一、基于单幅影像的多个相似目标的识别与定位（论文文献综述）
徐仲[1]（2021）在《基于多源无人机精细遥感数据的滇西北亚热带森林树种分类及生物量反演》文中进行了进一步梳理精确的森林树种识别和生物量反演是生物多样性监测及森林资源管理的重要研究课题。森林树种组成是描述森林生态系统的重要指标,而森林生物量是表征森林结构和功能的重要参数,它们为生态系统结构与功能等研究提供了关键信息。通过当前先进的无人机技术,可以精准获取点云和影像等多源精细遥感数据,其具有丰富的森林结构和光谱信息,对森林主要优势树种识别和地上生物量（AGB）的提取及林学和生态学应用具有重要意义。本论文以滇西北白马雪山国家级自然保护区南部塔城镇响谷箐为研究区,基于垂直起降固定翼（VTOL）无人机搭载激光雷达（Li DAR）传感器获取的三维点云以及低成本固定翼无人机获取的高重叠度、高空间分辨率多光谱和RGB影像。首先,将航空数字摄影测量获取的大量单幅影像拼接成多光谱和RGB正射影像并通过运动恢复结构算法（Structure from Motion,Sf M）生成数字立体摄影测量（Digital Aerial Photography,DAP）点云;然后借助Li DAR点云滤波后插值生成的数字高程模型（DEM）实现DAP点云归一化;接下来,比较不同单木分割算法（即点云分割（PCS）、基于RGB影像的多尺度分割（MRS）和结合RGB影像和冠层高度模型（CHM）融合影像的多尺度分割）对单木冠幅的提取效果;最后,基于光谱、纹理和点云结构特征,利用随机森林分类器分别在树种（典型优势乔木）和森林类型（即针叶林和阔叶林）层面上进行分类和精度评价,并通过构建多尺度反演模型对研究区森林AGB进行了反演及空间分布制图,探索了基于无人机获取的滇西北亚热带森林精细冠层光谱、纹理和结构特征对优势树种分类和地上生物量估测的效果及应用价值。研究结果表明:（1）通过比较基于不同数据组合的单木分割方法及参数敏感性分析结果表明:结合RGB正射影像和冠层高度模型的多尺度分割所提取的冠幅精度最高（F1值达到82.5%）,其次是基于点云的单木分割（F1值达到79.6%）,而仅仅基于RGB影像的多尺度分割精度最低（F1值为78.6%）。（2）结合最佳的单木分割算法,在冠幅内综合提取光谱、纹理和点云结构特征,利用随机森林模型进行面向对象树种分类,结果表明:按森林类型（即针叶和阔叶林）分类的精度高于按优势树种（即针叶:云南松、铁杉、云杉;阔叶树:曼青冈、槲栎、槭树、旱冬瓜、山杨）分类的精度,综合光谱,纹理和结构特征的随机森林模型分类精度最高（总体精度为80.20%,Kappa系数为60.37%）;在分类过程中,仅使用光谱特征的分类精度最低,表明纹理特征和点云结构特征对分类都有着有提高精度的作用（总体精度和Kappa精度分别提高了1.49-4.46%和2.86-6.84）;在八个树种分类中,使用光谱、纹理和点云特征的分类精度最高（总体精度为66.34%,Kappa系数为58.53%）;在按树种分类的模型中,光谱特征（RGRI、GNDVI等）、纹理特征（蓝波段的相关度等）、结构特征(H95、H50、D7等)对模型的重要性排在前列,表明结构、光谱和纹理特征均对训练分类模型有积极影响。（3）结合光谱和点云结构特征,利用多元线性回归模型进行研究区的森林AGB多尺度估测,结果表明:利用归一化DAP点云结构特征预测的地上生物量模型精度（R2=0.77,r RMSE=10.78%）高于只用光谱特征预测的模型（R2=0.52,r RMSE=15.46%）;结合点云结构特征和光谱特征的预测模型精度最高（R2=0.81,r RMSE=9.72%）,DAP点云结构特征对提高地上生物量预测模型的精度有重要作用;研究区AGB反演制图有效获取了生物量空间分布异质性。
王亮亮[2]（2021）在《无人机低空遥感影像特征匹配算法研究》文中研究表明无人机低空遥感技术具有结构简单、成本低、风险小、灵活机动、实时性强等优点,在各行业的应用十分广泛。影像匹配是将高分辨率的无人机影像应用于大比例尺地形测绘和精细三维建模等工作的关键,快速有效地在序列影像对间获取适量的同名点对是影像匹配的目的。传统SIFT、SURF算法在高分辨率影像中检测特征点数量多且空间分布不均匀、匹配效率低、配准精度低,直接应用于无人机低空遥感影像匹配的效果较差。本文改进两种经典算法的特征提取、特征描述、特征匹配过程,提出优化SIFT-OCT算法和U U-SURF算法,选取不同地物类型的遥感影像进行实验,验证了改进算法应用于无人机低空遥感影像特征匹配的有效性。主要研究内容及成果包括:（1）不同地物类型的无人机低空遥感影像具有不一致的图像特征,对特征匹配算法的适应性不同。本文结合影像地物特征,深入分析SIFT、SURF、ORB、AKAZE四种常用的影像匹配算法对不同地物类型真实无人机影像对的匹配性能,并设计真实影像在尺度、旋转、亮度和噪声变化下的模拟数据,评价算法的稳定性。（2）针对经典匹配算法在高分辨率影像中检测特征点数量多、匹配效率低的问题,提出优化SIFT-OCT算法,主动放弃第一组尺度空间进行特征检测,并采用影像分块的方法加快检测过程;在特征匹配阶段,提出相似性系数进行匹配点对二次筛选,利用RANSAC算法计算透视变换模型参数进行精匹配。选取同一无人机序列影像中的四组不同地物类型的影像进行对比验证实验,结果表明,优化SIFT-OCT算法极大地减少特征提取数量,提高影像匹配效率,适合无人机低空遥感影像匹配。（3）针对无人机低空遥感影像匹配过程中特征点数量过多且空间分布不均匀、匹配点对空间分布质量差、配准精度低的问题,提出一种均匀分布U-SURF算法,引入四叉树索引策略在保证子块特征检测点均匀分布的同时保留一定数量的特征点,忽略特征点主方向的计算;在特征匹配阶段,采用低阈值双向匹配方法进行粗匹配,提出均匀分块策略提高匹配点对的空间分布质量,利用稳定的基础矩阵进行极线约束剔除误匹配点,再计算单应性矩阵作为影像间的变换矩阵进行配准。选取五组不同地物类型的无人机序列影像进行对比实验,验证了U U-SURF算法应用于高分辨率无人机影像配准的能力,其匹配正确率提高了0.4%～8.3%,配准精度提高了0.013～0.114。
