导读:本文包含了遥感纹理论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感影像,分类,纹理特征,几何特征
遥感纹理论文文献综述
马长辉,黄登山[1]（2019）在《纹理与几何特征信息在高空间分辨率遥感影像分类中的应用》一文中研究指出为充分利用高空间分辨率遥感影像所包含的纹理与几何特征信息,提高影像的分类精度,应用面向对象技术和Log-Gabor小波来提取影像纹理和几何特征信息,并结合影像光谱信息对影像进行分类。选用的分类器为粒群优化算法优化参数的支持向量机分类器,使用资源叁号和高分二号两种不同传感器的卫星影像对方法进行验证,影像数据地物类型包含林地、草地、裸地、沙地、建筑物和道路等典型实体对象。通过对实验结果的目视比较和统计分析结果表明,所提方法分类结果精度较传统方法有所提高。(本文来源于《测绘地理信息》期刊2019年06期）
邵文静,孙伟伟,杨刚,孟祥超[2]（2019）在《高光谱遥感纹理特征提取的对比分析》一文中研究指出高光谱遥感相对于传统的多光谱遥感具有光谱通道窄、光谱分辨率高的优势,能够用以区分不同亚类地物的细微光谱差异。以往单纯利用光谱信息分类难以达到理想的效果,于是提出了利用纹理特征分类以弥补光谱分类的不足。纹理特征是光谱空间到二维空间的投影,通过度量像素点及其周围空间邻域的灰度差异以区分地物。当前高光谱纹理特征提取大致分为四类,数学变换法、模型法、统计法和结构分析法。这些方法均对于分类效果均有所提升,但却缺乏一个完整全面的对比分析。本文选取ri LBP、SLIC、EMP、DMP、AP、EP、3D-abor、JBF和GF等9种当前高光谱领域的纹理特征提取方法,对其做出了简要介绍,并在统一的标准下进行对比分析。实验选用Indian Pines数据集、Pavia University数据集和雄安数据集等叁个标准数据集,经过主成分分析后提取其纹理特征,最后利用支持向量机(SVM)对纹理特征进行分类。用分类精度、计算时间、标准差等指标进行评价。实验结果表明,EP综合表现优于其它8种纹理特征方法;其次是EMP也达到了很好的分类效果;ri LBP精度高,但特征计算时间长;JBF与GF总体精度上略低,但二者特征计算时间短,可以当作分类后处理的方式与其他纹理特征相结合。(本文来源于《浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集》期刊2019-10-25）
贾俊英,曹瑞,张小波,史婷婷,杨敏[3]（2019）在《基于纹理和光谱信息的奈曼旗防风遥感解译》一文中研究指出中药材种植面积是制定中药材生产、扶贫等政策和确定药材贸易数量的重要依据,精确掌握中药材种植的分布、面积和产量等信息是中药种植结构调整的基础。奈曼旗现为内蒙古通辽市最大的蒙中药材种植地,及时有效地获取奈曼旗的蒙中药材种植面积对后续产业发展具有重要意义。该研究选取奈曼旗大面积种植的药用植物防风为例,以融合的2 m分辨率的资源叁号(ZY-3)遥感影像作为数据源,基于地面调查的数据,选取各典型地物的样本数据,得出不同地物的光谱特征曲线,获取防风光谱信息;采用基于概率统计的滤波纹理分析方法,选取5种不同纹理滤波下的纹理图像显示结果进行比较分析,最终确定基于信息熵的防风纹理特征。应用遥感影像的纹理和光谱信息提取解译奈曼旗防风的分布范围及种植面积。结果表明:防风主要分布在奈曼旗的东北地区和中南部地区,种植面积达5 336亩(1亩≈667 m~2)。野外实地验证数据与遥感解译结果吻合程度很高,差异性较小。说明采用光谱信息和纹理信息结合的方法可以实现防风的判别,解译结果可为县域制定中药材产业扶贫行动和农业产区经济发展规划提供参考。(本文来源于《中国中药杂志》期刊2019年19期）
