实现多源空间数据间线状地物属性自动传递。本文首先介绍该方法的原理及关键环节,然后通过试验分析方法的准确率和稳定性,以验证其实际应用价值。目前已基于该算法研发了属性自动传递工具,该工具已应用于实际生产并取得较好的效果。(本文来源于《测绘技术装备》期刊2018年04期）
周涛,代大海,邢世其,刘阳,王雪松[5]（2018）在《融合极化SAR图像色彩信息的地物分类新方法》一文中研究指出地物分类是极化合成孔径雷达(PolSAR)图像理解和解译的重要应用方向之一。多种极化特征都被应用于极化SAR地物分类,例如散射矩阵、相干矩阵、极化分解结果、纹理和空间信息等,然而最能代表极化特征的色彩信息却常常被人们忽视。通过融合色彩信息对极化SAR图像进行预处理,优化了传统的极化SAR地物分类方法。通过极化分解提取极化SAR图像的色彩信息,利用基于色彩信息和空间位置作为距离度量的简单线性迭代聚类算法(SLIC)生成超像素,并将超像素作为一个整体,使用Wishart分类器对超像素进行分类。采用AIRSAR的L波段荷兰Flevoland地区数据集中的8类地物类型进行验证,该方法的总体分类精度达到97.81%,相比于传统的基于像素的分类方法提升了约7%。结果表明该方法对于匀质地物类型的分类,在分类准确性和稳健性上都具有极好的性能。(本文来源于《无线电工程》期刊2018年12期）
李剑[6]（2018）在《基于GF-2影像的城区地物信息尺度选择及分类方法研究》一文中研究指出随着GF-2遥感影像卫星的成功发射,使得我国可自主获取海量的分辨率为1m的高分遥感影像数据,为我国城市建设提供了大量的数据支持。由于高分辨率影像数据结合了光谱、形状、纹理等丰富的空间特征,而传统的分类方法仅考虑了影像的光谱信息,导致分类精度无法满足实际应用的需求。因此,面向对象分类方法应运而生,给高分辨率影像分类带来了福音。面向对象分类相对于传统的分类方法,最大的区别在于其分析影像的最小单元是对象,而不是像元。对象是通过影像分割实现的,选择不同的尺度进行分割,可获得大小不同的对象,因此尺度参数的选择尤为关键。本文以成都市城区GF-2遥感影像作为数据源,对影像数据预处理后,分别采用了面向对象多层次分类、面向对象单层次监督分类以及基于像元的监督分类方法对地物信息进行提取,分析比较了各地物分类精度指标,并在面向对象分类过程中重点分析了最优尺度选择的问题,具体工作如下:(1)针对面向对象分类过程中尺度参数的选择问题,研究了利用ESP尺度评价工具结合RMAS法实现了城区各地物最优尺度的选择。在尺度初选过程中,通过ESP尺度评价工具初步选出了80、100、150、170、185、195、220、250、270这九个潜在的最优尺度。在尺度复选过程中,通过分析RMAS法中存在的问题,选取了其邻域对象地物更为丰富的对象进行RMAS值统计的方法,并与利用ESP所得的最优尺度相比较,可发现获取的最优尺度基本一致,证明了通过该方法可得到较为合适的最优尺度。最终结合两种方法得到了阴影、建筑物、植被、水体和道路的最优尺度分别为80、100、150、170和200。(2)针对GF-2影像面向对象地物信息分类精度这一问题,通过在各地物最优尺度下,构建地物信息提取的五个对象层,在不同的影像对象层中分析各地物类别对象的光谱特征、形状特征和纹理特征,以选取同类地物对象间能与其它地物对象进行区分的共有特征来建立分类规则,从而实现面向对象多层次分类。该方法相较于面向对象单层次最邻近分类总体精度提升了3.22%,Kappa系数提升了0.0490;相较于面向对象单层次支持向量机分类总体精度提升了1.47%,Kappa系数提升了0.0248。证明了最优尺度下的面向对象多层次分类方法的优越性。(3)为了比较面向对象分类与基于像元的分类在GF-2影像上的优劣性,对研究区影像分别使用了六种地物信息分类方法进行分类实验,研究表明:面向对象分类结果在效果及精度上均优于基于像元分类,面向对象分类出的各类地物精度指标相对均衡且地物边界更为清晰,未出现明显的漏分错分现象,尤其是对道路和建筑物的区分较好。(本文来源于《东华理工大学》期刊2018-06-10）