安霞[3]（2021）在《基于时序卫星遥感图像的枣树种植面积提取技术研究》文中研究说明阿拉尔垦区位于塔克拉玛干沙漠边缘,是公认的“水果优生区带”。近几年,随着该地区枣树种植业的蓬勃发展,逐渐成为新疆红枣的主要种植地区之一。阿拉尔垦区枣树种植面积的获取对兵团农作物决策提供相关数据支撑具有重要的现实意义。使用遥感技术进行枣树面积提取,大幅度降低测算成本的同时,也保证了数据的客观性和准确性。本文以阿拉尔垦区为研究区域,采用Landsat 8为主要数据源,分别针对单时相和时间序列影像研究如何快速高效的提取枣树种植面积,主要研究内容和结论如下:1、基于枣树物候期内的Landsat 8单时相影像,研究阿拉尔垦区枣树种植面积提取方法。获取了2017年枣树生长周期内的9景影像,在对研究区域内的枣树种植面积进行提取之前,为了更好的将枣树与其他作物区分开来,分析枣树和其他作物在同一时期内的光谱特征,选取作物曲线差别较大的影像,然后采用不同监督分类方法对枣树种植面积进行提取。采用随机森林分类方法的效果优于其他分类方法,并且使用枣树成熟期的影像得到的分类结果最好。2、采用枣树生长周期内时间序列的Landsat 8 OLI数据,以新疆阿拉尔市为例,利用动态时间规整算法进行农作物分类识别,探索利用中高分辨率时间序列影像和DTW方法对枣树的识别能力,通过试验分析得到基于NDVI的DTW分类方法精度最高,总体精度为95.23%,分类精度满足用户需求。因此,运用本文提出的时序特征融合的分类方法提取阿拉尔垦区枣树种植面积是可行的。3、利用本研究提出的时序特征融合的分类方法,提取阿拉尔垦区2013年到2018年枣树种植面积。利用多年的数据对该方法进行验证,参考历年统计年鉴,提取得到的枣树种植面积均可达到97%左右,证明该方法可以有效提取研究区域枣树种植面积,对研究农作物种植面积提取提出了新的思路。
付振宇[4]（2021）在《基于改进YOLO的多生长阶段玉米株数获取方法研究》文中指出株数作为玉米生育周期的重要信息,是获取其他农艺性状的基础,利用株数信息能够协助玉米管理从而实现玉米增产增收。为快速准确地获取不同时期玉米植株数量,本文利用无人机采集三个时期的玉米可见光正射影像,构建了基于YOLO（you look only once）算法的玉米植株数量检测模型,设计并实现玉米株数自动化获取系统。以期构建一种高效且精确的玉米监测方式和植株株数获取手段。论文的主要研究内容和结果如下:（1）玉米三个时期的数据预处理和株数检测数据集制作。针对目前数据采集存在的问题,利用无人机采集包含玉米植株的可见光正射影像,之后对采集的三个时期玉米植株影像数据进行分析,根据玉米植株在可见光正射影像的特点,确定适用于目标检测模型学习的主要特征并对数据进行标注,制作了包含三个时期玉米植株影像900幅,含植株数量约30000株的数据集,整理为VOC格式后以便后续分析和研究。（2）基于轻量卷积神经网络的玉米植株检测模型构建与优化。首先从理论上分析了数据集的玉米目标边界框特点,获得目标面积直方图和空间、边界框宽高比分布图,根据数据特点选出备选的改进模块。之后设计了基于轻量特征金字塔的株数检测框架,利用备选改进模块构建出不同检测模型进行消融实验,筛选出最优的玉米植株检测模型结构YOLO-FE2,最后对该模型进一步优化得到最终模型FE-YOLO。经实验测试,该模型的不同时期AP值为:幼苗期为86.40%,成长期为79.06%,成熟期为80.66,三个时期的m AP为82.04%。模型总参数量仅为YOLOv3的17.31%,检测过程的计算量为10.4 GFLOPS,单张影像的平均检测时间为7.8毫秒,在鲁棒性测试中相对于YOLOv3模型的植株识正确率提升了6.79%。实验结果表明,该模型有较高精度和较好鲁棒性,基本满足玉米植株检测和株数获取的要求。（3）基于在线访问的玉米株数自动化获取系统设计与评估。为更好地将本文构建模型的模型应用于实际检测,根据目前株数获取系统存在的问题,设计并构建了一个基于在线访问的株数自动化检测系统,该系统通过微信小程序上传玉米可见光正射影像,传输至远程服务器后进行裁剪,最后对裁剪影像进行识别并返回检测结果。系统评估随机选取三个时期拍摄的正射影像对该系统进行测试,三个时期的识别率分别为:幼苗期识别率为92.76%,成长期为88.36%,成熟期为86.28%,平均正确率为89.42%,实验结果表明,该系统检测植株的精度基本满足实际使用要求。基于构建的FE-YOLO植株检测模型和在线访问株数获取系统组成的玉米植株数量获取流程,由于该流程不直接与玉米接触,无须额外定制设备和人力物力消耗较少,且能够快速高效地获取玉米植株信息和种植密度,具有一定应用价值,能够为玉米的管理和检测提供一定支持。
叶自然[5]（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。
宋蜜[6]（2021）在《基于多目标优化理论的高光谱遥感影像亚像元制图方法研究》文中研究说明随着高光谱遥感的迅速发展,通过影像光谱解译精细地表覆盖已逐渐成为土地利用、环境监测、资源调查、军事侦察等国家需求的重要手段。然而受限于光谱成像仪空间分辨率物理极限以及地物分布复杂多样,高光谱影像普遍存在混合光谱、混合像元,阻碍了高光谱遥感信息提取向精细化、定量化发展。亚像元制图技术是解译混合像元内地物分布,提升制图空间分辨率的一种关键技术,它利用高光谱影像丰富的光谱信息来弥补空间信息的不足,首先通过光谱分解分析混合光谱的组成,可识别混合像元内的亚像元目标地物类别和丰度,然后以丰度图为基础,引入多种空间分布先验信息作为约束,推测亚像元目标在混合像元内部的空间分布。辅助数据例如空间分布模式字典、多偏移影像、长时序影像等都可以为亚像元制图提供具备地学复杂性的空间分布先验模式。然而随着多种先验信息的引入,亚像元制图也产生了以下问题:（1）单影像亚像元制图模型非凸优化困难。传统亚像元制图方法缺乏智能优化体系,面对非凸的亚像元制图模型只能通过凸松弛将制图模型转为凸问题求解,影响了制图模型的准确性;（2）多影像辅助数据的先验信息难以有效融合约束亚像元制图问题。传统亚像元制图方法将多种先验信息加权为单个目标函数作为制图模型,权重参数的确定具有很强的主观性,对于不同的数据、不同的场景需要依据经验调整,而且难以实现先验信息的最优融合。（3）传统时空亚像元制图遵循“先分解后制图”原则,分解和制图过程独立求解,光谱分解的误差会制约亚像元制图模型的可靠性。因此,针对上述问题,本论文开展了基于多目标优化的高光谱遥感影像亚像元制图方法研究,主要研究内容和创新之处如下:（1）系统分析了亚像元制图的欠定逆问题,并详细介绍了为使亚像元制图问题适定化而引入的各种先验信息约束,由此归纳了亚像元制图算法体系。（2）深入分析了多目标优化理论在解决亚像元制图问题上的潜力,并整理了多目标演化算法体系和基本框架。