李晗,陈新云,白彦锋,姜春前,孟京辉[4]（2019）在《基于SPOT-5光谱和纹理信息的湘西森林生态功能指数遥感预测模型构建》一文中研究指出以湘西区域SPOT-5遥感影像为基础,提取样地纹理和光谱信息,以一类调查数据的生态指数为因变量,所对应的纹理和光谱指数为自变量,采用全子集回归来构建预估模型,并采用留一交叉验证进行模型检验。结果表明,构建模型的判定系数■为0.507 1,留一交叉验证结果■=0.486 0,模型的残差呈均匀的分布在0附近,没有明显的变化趋势。此外,SW检验和NCV检验结果显示残差的正态性和等方差性,表明构建的森林生态功能指数遥感预估模型能够预估森林生态功能指数,为生态功能的快速、经济和定量的评价提供数据支持,为有效森林管理以及决策的制定提供理论支持。(本文来源于《西北林学院学报》期刊2019年05期）
李金香,赵朔,金花,李亚芳,郭寅[5]（2019）在《结合纹理和形态学特征的高分遥感影像建筑物震害信息提取》一文中研究指出为提高震害信息获取时效性,对基于我国国产高分遥感影像的建筑物震害信息提取方法进行深入研究,本文以2017年5月11日新疆塔县M_S5.5地震为例,利用该地震前后极灾区高分遥感影像,利用结合纹理和形态学特征的方法进行了建筑物震害信息提取,通过变化检测分析获取了极灾区建筑物震害信息,并与基于像元级和基于目标级的信息提取结果进行对比,采用震后无人机影像目视解译结果对本文结果进行了精度验证。结果表明:通过缩减研究区范围可大力提高数据提取精度和速度;运用灰度共生矩阵、二值化、数学形态学等方法对影像进行迭代运算,能较好地提取高分遥感影像中的建筑物信息;通过对地震前后建筑物提取结果进行变化检测分析,能够有效地提取完全倒塌的建筑物,信息提取总体精度为90.45%,比基于像元级和基于目标级信息提取结果的精度分别提高了5.78%和5.23%,可为震后快速确定人员压埋点、部署救援力量提供决策依据,提高地震应急救援的时效性。(本文来源于《地震学报》期刊2019年05期）
毛竹[6]（2019）在《遥感影像纹理特征库的建立》一文中研究指出随着遥感技术的不断进步与发展,对地观测卫星的分辨率都在不断提高,所得到的图像信息也越来越丰富,当前国内外研究学者均十分关注如何有效提取与利用高分辨率卫星影像中的纹理信息这一问题。纹理特征库的建立是以充分利用已有的样本特征数据对地物进行分类或识别为目的,为以后的图像分类提供样本或作为作物识别的标准。在详细阐述了常用的遥感影像纹理特征的基础上,采用中值滤波对遥感影像进行去噪处理,并进行不同地物类别的样本裁剪,然后在Matlab下进行样本特征的提取,最后利用提取的特征在Microsoft Access软件中建立了纹理特征库。(本文来源于《天工》期刊2019年08期）
李亮,申学林,李胜,应国伟[7]（2019）在《一种综合光谱、纹理、结构特征的高分辨率遥感影像变化检测方法》一文中研究指出为充分利用像斑的多特征以提高变化检测精度,提出了一种综合光谱、纹理、结构特征的高分辨率遥感影像变化检测方法。通过影像分割获取像斑,利用灰度直方图、局部二值模式/对比度(LBP/C)直方图、方向梯度直方图(HOG)分别表达像斑的光谱、纹理、结构特征;采用直方图相交距离度量像斑的特征距离,采用大津法获取变化阈值,分别获得光谱、纹理、结构特征下的变化检测结果;综合3种变化检测结果,将像斑划分为变化、不确定、未变化3类;以变化与未变化两类像斑作为训练样本像斑,利用支持向量机(SVM)算法对不确定类像斑进行变化/未变化划分。在QuickBird遥感影像上的试验结果验证了本文方法的有效性。(本文来源于《测绘通报》期刊2019年S1期）