孟丽珠[7]（2018）在《空间极化信息协同的小样本极化SAR图像地物分类技术研究》一文中研究指出极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种实时测量目标散射回波系数的通道和参数双高的雷达成像系统,因此获得的极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像能够提供丰富的目标地物信息。作为雷达图像解译的重要研究内容之一,极化SAR图像地物分类技术在目标检测、灾情监测等多方面有广泛的应用。如何实现高准确率的地物分类,是国内外广受关注的热点问题。近年来极化SAR图像地物分类方法多通过大量训练样本训练分类器,来达到准确分类的目的。然而,获取大量标记样本需要较高的人力成本。另一方面,极化SAR图像不仅含有回波信息的测量值,而且具有空间组织结构。基于上述讨论,本文研究了空间极化信息协同的小样本极化SAR图像地物分类方法,主要内容如下:1.设计了一种基于空间点域K近邻的增量式小样本分类方法。现有监督极化SAR图像分类方法多采用大量标记样本进行批处理训练,不仅数据成本高,而且训练过程不能充分利用历史信息。本文在小样本标记的条件下,通过增量式学习逐步预测数据标记。同时,设计了新的空间点域距离,来判定阶段预测结果的准确性。在荷兰Flevoland图像、美国San Francisco Bay图像、德国ESAR图像等五幅图像上对所提出的方法进行性能验证,实验结果表明:该方法在0.1%标记样本条件下能达到高于84%的分类正确率。2.设计了一种基于双通道低秩与空间极化距离的小样本分类方法。该方法主要将输入的极化SAR图像分为实部和虚部两个通道,通过低秩矩阵分解减少极化SAR图像中的相干斑噪声。文中设计了一个用来衡量样本相似度的权值计算公式,同时使用无穷范数构造空间约束以提升数据分类准确性。在五幅极化SAR图像上的实验结果表明:该方法在0.1%标记样本条件下也能达到85%-98%的分类正确率,具有明显的有效性和优越性。3.设计了一种基于空间极化奖赏的强化学习小样本分类方法。根据定义的局部邻域区域,该方法计算标记样本提供关于动作的指示。同时,在局部邻域区域设计空间和极化奖赏函数,实现了空间极化信息的融合。该方法将强化学习引入到极化SAR图像分类中构建了动态连续学习的分类器。在多个极化SAR图像上的实验结果表明:该方法能够在0.1%标记样本条件下达到高于90%的分类正确率,并且平均准确率和Kappa系数均具有很好的数值体现。(本文来源于《西安电子科技大学》期刊2018-06-01）
胡根生,周文利,梁栋,鲍文霞[8]（2018）在《融合引导滤波和迁移学习的薄云图像中地物信息恢复算法》一文中研究指出薄云覆盖遥感图像使图像上的地物信息模糊。本文给出了一种融合引导滤波和迁移学习的薄云图像中地物信息恢复算法。首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图像进行多分辨率分解,再对分解后的低频子带分别进行支持向量引导滤波和迁移学习,对分解后的高频子带利用修正的Laine增强函数进行增强,然后应用基于区域能量的选择和加权相结合的方法对引导滤波输出和迁移学习模型预测的低频子带进行融合,最后对增强后的高频子带和融合后的低频子带进行多方向非抽样对偶树复小波逆变换重构,获得地物信息恢复图像。Landsat-8 OLI多光谱图像的试验结果表明,支持向量引导滤波能够有效保留目标图像的地物细节信息,域自适应的迁移学习能有效扩展可利用的多源多时相遥感图像范围,通过融合引导滤波和迁移学习能有效去除遥感图像上的薄云,获得较好的地物信息恢复效果。(本文来源于《测绘学报》期刊2018年03期）