（3）提出非凸稀疏亚像元多目标优化制图方法,构建具有非凸稀疏约束的亚像元制图多目标优化模型,保证了单影像亚像元制图模型的准确性,利用多目标演化算法的全局优化能力,优化求解非凸制图模型的稀疏系数解,提升了亚像元制图方法的智能优化能力。实验验证提出方法总体制图精度较最优对比算法最高提高2.5%。（4）提出多目标时空融合亚像元制图方法和基于全局-局部搜索的多偏移影像亚像元制图方法,将多影像的先验信息约束建模为多个目标函数进行同步优化,利用多目标演化算法的多源信息互补能力,使亚像元制图中多种先验信息约束自适应地融合.设计全局-局部搜索策略增强多目标演化算法在亚像元制图解空间的寻优能力,求解在各种先验信息约束下达到最优平衡的亚像元空间分布图。虽然提出方法总体制图精度较最优对比算法最高仅提高1.6%,但敏感性分析表明所提方法十分稳定,精度浮动在0.3%以内。（5）在多目标优化框架下提出联合分解的亚像元制图方法,突破传统混合像元解译思路,实现了光谱分解和亚像元制图的同步优化,有效提升了分解和制图精度,减小了制图对分解质量的依赖。实验验证提出方法总体制图精度较最优对比算法最高提高3%,同时分解精度提升0.6d B。（6）构建亚像元制图原型系统。基于系统测试分析了本论文所提方法的适用场景和优先选择依据。
魏瑶[7]（2021）在《基于深度学习的高分辨率遥感影像道路提取研究》文中认为准确的道路地图在诸多应用中十分重要。大数据时代,遥感技术的发展为道路提取带来了机遇与挑战。由于道路本身及背景环境的复杂性,传统基于经验设计特征的提取方法在精度和效率方面难以满足实际需要。近年来,以卷积神经网络为代表的深度学习在遥感领域的应用中展现出强大的潜力,为道路提取提供了新的机遇。本文追踪国内外遥感与计算机视觉在深度学习领域的最新研究成果,关注基于深度学习的高分辨率遥感影像道路提取,包括用于道路语义分割和拓扑追踪的全监督学习方法和用于道路路面提取的弱监督学习方法。首先,考虑到道路提取研究领域中主流的深度学习方法尚有不足,尤其是在道路提取的拓扑连通性与完整性上有待改善。本文提出一种结合语义分割和拓扑追踪的道路提取算法,基于多个不同的卷积神经网络实现道路路面和道路中心线的同时提取。该算法采用多阶段框架,包括道路提升分割、道路多起点追踪、以及二者的融合,旨在提高道路提取的拓扑连通性和完整性。在道路分割方面,该算法比仅利用语义分割的先进算法高7%的连通性;在道路中心线提取方面,该算法比仅利用拓扑追踪的先进算法高40%的完整性。其次,考虑到现有大多数道路提取算法都采用全监督学习,依赖于大量人工标注数据,这与自动化提取道路的目标仍有差距。由于道路路面数据的标注工作费时费力,而类似道路中心线的线状数据相比之下更易获取。本文借鉴弱监督学习在计算机视觉领域的进展,提出一种基于弱监督深度学习的道路路面提取算法。该算法利用道路属性与超像素图割,由线状弱标签生成道路分割代理标签,随后利用分割代理标签和辅助的边缘先验信息来训练用于路面分割的双分支网络。该算法与经典的线状弱监督学习算法相比Io U提高20%,还超出了最新的相关研究工作4%,它能够从稀疏的线状弱标签中学习,而不再需要密集标注的道路路面标签,是自动化道路提取研究的重要一步。本文提出的创新性方法有望促进道路提取智能化与自动化水平的提高,具有很好的理论研究和实际应用前景。
鲍宽乐[8]（2021）在《基于FY-3/MERSI数据全球陆表水体产品制作方法研究》文中研究表明气象卫星在进行环境监测中发挥重要作用,中国的风云系列气象卫星自开始研发至今51年以来为中国气象预报和自然灾害监测发挥了重要作用,新一代的极轨卫星能够全天候开展全球范围内数据获取任务,对于及时开展全球变化研究发挥重要作用。目前,国内关于全球陆表水体提取工作的开展还有待进一步开发,率先利用风云卫星MERSI 250米分辨率数据进行全球陆表水体提取工作,对利用该卫星数据进行全球变化研究和其他系列产品制作具有重要的参考意义。本论文以数据量极大、数据时间分辨率高、全球范围内分布的FY-3D/MERSI数据为基础。开展了基于MERSI数据的基本处理方法研究和对应的全球数据处理和生成实验。在研究遥感数据进行陆表水体信息提取的各种方法的基础上,开展了MERSI数据基于自适应单波段阈值和自适应归一化水体指数阈值法的水体提取研究。重点对机器学习中集成方法的极限随机树（Extre Trees）、随机森林（Random Forest）、自适应增强法（Adaboosting）和提升梯度随机树（Gradient Boosting）进行研究和水体提取实验。在对深度神经网络进行学习和模型改善后,采用该改进的方法开展全球范围水体样方的水体提取实验,利用2020年全球范围部分时间段数据,进行特定区域的水体提取,利用全年数据开展在中国南方长江流域对应水体提取和分析实验。本论文进行的针对FY-3D/MERSI数据的研究内容和实验结果如下:（1）针对全球范围内不同气候区及地表覆盖类型,结合柯本气候区划分和30米全球陆表覆盖FROM-GLC数据开展了全球陆表水体提取实验样方的选定工作,共选取139个样方数据,在此基础上,对每个样方按照多个时间段进行数据的筛选,进一步开展逐个样方水体样本的采集,共计获取全球水体样本226689个,非水体样本760215个。（2）在利用多种水体提取方法进行实验的基础上,重点开展集成学习的四种机器学习方法研究,利用对应的模型评价指标开展对应的分析工作,并用各类模型对全球陆表水体提取样方进行提取。在对深度神经网络进行学习研究的基础上搭建适宜于水体样本训练的DNN模型,并针对MERSI数据水体样本特征进行对应的改进和转换,开展全球样方的水体提取实验,各类方法进行结果对比和精度评价后,认为机器学习方法中极限随机树方法精度最高,达到98.71%,深度神经网络方法精度为97.68%,但对于部分细小流域的水体提取中效果最好。（3）基于风云基本处理和转换获取20天全球数据和全年中国南方长江流域MERSI数据后,利用深度神经网络开展水体提取工作,获得2020年中国南方长江流域每月水体频数分布图,并进行对应的分析讨论。