戴激光,谢诗哲,苗志鹏,宋伟东,王杨[8]（2019）在《高分辨率光学遥感几何与纹理约束的线段优化算法》一文中研究指出针对高分辨率光学遥感影像线段断裂问题,提出一种基于几何与纹理约束的线段优化算法。首先,将线段视为地物轮廓表达的一种方式,由此从同一地物边缘角度出发,提出线段断裂的几何与纹理规律;其次,提出线段优化算法,以提取线段结果为处理基元,依据线段长度确定初始优化线段,设定跟踪矩形,建立针对断裂线段的几何纹理约束模型,构建动态优化模型,并给出完整的线段优化流程。最后,通过多幅不同实际场景、不同类型高分辨率遥感影像的试验结果分析,表明本文算法不仅能够解决由地物遮挡、边缘模糊及边缘锯齿化造成的线段断裂问题,并且在优化线段长度以及抑制线段过提取问题方面,均表现出较大的优势。(本文来源于《测绘学报》期刊2019年05期）
喻送霞[9]（2019）在《基于纹理分析的张家界地貌遥感信息提取及分类研究》一文中研究指出由于张家界地貌的独特性,国内外学者对张家界地貌的地貌形态、成因机制、地质构造以及发育现状等研究颇多,基于RS技术提取地貌遥感特征信息的研究较少;随着遥感影像空间分辨率的提高,纹理作为遥感影像的基本组成特征被广泛用于遥感分类。本文以张家界武陵源区为研究区,选取高分一号(GF-1)可见光数据和Sentinel-1SAR微波数据,利用灰度共生矩阵(GLCM)提取并统计两种类型遥感影像中5种地类(峰林、建设用地、水体、植被、农田)的纹理信息,分析张家界地貌(峰林)的纹理特征,选择纹理特征波段与相应多光谱(GF-1)波段组合用以分类研究,利用最大似然法(MLC)获取分类结果,最后通过计算混淆矩阵评价分类精度,进行分类精度研究。结果表明:(1)适用于张家界地貌纹理特征分析的数据类型:通过两种遥感影像(GF-1和SAR)的分析比较,SAR影像所包含的峰林纹理信息更优,且在8种纹理特征中,对比度(Contrast)差值最为明显,SAR(3.7573)>GF-1(1.1626),差值为2.5947。对比度特征与图像的清晰度直接相关,反映出纹理沟纹的深浅程度。这充分表明,采用SAR影像能更好地揭示张家界峰林地貌影像特有的空间纹理结构信息,也为张家界地貌遥感工作数据的选择提供依据。(2)张家界地貌与其他地类的纹理差异:张家界地貌在GF-1影像上突显的是峰林的阴影,与水体在表征上相似,易受水体和植被干扰,纹理特征表现较为均一简单,且色调较深,与其他地类区分明显。在SAR影像上,张家界地貌表现出较为突显的地貌结构,纹理特征表象较完整,受植被干扰性小。峰林的纹理特征在局部和整体上具有一致性,有较强的纹理方向性。(3)应用于分类的纹理特征组合:通过不同地物的纹理特征差异分析,增加特征波段提高分类精度,选取地类区分度较大的纹理特征值,得出武陵源区内不同地类分类的最佳纹理特征波段组合为均值、方差、相异性、熵和相关性。(4)纹理对分类精度的影响:利用混淆矩阵评估纹理加入前后的多光谱影像(GF-1)的分类精度。2 m分辨率下,纹理特征的加入使得分类的总体精度(OA)提高了1.87%,Kappa提高了0.0459;8 m分辨率下,OA提高了0.76%,kappa系数提高了0.026。结果表明利用光谱与纹理特征结合的分类精度高于仅利用光谱特征分类的精度,说明纹理特征与光谱信息结合可以提高遥感影像的分类精度。(5)纹理对不同地物分类精度的影响:基于分类精度结果,分析纹理特征结合前后研究区内不同地类分类精度的变化。2 m分辨率下,5种地类在加入纹理特征后分类精度都有变化,峰林、建设用地、植被和农田分别提高了4.77%、2.66%、2.48%、2.90%,水体的分类精度降低了0.6%。8 m分辨率下,5种地类分类分别提高了4.38%、3.19%、0.58%、1.34%和4.22%。结果表明,纹理特征的加入有利于提高地物分类精度,但其对不同地物类型的影响程度不同。(本文来源于《湖南师范大学》期刊2019-05-01）