周文利[9]（2018）在《基于图像融合的薄云遥感图像中地物信息恢复算法研究》一文中研究指出卫星遥感传感器在获取地面图像时,极易受到天气影响。云覆盖遥感图像使得图像上的地物信息模糊或者缺失,严重影响图像的判读和分析。在当前的情况下,一个非常有效的地物信息恢复方法是增强含云遥感图像可用性的重要途径。本文主要针对Landsat卫星与HJ-1卫星所获取的遥感图像,研究基于图像融合的薄云遥感图像中地物信息恢复算法,主要内容及研究成果如下:1.阐述了薄云遥感图像中地物信息恢复算法的研究目的与意义,介绍了陆地系列卫星与环境一号A、B以及C卫星传感器各波段的基本参数,并介绍了国内外薄云遥感图像的地物信息恢复算法的研究现状。2.介绍了云层的物理特征,阐述了遥感图像预处理的基本理论知识和实现方法,为进一步的研究做准备。3.给出了一种基于PCNN融合和T-SVR的薄云遥感图像中地物信息恢复算法。由于相同地区不同时相的遥感图像之间的地物信息会存在一定差异,故先对薄云遥感图像进行变化检测,对未变化区域进行对偶树复小波变换分解后利用PCNN融合的方法增强高频子带并抑制低频子带,对变化区域进行对偶树复小波变换分解后利用T-SVR方法预测该地区的低频子带,最终重构得到地物信息恢复图像。4.给出了一种融合引导滤波和迁移学习的薄云图像中地物信息恢复算法。首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图像进行多分辨率分解,再对分解后的低频子带分别进行支持向量引导滤波和迁移学习,对分解后的高频子带利用修正的Laine增强函数进行增强,然后应用基于区域能量的选择和加权相结合的方法对引导滤波输出和迁移学习模型预测的低频子带进行融合,最后对增强后的高频子带和融合后的低频子带进行多方向非抽样对偶树复小波逆变换重构,获得地物信息恢复图像。(本文来源于《安徽大学》期刊2018-03-01）
胡根生,查慧敏,梁栋,鲍文霞[10]（2017）在《结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复》一文中研究指出利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.(本文来源于《电子学报》期刊2017年12期）
地物信息论文开题报告
（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：
对于遥感监测领域而言,图像分割技术构成了自动提取以及自动识别遥感影像的核心技术要点。近些年来,信息科技手段已经能够全面运用于现阶段的遥感监测领域,进而实现了精确度更高的遥感地物监测效果。通过运用图像分割的地物影像处理方式,应当能够识别更加清晰的地物影像轮廓,因此体现了自动提取以及图像分割技术的重要实践利用价值。
（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。
地物信息论文参考文献
[1].栾海军,牛阳,何原荣,刘光生,章欣欣.融合地物类别信息的NDVI尺度转换模型构建及MOD13Q1产品真实性检验[J].测绘科学技术学报.2019
[2].程香丽.图像分割技术在遥感影像地物信息自动提取中的应用分析[J].四川水泥.2019
[3].张艺,丁晓光,李苗.高分二号影像数据地物信息提取分割尺度研究[J].防灾减灾学报.2019
[4].吴玉婷,肖提荣,何照攀.多源数据间线状地物属性信息传递方法[J].测绘技术装备.2018
[5].周涛,代大海,邢世其,刘阳,王雪松.融合极化SAR图像色彩信息的地物分类新方法[J].无线电工程.2018
[6].李剑.基于GF-2影像的城区地物信息尺度选择及分类方法研究[D].东华理工大学.2018
[7].孟丽珠.空间极化信息协同的小样本极化SAR图像地物分类技术研究[D].西安电子科技大学.2018
[8].胡根生,周文利,梁栋,鲍文霞.融合引导滤波和迁移学习的薄云图像中地物信息恢复算法[J].测绘学报.2018
[9].周文利.基于图像融合的薄云遥感图像中地物信息恢复算法研究[D].安徽大学.2018
[10].胡根生,查慧敏,梁栋,鲍文霞.结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复[J].电子学报.2017