周瑜[9]（2020）在《基于李代数的高分辨率卫星遥感影像定位理论与方法研究》文中指出随着航天遥感技术的不断发展,高分辨率对地观测系统逐渐从专用大平台向通用小平台过渡、从单星观测向多星组网融合探测发展、从地面专业处理向星上实时处理迈进,高分辨率卫星遥感影像应用对数据处理的通用性、时效性、及高精度提出了新的要求。论文引入李代数以解决高分辨率卫星遥感影像几何定位面临的问题,重点研究了基于李代数的卫星遥感影像几何定位相关问题,研究成果丰富和拓展了当前卫星遥感影像定位理论和方法,且具有实用性。论文主要工作:1、深入分析高分辨率对地观测系统高精度定位相关理论和技术发展现状,针对经典欧拉角和四元数表征线阵卫星影像姿态,在数据处理中存在的问题,提出将李代数应用于高分辨率卫星遥感影像姿态表征,建立基于李代数的几何定位理论与方法体系。2、提出高分辨率卫星遥感影像基于李代数的外方位元素表征与建模、共线条件方程线性化、线性插值外方位元素建模以及线性插值的共线条件方程线性化等基础算法模型和数值计算方法。模拟和实际数据的验证结果表明:李代数姿态插值相较于欧拉角和四元数姿态插值,精度高且插值结果完整平滑;三者后方交会计算精度一致,但李代数计算效率提升明显;从而验证了用李代数表征航天线阵摄影测量外方位姿态的可行性。3、提出基于李代数姿态表征的遥感影像严格成像模型,给出线阵卫星任意扫描行影像李代数姿态的插值方法;建立李代数姿态表征下对地直接定位时,地面目标与卫星影像之间成像几何关系;构建基于李代数的单幅影像定位、立体影像定位、多条带影像定位模型。利用天绘一号卫星位于平原、丘陵和高山地三种地形数据对李代数立体几何定位进行了精度验证,结果表明:相较于经典欧拉角表征,李代数立体定位精度更高、稳定性更好,且实用性较强。4、提出基于李代数的高分辨率卫星影像无控区域网平差模型和方法,建立了李代数姿态表征的EFP法和轨道分段多项式拟合法的区域网平差模型。通过天绘一号01星和03星位于我国西南地区的实际数据验证,结果表明:相较于经典欧拉角表征,基于李代数的区域网平差在系统误差探测上更灵敏,且在两种平差模型下都能实现定位精度提升,效率提升较为明显。5、提出基于HEIV模型的RPC参数求解方法。该方法针对RPC参数估计问题中设计矩阵元素含不等精度噪声和常规平差方法含有系统偏差难题,平差准则采用马氏距离最小,平差方法采用总体最小二乘,建立了新的RPC参数求解模型。天绘一号卫星位于不同区域的三种典型地形实际数据验证表明:该方法相较于现有的直接最小二乘法、L曲线岭估计最小二乘法及截断SVD估计法在影像纠正精度上优势明显,能显着提高RPC参数估计精度。6、提出基于卫星影像数据和RPC参数反求卫星成像时刻内方位元素、轨道、姿态等严格成像模型参数的方法。该方法可在不需要初始值情况下,利用卫星影像和RPC参数解算得到卫星影像区域相应的成像时刻内外方位元素,实现有理函数模型反求严格成像模型,打通了严格成像模型和有理函数模型相互转化关键环节。天绘一号01星多景数据反求实验表明:该方法具有良好的实用性,外方位线元素最大残差0.96米、角元素最大残差0.95角秒,内方位残差最大0.42像素,为实现有理函数模型的长条带平差、少控/无控高精度定位、多传感器联合处理提供了新途径。
彭卫平[10]（2020）在《高速铁路轨道近景影像多度匹配与误差处理方法》文中研究表明近景摄影测量轨道检测技术采用无接触式测量,具有测量速度较快、操作简便和数据存储方便等优点,能显着提高轨道静态平顺性检测效率,但是,这种检测方法目前仍处于探索阶段,存在一些问题亟待解决。高速铁路轨道区域网通常呈带状分布,测区跨度大,可靠性较差,里程长的轨道测区解算精度较差;此外,目前基于灰度匹配的同轨三度点数量较少且存在较多的误匹配情况,且缺乏针对轨道影像同名点的粗差剔除方法。本文从影像同名点匹配、同名点误差剔除和平差解算三个方面对近景摄影测量轨道检测技术进行了优化。影像同名点匹配方面,在匹配二度同名点基础上,进一步获取影像多度同名点;对于匹配的同名点存在的误差,采用粗剔除和精剔除的方法逐步处理,获取纯净的影像联系点;采用本文方法获取的影像联系点数据参与轨道长度为120 m和240 m的自检校光束法平差解算。为提高轨道近景摄影测量的精度和可靠性,本文所做的研究内容如下:（1）探索了一种影像多度同名点获取方法。针对铁路轨道纹理重复和控制点稀疏的问题,在影像重叠区域进行格网化,在利用ORB算法匹配大量影像二度同名点的基础上,根据基准影像的轨道号、像片号和像点坐标值等信息,在多幅参考影像上搜索并记录,获得同轨三度同名点和邻轨多度同名点。实验结果表明,获取的多度同名点数量多且均匀分布,有效增强了轨道影像间的连接性,为后续影像平差解算提供了良好的数据基础。（2）引入由粗到精的铁路轨道近景影像同名点的误差处理方法。针对铁路轨道近景影像具有高相似度,造成同名点存在多种误匹配情况的问题,首先在去除重复记录的同名点和杆上同名点的基础上,再基于像点-物点匹配偏差去除大粗差点,最后均匀选取联系点参与平差解算,根据残差和权值进行循环剔点,获得纯净的联系点。实验结果表明,误差处理后平差解算的单位中误差小于三分之一个像素值,获取的联系点不存在粗差,验证了本文同名点误差处理方法的有效性。（3）进行自检校光束法平差解算实验。采用获取的联系点与其他已知数据对长度为120 m和240 m的轨道区域进行平差解算。实验结果表明,里程240 m轨道解算的检核点精度在X、Y和Z三个方向上分别达到了1.3 mm、0.7 mm和2.0 mm,同时摄影中心高程波动情况与已有控制点的高程变化趋势一致,左右轨道摄影中心距离保持不变,有效验证了引入多度同名点有利于提高铁路轨道区域平差解算结果的可靠性。
二、基于单幅影像的多个相似目标的识别与定位（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、基于单幅影像的多个相似目标的识别与定位（论文提纲范文）
（1）基于多源无人机精细遥感数据的滇西北亚热带森林树种分类及生物量反演（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 研究背景和选题意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感数据源的概述 |
| 1.2.2 单木分割研究概述 |
| 1.2.3 树种分类研究概述 |
| 1.2.4 森林地上生物量估算的研究概述 |
| 1.3 研究目的 |
| 2 研究区概况和研究内容 |
| 2.1 研究概况 |
| 2.1.1 自然地理状况 |
| 2.1.2 森林资源状态 |
| 2.2 研究内容 |
| 3 数据的获取和预处理 |
| 3.1 数据获取 |
| 3.1.1 地面调查数据 |
| 3.1.2 无人机数据获取 |
| 3.2 数据预处理 |
| 3.2.1 影像数据预处理 |
| 3.2.2 点云数据预处理 |
| 3.3 本章小结 |
| 4 基于无人机多源遥感数据的滇西北亚热带优势树种分类 |
| 4.1 单木分割及其精度验证 |
| 4.1.1 基于不同数据的单木分割方法 |