潘旭冉,杨帆,潘国峰[10]（2019）在《基于空频域纹理特征的高分辨率遥感图像居民地提取》一文中研究指出为了解决高分辨率遥感图像中居民地信息因光谱和结构复杂度高造成的提取精度低、速度慢等问题。提出一种基于空频域纹理特征的高分辨率遥感图像居民地提取算法,该算法首先对高分辨率居民地图像分别进行特定方向Gabor滤波和分形维数的计算,然后依据得到的空频域纹理图像的局部纹理灰度特征对居民地信息进行提取,最后对提取初步结果进行形态学优化得到最终的提取结果。实验结果表明,该算法对乡村地区和山区居民地信息提取的总体精度达到97%以上,与传统的分形维数方法和Gabor滤波方法相比,误提率降低了45%以上。实现了全自动、有效的提取平原、山区两种地貌的居民地信息。(本文来源于《科学技术与工程》期刊2019年08期）
遥感纹理论文开题报告
（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：
高光谱遥感相对于传统的多光谱遥感具有光谱通道窄、光谱分辨率高的优势,能够用以区分不同亚类地物的细微光谱差异。以往单纯利用光谱信息分类难以达到理想的效果,于是提出了利用纹理特征分类以弥补光谱分类的不足。纹理特征是光谱空间到二维空间的投影,通过度量像素点及其周围空间邻域的灰度差异以区分地物。当前高光谱纹理特征提取大致分为四类,数学变换法、模型法、统计法和结构分析法。这些方法均对于分类效果均有所提升,但却缺乏一个完整全面的对比分析。本文选取ri LBP、SLIC、EMP、DMP、AP、EP、3D-abor、JBF和GF等9种当前高光谱领域的纹理特征提取方法,对其做出了简要介绍,并在统一的标准下进行对比分析。实验选用Indian Pines数据集、Pavia University数据集和雄安数据集等叁个标准数据集,经过主成分分析后提取其纹理特征,最后利用支持向量机(SVM)对纹理特征进行分类。用分类精度、计算时间、标准差等指标进行评价。实验结果表明,EP综合表现优于其它8种纹理特征方法;其次是EMP也达到了很好的分类效果;ri LBP精度高,但特征计算时间长;JBF与GF总体精度上略低,但二者特征计算时间短,可以当作分类后处理的方式与其他纹理特征相结合。
（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。
遥感纹理论文参考文献
[1].马长辉,黄登山.纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J].测绘地理信息.2019
[2].邵文静,孙伟伟,杨刚,孟祥超.高光谱遥感纹理特征提取的对比分析[C].浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集.2019
[3].贾俊英,曹瑞,张小波,史婷婷,杨敏.基于纹理和光谱信息的奈曼旗防风遥感解译[J].中国中药杂志.2019
[4].李晗,陈新云,白彦锋,姜春前,孟京辉.基于SPOT-5光谱和纹理信息的湘西森林生态功能指数遥感预测模型构建[J].西北林学院学报.2019
[5].李金香,赵朔,金花,李亚芳,郭寅.结合纹理和形态学特征的高分遥感影像建筑物震害信息提取[J].地震学报.2019
[6].毛竹.遥感影像纹理特征库的建立[J].天工.2019
[7].李亮,申学林,李胜,应国伟.一种综合光谱、纹理、结构特征的高分辨率遥感影像变化检测方法[J].测绘通报.2019
[8].戴激光,谢诗哲,苗志鹏,宋伟东,王杨.高分辨率光学遥感几何与纹理约束的线段优化算法[J].测绘学报.2019
[9].喻送霞.基于纹理分析的张家界地貌遥感信息提取及分类研究[D].湖南师范大学.2019
[10].潘旭冉,杨帆,潘国峰.基于空频域纹理特征的高分辨率遥感图像居民地提取[J].科学技术与工程.2019