| 4.1.2 敏感性分析 |
| 4.1.3 单木分割精度验证 |
| 4.2 特征提取 |
| 4.2.1 影像特征提取 |
| 4.2.2 点云特征提取 |
| 4.3 随机森林分类及精度验证 |
| 4.4 结果与分析 |
| 4.4.1 敏感性分析结果 |
| 4.4.2 单木分割结果 |
| 4.4.3 特征分析 |
| 4.4.4 优势树种分类结果及其精度评估 |
| 4.5 本章小结 |
| 5.基于无人机多源遥感数据的滇西北亚热带林AGB反演 |
| 5.1 数据准备 |
| 5.2 给予DAP点云的树高提取和准确度验证 |
| 5.3 样地单木生物量计算 |
| 5.4 样地地上生物量反演及模型验证 |
| 5.4.1 特征变量提取及优化 |
| 5.4.2 地上生物量建模 |
| 5.4.3 模型精度验证 |
| 5.5 结果和分析 |
| 5.5.1 优选DAP点云结果 |
| 5.5.2 地上生物量模型及精度评估 |
| 5.6 本章小结 |
| 6 讨论与结论 |
| 6.1 结论 |
| 6.2 研究发现 |
| 6.3 讨论与展望 |
| 攻读学位期间发表的学术论文 |
| 参考文献 |
（2）无人机低空遥感影像特征匹配算法研究（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 遥感影像匹配 |
| 1.2.2 低空遥感影像匹配存在的问题 |
| 1.3 本文研究内容和组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第2章 无人机低空遥感影像预处理 |
| 2.1 摄影测量理论基础 |
| 2.1.1 坐标系统 |
| 2.1.2 坐标转换与共线方程 |
| 2.1.3 空中三角测量 |
| 2.2 无人机低空遥感影像误差分析及质量评价 |
| 2.2.1 无人机低空遥感影像误差来源 |
| 2.2.2 影像质量评价 |
| 2.3 影像预处理 |
| 2.3.1 几何畸变校正 |
| 2.3.2 图像增强 |
| 2.3.3 影像预处理实验 |
| 2.4 本章小结 |
| 第3章 基于点特征的影像匹配算法 |
| 3.1 影像匹配基本理论 |
| 3.1.1 影像匹配原理 |
| 3.1.2 图像变换模型 |
| 3.1.3 影像匹配的关键要素 |
| 3.2 基于点特征的影像匹配 |
| 3.2.1 图像特征分类 |
| 3.2.2 特征匹配方法 |
| 3.2.3 约束条件 |
| 3.3 常用的影像匹配算法 |
| 3.3.1 SIFT算法简述 |
| 3.3.2 SURF算法简述 |
| 3.3.3 ORB算法 |
| 3.3.4 AKAZE算法 |
| 3.4 算法稳定性对比评价 |
| 3.4.1 评价指标 |
| 3.4.2 实验影像 |
| 3.4.3 常用特征点匹配算法对比实验 |
| 3.4.4 稳定性评价实验 |
| 3.5 本章小结 |
| 第4章 基于优化SIFT-OCT算法的无人机影像匹配 |
| 4.1 传统SIFT-OCT算法 |
| 4.1.1 SIFT算法流程 |
| 4.1.2 SIFT-OCT算法 |
| 4.2 优化SIFT-OCT算法 |
| 4.2.1 特征点提取 |
| 4.2.2 特征点匹配 |
| 4.3 相似性系数有效性分析 |
| 4.3.1 匹配点相似性数量分布 |
| 4.3.2 相似性系数相关关系 |
| 4.4 优化SIFT-OCT算法实验 |
| 4.5 本章小结 |
| 第5章 一种均匀分布匹配点的无人机低空影像匹配方法 |
| 5.1 传统SURF算法 |
| 5.1.1 构建尺度空间 |
| 5.1.2 特征检测 |
| 5.1.3 特征点描述 |
| 5.2 U U-SURF算法 |
| 5.2.1 U U-SURF特征提取 |
| 5.2.2 U U-SURF特征描述 |
| 5.2.3 U U-SURF特征匹配 |
| 5.2.4 影像匹配精度 |
| 5.3 仿真实验及结果 |
| 5.3.1 实验数据 |
| 5.3.2 U-SURF 算法与SURF 算法对比结果 |
| 5.3.3 U U-SURF算法影像匹配结果 |
| 5.3.4 U U-SURF算法影像匹配对比结果 |
| 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 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于时序卫星遥感图像的枣树种植面积提取技术研究（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 遥感技术的作物面积提取的研究进展 |
| 1.2.2 基于时间序列特征的作物信息提取 |
| 1.3 研究内容 |
| 第2章 研究区概况及数据 |
| 2.1 研究区简介 |
| 2.2 遥感数据及预处理 |
| 2.2.1 数据来源及介绍 |
| 2.2.2 数据预处理 |
| 2.3 构建时间序列数据集 |
| 2.3.1 NDVI时序特征数据集 |
| 2.3.2 EVI时序特征数据集 |
| 2.3.3 PCA1 时序特征数据集 |
| 2.4 样本点数据 |
| 2.5 本章小结 |
| 第3章 单时相遥感数据枣树种植面积提取 |
| 3.1 概述 |
| 3.2 分类器选取 |
| 3.2.1 随机森林分类 |
| 3.2.2 支持向量机 |
| 3.2.3 最大似然分类 |
| 3.3 研究思路 |
| 3.4 本章小结 |
| 第4章 时间序列影像的枣树种植面积提取 |
| 4.1 标准时序曲线生成 |
| 4.2 动态时间规整算法 |
| 4.3 时序统计参数计算 |
| 4.4 实验设计 |
| 4.5 本章小结 |
| 第5章 分类结果与分析 |
| 5.1 精度评价指标 |
| 5.2 单一时相分类结果分析 |
| 5.3 时序影像分类结果分析 |
| 5.3.1 标准时序曲线生成分析 |
| 5.3.2 时序曲线隶属度图 |
| 5.3.3 分类结果分析 |
| 5.4 多年枣树种植面积提取 |
| 5.5 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 |
（4）基于改进YOLO的多生长阶段玉米株数获取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 植株数量获取研究现状 |
| 1.2.2 目标检测技术研究现状 |
| 1.2.3 存在问题与不足 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 论文组织结构 |
| 第二章 相关理论基础与数据集构建 |
| 2.1 数据相关理论基础 |
| 2.1.1 无人机遥感技术 |
| 2.1.2 可见光正射影像 |
| 2.2 株数获取方法与相关技术 |
| 2.2.1 目标检测常见模型 |
| 2.2.2 YOLO目标检测算法框架 |
| 2.2.3 模型改进常见方法 |
| 2.2.4 株数和密度估算方法 |
| 2.2.5 实验评价指标 |
| 2.3 系统设计相关技术 |
| 2.4 研究区域与数据准备 |
| 2.4.1 研究区域简介 |
| 2.4.2 数据采集与预处理 |
| 2.4.3 时期特征确定与数据制作 |
| 2.4.4 数据增强与扩充 |
| 2.5 章节小结 |
| 第三章 株数获取模型构建与评估 |
| 3.1 实验流程 |
| 3.2 数据分析 |
| 3.3 植株检测模型构建 |
| 3.3.1 检测模型设计 |
| 3.3.2 检测模型构建 |
| 3.3.3 检测模型改进 |
| 3.4 实验结果与评估 |
| 3.4.1 模型定量对比与分析 |
| 3.4.2 模型定性对比与分析 |
| 3.4.3 玉米种植密度估算结果 |
| 3.5 章节小结 |
| 第四章 株数获取系统构建与评估 |
| 4.1 系统分析 |
| 4.2 系统设计 |
| 4.2.1 系统总体设计 |
| 4.2.2 模块逻辑设计 |
| 4.3 系统实现与评估 |
| 4.3.1 系统实现 |
| 4.3.2 系统评估 |
| 4.4 章节小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（5）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 |
（6）基于多目标优化理论的高光谱遥感影像亚像元制图方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 英文缩略词索引 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 亚像元制图的研究现状 |
| 1.2.1 亚像元制图研究的难点问题 |
| 1.3 多目标优化理论在亚像元制图中的应用潜力 |
| 1.4 本论文的研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 1.5 本章小结 |
| 2 亚像元制图和多目标优化概述 |
| 2.1 亚像元制图基本理论与方法 |
| 2.1.1 混合像元光谱分解 |
| 2.1.2 亚像元制图基本方法 |
| 2.1.2.1 基于空间吸引力模型的单影像亚像元制图方法 |
| 2.1.2.2 基于最大后验概率模型的单影像亚像元制图方法 |
| 2.1.2.3 基于稀疏表达的单影像亚像元制图方法 |
| 2.1.2.4 多时相影像辅助的时空谱融合亚像元制图方法 |
| 2.1.2.5 多偏移影像辅助的亚像元制图方法 |
| 2.2 多目标优化基本理论与方法 |
| 2.2.1 多目标优化问题 |
| 2.2.2 多目标演化算法概述 |
| 2.2.2.1 演化算法 |
| 2.2.2.2 多目标演化算法基本流程 |
| 2.2.2.3 多目标演化算法体系 |
| 2.2.3 典型多目标演化算法 |
| 2.2.3.1 快速非占优排序遗传算法NSGA-II |
| 2.2.3.2 基于分解的多目标进化算法MOEA/D |
| 2.3 本章小结 |
| 3 单影像非凸稀疏亚像元多目标优化制图 |
| 3.1 稀疏亚像元制图多目标优化问题建模 |
| 3.2 基于多目标演化算法的稀疏亚像元制图模型求解 |
| 3.2.1 K-SVD空间分布模式字典学习 |
| 3.2.2 亚像元制图稀疏系数编码 |
| 3.2.3 最优稀疏系数求解 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设计 |
| 3.3.2 精度指标 |
| 3.3.3 实验结果 |
| 3.3.4 敏感度分析 |
| 3.3.5 计算复杂度分析 |
| 3.4 本章小结 |
| 4 基于多目标优化的多影像最优融合亚像元制图 |
| 4.1 多目标时空融合亚像元制图方法 |
| 4.1.1 时空初融合 |
| 4.1.2 时空融合亚像元制图的多目标优化问题建模 |
| 4.1.3 时空融合亚像元制图多目标优化模型求解 |
| 4.1.4 实验结果与分析 |
| 4.2 基于全局-局部搜索的多偏移影像亚像元制图 |
| 4.2.1 多偏移影像亚像元制图的多目标优化问题建模 |
| 4.2.2 多偏移影像亚像元制图多目标优化模型求解 |
| 4.2.3 实验结果与分析 |
| 4.3 本章小结 |
| 5 基于多目标优化的联合分解亚像元制图 |
| 5.1 联合分解的亚像元制图模型 |
| 5.2 基于多目标优化的联合分解亚像元制图算法 |
| 5.2.1 分解制图一体化编码 |
| 5.2.2 基于多目标优化的分解制图同步优化 |
| 5.3 实验结果与分析 |
| 5.3.1 实验结果 |
| 5.3.2 敏感度分析 |
| 5.4 本章小结 |
| 6 亚像元制图原型系统 |
| 6.1 系统架构设计 |
| 6.2 系统方法对比 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（7）基于深度学习的高分辨率遥感影像道路提取研究（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 |
| 1.4 论文章节安排 |
| 第2章 深度学习基础理论与技术 |
| 2.1 卷积神经网络 |
| 2.2 全卷积神经网络 |
| 2.3 集成学习 |
| 2.4 弱监督学习 |
| 2.5 本章小结 |
| 第3章 道路提取实验准备 |
| 3.1 数据 |
| 3.2 性能评估 |
| 3.3 本章小结 |
| 第4章 结合语义分割和拓扑追踪的道路提取算法 |
| 4.1 引言 |
| 4.2 基于全卷积神经网络的道路提升分割 |
| 4.3 基于卷积神经网络的道路多起点追踪 |
| 4.4 道路分割和追踪的融合 |
| 4.5 实验分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于弱监督深度学习的道路路面提取算法 |
| 5.1 引言 |
| 5.2 基于缓冲区推理和超像素图割的道路标签传播 |
| 5.3 用于弱监督道路分割的边缘感知双分支网络 |
| 5.4 实验分析与讨论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间主要成果 |
| 致谢 |
（8）基于FY-3/MERSI数据全球陆表水体产品制作方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 水体提取研究与风云卫星数据利用现状 |
| 1.2.1 水体提取方法 |
| 1.2.2 水体提取产品 |
| 1.2.3 风云卫星数据利用现状 |
| 1.3 本论文的结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文创新之处 |
| 1.5 论文组织结构 |
| 第二章 风云卫星MERSI数据处理 |
| 2.1 风云系列卫星及MERSI数据介绍 |
| 2.2 风云系列卫星MERSI数据产品研究 |
| 2.3 风云MERSI数据获取与处理 |
| 2.3.1 FY-3D/MERSI数据的获取 |
| 2.3.2 FY-3D/MERSI数据预处理 |
| 2.3.3 FY-3D MERSI数据其他处理 |
| 2.4 本章小结 |
| 第三章 全球陆表水体提取样本选取 |
| 3.1 全球验证样方选定与数据获取 |
| 3.1.1 柯本气候区划分 |
| 3.1.2 高精度全球土地覆盖监测数据 |
| 3.1.3 全球陆表水体区样方的选定 |
| 3.1.4 全球样方MERSI数据获取 |
| 3.2 风云卫星MERSI数据水体样本提取 |
| 3.2.1 水体样本选定中的主要干扰及排除方法 |
| 3.2.2 水体样本选择 |
| 3.3 本章小结 |
| 第四章 水体提取算法研究 |
| 4.1 FY-3D/MERSI数据波谱特征 |
| 4.1.1 水体数据波谱特征 |
| 4.1.2 其他地物波谱特征 |
| 4.2 单波段阈值法与水体指数提取方法研究 |
| 4.2.1 单波段阈值法水体提取 |
| 4.2.2 水体指数法水体提取 |
| 4.3 机器学习方法水体提取研究 |
| 4.3.1 ADABOOSTING |
| 4.3.2 EXTRETREES |
| 4.3.3 GRADIENTBOOSTING |
| 4.3.4 RANDOMFOREST |
| 4.4 深度神经网络(DNN)方法水体提取研究 |
| 4.4.1 深度神经网络方法基本原理 |
| 4.4.2 深度神经网络搭建 |
| 4.4.3 基于MERSI数据的深度神经网络方法水体提取性能改进 |
| 4.5 本章小结 |
| 第五章 陆表水体信息提取结果分析及应用 |
| 5.1 水体提取结果 |
| 5.1.1 基于单波段阈值法和水体指数法结果分析 |
| 5.1.2 基于机器学习方法全球陆表水体提取结果分析 |
| 5.1.3 基于深度神经网络方法全球陆表水体提取结果分析 |
| 5.2 模型评价与精度验证 |
| 5.2.1 机器学习模型评价 |
| 5.2.2 深度学习模型评价 |
| 5.2.3 精度验证 |
| 5.3 FY-3D/MERSI数据全球陆表水体信息提取应用 |
| 5.3.1 全球陆表水体信息产品 |
| 5.3.2 非洲地区陆表水体信息提取 |
| 5.3.3 中国南方地区陆表水体提取 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 附录 |
| 附录1-1 全球样方快视图1 |
| 附录1-2 全球样方快视图2 |
| 附录1-3 全球样方快视图3 |
| 附录2-1 全球样方机器学习法结果快视图1 |
| 附录2-2 全球样方机器学习法结果快视图2 |
| 附录2-3 全球样方机器学习法结果快视图3 |
| 附录3-1 全球样方DNN法结果快视图1 |
| 附录3-2 全球样方DNN法结果快视图2 |
| 附录3-3 全球样方DNN法结果快视图3 |
| 附录4-1 2020年5月1 日-20 日全球陆表可观测水体1 |
| 附录4-2 2020年5月1 日-20 日全球陆表可观测水体2 |
| 附录4-3 2020年5月1 日-20 日全球陆表可观测水体3 |
| 附录4-4 2020年5月1 日-20 日全球陆表可观测水体4 |
| 附录5 全球陆表水体信息提取样方信息表 |
（9）基于李代数的高分辨率卫星遥感影像定位理论与方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高分辨率对地观测系统发展现状 |
| 1.2.2 高分对地观测几何定位技术现状 |
| 1.2.3 李代数在高分对地观测定位应用现状 |
| 1.2.4 技术难点与现有研究的不足 |
| 1.3 研究的主要内容及章节安排 |
| 1.3.1 研究主要内容 |
| 1.3.2 论文章节安排 |
| 第二章 李代数基础及基于李代数的外方位建模 |
| 2.1 李代数基础 |
| 2.1.1 李群/李代数定义 |
| 2.1.2 李群基本概念及其运算性质 |
| 2.1.3 李群表达的三维旋转 |
| 2.1.4 李代数求导与扰动模型 |
| 2.1.5 李代数插值方法 |
| 2.2 李代数姿态微分的共线条件方程线性化 |
| 2.2.1 李代数姿态表征的线阵影像外方位元素构建 |
| 2.2.2 李代数姿态微分的线阵影像共线条件方程线性化 |
| 2.3 基于李代数姿态线性插值的线阵影像外方位建模 |
| 2.3.1 基于线性插值的外方位元素建模 |
| 2.3.2 姿态李代数分段多项式模型的共线条件方程线性化 |
| 2.4 实验分析 |
| 2.4.1 李代数姿态插值分析 |
| 2.4.2 基于李代数的空间后方交会 |
| 2.5 本章小结 |
| 第三章 星载线阵传感器成像几何模型构建 |
| 3.1 坐标系定义 |
| 3.1.1 像方空间坐标系 |
| 3.1.2 平台坐标系 |
| 3.1.3 物方坐标系 |
| 3.2 坐标系之间的转化关系 |
| 3.3 卫星严格成像模型建立 |
| 3.4 本章小结 |
| 第四章 基于李代数的高分辨率卫星影像立体定位 |
| 4.1 星历和姿态数据的内插 |
| 4.1.1 卫星星历数据内插 |
| 4.1.2 姿态李代数内插 |
| 4.2 基于李代数的卫星影像定位 |
| 4.2.1 基本思路 |
| 4.2.2 单幅影像定位 |
| 4.2.3 立体影像定位 |
| 4.2.4 多幅影像前方交会定位 |
| 4.3 高分辨率遥感影像的李代数定位 |
| 4.3.1 李代数定位与传统定位方法的区别 |
| 4.3.2 基于李代数微分方程的外方位元素求解 |
| 4.3.3 基于李代数线性插值的外方位元素求解 |
| 4.4 基于李代数的高分辨率遥感卫星影像立体定位 |
| 4.5 实验分析 |
| 4.5.1 数据选取及实验方法 |
| 4.5.2 北京山东测区实验情况 |
| 4.5.3 江西广东测区实验情况 |
| 4.5.4 重庆测区实验情况 |
| 4.6 本章小结 |
| 第五章 基于李代数的高分辨率卫星影像无控区域网平差 |
| 5.1 区域网平差基本原理 |
| 5.2 外方位元素模型及误差方程式建立 |
| 5.3 基于李代数的区域网平差模型 |
| 5.3.1 基于EFP模型的区域网平差 |
| 5.3.2 基于分段多项式拟合的区域网平差 |
| 5.4 区域网平差精度验证 |
| 5.4.1 理论分析法 |
| 5.4.2 实验分析法 |
| 5.5 实验分析 |
| 5.5.1 基于EFP的李代数区域网平差 |
| 5.5.2 基于分段多项式拟合的李代数区域网平差 |
| 5.6 本章小结 |
| 第六章 基于李代数的RPC参数生成与严格成像模型反求 |
| 6.1 基于李代数的RPC参数生成方法 |
| 6.1.1 线阵卫星影像严格成像模型建立 |
| 6.1.2 RPC参数模型构建 |
| 6.1.3 基于李代数RPC参数生成 |
| 6.1.4 RPC模型及常用解算方法 |
| 6.1.5 RPC参数的HEIV估计方法 |
| 6.2 有理函数模型反求严格成像模型 |
| 6.2.1 有理函数和严格成像基本模型 |
| 6.2.2 有理函数模型下摄影光线的位置和定向 |
| 6.2.3 内外方位元素具体计算 |
| 6.3 实验与分析 |
| 6.3.1 基于HEIV的 RPC参数解算技术 |
| 6.3.2 有理函数模型反求严格成像模型 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 论文创新与贡献 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）高速铁路轨道近景影像多度匹配与误差处理方法（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 轨道检测方法 |
| 1.2.2 影像匹配方法 |
| 1.2.3 粗差剔除方法 |
| 1.3 论文主要研究工作 |
| 1.4 论文的组织结构 |
| 第2章 轨道近景摄影测量数据处理基础 |
| 2.1 轨道近景摄影测量简介 |
| 2.1.1 轨道近景影像采集 |
| 2.1.2 轨道影像数据及特点 |
| 2.2 近景摄影测量基本理论 |
| 2.2.1 常用坐标系 |
| 2.2.2 内外方位元素 |
| 2.2.3 中心投影构像方程 |
| 2.2.4 多基线摄影测量 |
| 2.3 影像数据处理基础 |
| 2.3.1 影像匹配 |
| 2.3.2 误匹配剔除 |
| 2.3.3 光束法平差 |
| 2.4 本章小结 |
| 第3章 铁路轨道近景影像多度匹配 |
| 3.1 同名点匹配 |
| 3.1.1 ORB算法 |
| 3.1.2 相似性度量 |
| 3.2 铁路轨道影像多度匹配 |
| 3.2.1 基准影像选取 |
| 3.2.2 影像格网化 |
| 3.2.3 多度同名点匹配 |
| 3.3 实验结果与分析 |
| 3.3.1 数据概况 |
| 3.3.2 二度同名点匹配结果与分析 |
| 3.3.3 多度同名点匹配结果与分析 |
| 3.3.4 有砟轨道影像实验 |
| 3.4 本章小结 |
| 第4章 影像同名点的匹配误差处理方法 |
| 4.1 同名点匹配误差 |
| 4.2 同名点匹配误差剔除 |
| 4.2.1 粗差粗剔除 |
| 4.2.2 基于像方-物方坐标偏差精剔除 |
| 4.2.3 联系点匹配粗差剔除 |
| 4.3 实验结果与分析 |
| 4.3.1 同名点匹配粗差剔除结果与分析 |
| 4.3.2 联系点匹配粗差剔除结果与分析 |
| 4.4 本章小结 |
| 第5章 轨道影像自检校光束法平差 |
| 5.1 自检校光束法平差 |
| 5.1.1 系统误差 |
| 5.1.2 自检校光束法平差模型 |
| 5.1.3 解算过程 |
| 5.1.4 精度评价指标 |
| 5.2 实验结果与分析 |
| 5.2.1 轨道影像解算基础数据 |
| 5.2.2 120m轨道实验结果与分析 |
| 5.2.3 240m轨道实验结果与分析 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
四、基于单幅影像的多个相似目标的识别与定位（论文参考文献）
- [1]基于多源无人机精细遥感数据的滇西北亚热带森林树种分类及生物量反演[D]. 徐仲. 南京林业大学, 2021(02)
- [2]无人机低空遥感影像特征匹配算法研究[D]. 王亮亮. 太原理工大学, 2021(01)
- [3]基于时序卫星遥感图像的枣树种植面积提取技术研究[D]. 安霞. 塔里木大学, 2021(08)
- [4]基于改进YOLO的多生长阶段玉米株数获取方法研究[D]. 付振宇. 西北农林科技大学, 2021
- [5]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)
- [6]基于多目标优化理论的高光谱遥感影像亚像元制图方法研究[D]. 宋蜜. 武汉大学, 2021(02)
- [7]基于深度学习的高分辨率遥感影像道路提取研究[D]. 魏瑶. 武汉大学, 2021(12)
- [8]基于FY-3/MERSI数据全球陆表水体产品制作方法研究[D]. 鲍宽乐. 电子科技大学, 2021(01)
- [9]基于李代数的高分辨率卫星遥感影像定位理论与方法研究[D]. 周瑜. 战略支援部队信息工程大学, 2020(03)
- [10]高速铁路轨道近景影像多度匹配与误差处理方法[D]. 彭卫平. 西南交通大学, 2020(07)