一、数学形态学在遥感图像边缘检测中的应用（论文文献综述）
陈顺[1]（2021）在《几种类型图像边缘检测的相关问题研究》文中认为近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT（非下采样轮廓波变换）分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
刘雨菡[2]（2021）在《对地观测红外成像虚警源检测方法研究》文中提出随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
陈亦晨[3]（2020）在《基于高分遥感的农田生态系统信息提取方法研究》文中研究说明在环境质量与生态系统服务的评价中,农田生态系统的空间分布、类型组成以及覆盖度等均是极为重要的指标,对与农田生态系统相关的信息进行科学地估算、有效地提取是精准农业建设的基础。在时代发展的同时,各项科学技术也有了长足的进步,这其中遥感技术的发展为与农田生态系统相关信息的提取创造了良好的条件。但是,由于农田生态系统形体与自然环境相结合,导致其背景复杂、组成方式丰富,过去以中、低分辨率遥感影像为基础的信息提取手段存在着明显的弊端,可能会遇到异物同谱或是同物异谱的问题。高分遥感影像可以提取更为丰富、全面、准确的信息,如上下文、纹理、形状以及光谱信息等,综合运用此类特征信息可以明显提高结果的精度,获得更为可靠、准确的农田生态系统信息。传统的以光谱信息为基础的中、低分影像信息提取技术对高分影像的适用性较差,无法满足实际的使用需求,所以本研究基于遥感的空间与光谱特征,对图谱特征进行深入地挖掘与分析,以期构建一种可以协同利用图谱信息的研究模型,通过有效的分类提高信息提取的精度,从而有效促进精准农业的发展,并为生态环境的监管提供便利。本文研究的主要内容与创新点如下:（1）分别对基于Canny算子的边缘检测方法、基于最大类间差Ostu阈值处理的分割方法与多尺度的高分遥感影像分割方法展开研究,并在多尺度分割算法基础上提出了基于相对熵（KL）发散原理的多尺度分割方法改进方案,采用以相对熵（KL）散度为核心的区域合并标准来解决由于传统的单尺度的分割方法无法满足复杂农田生态系统地物的多尺度分割需求,从而产生的严重“过分割”、“欠分割”的问题,进而提出基于数学形态学的农田生态系统多尺度多层次的遥感影像分割方法。实验结果表明,在不同尺度下,基于相对熵（KL）散度的多尺度分割方法的欠分割率在12.5%至13%之间,证明本文改进的多尺度分割方法可以获得更加均质且完整的地物斑块,有利于不同尺度地物对象的特征提取及后续属性的识别。（2）使用了基于遥感专题指数、颜色相关图、灰度-梯度共生矩阵以及多尺度形状的联合特征提取方法,在此基础上提出一种基于轮廓波（Contourlet）变换和加速稳健特征（SURF）的特征信息提取算法。该方法通过轮廓波转换技术分解准备匹配与参考的两种图像,接下来利用SURF以预匹配的方式处理通过分解获得的低频分量,最后利用RANSAC去除错误匹配点对,从而提取准确特征信息。研究结果表明,Contourlet变换与SURF组合算法的最终匹配点数量变化不大,匹配准确率保持在94%以上,证明基于轮廓波（Contourlet）变换和加速稳健特征（SURF）的遥感图像特征提取组合算法可以实现农田生态系统的高分遥感图谱特征的精确与快速提取。（3）提出了基于序列最小优化（SMO）算法与遥感生态指数（RESI）的支持向量机（SVM）改进算法,用于本文高分农田生态系统信息的分类提取。由于传统的多特征融合技术无法很好地适用于农田地表分类,所以本研究综合运用遥感影像的空间与光谱特征,将加入了遥感生态指数（RESI）的支持向量机（SVM）改进算法引入到农田生态系统的特征信息提取中,在学习样本后,通过SMO算法确定与样本特征空间具有对应关系的函数,对图谱牲组合方式和分类模型进行了深入地挖掘,从而完成高分遥感的农田生态系统分类过程。实验结果表明,基于序列最小优化（SMO）算法与遥感生态指数（RSEI）的支持向量机（SVM）优化算法的分类总体精度为86.07%,Kappa系数0.752,实地验证得到图斑个数提取正确率为95%,地物类型提取正确率为86.13%,提取面积正确率为85.89%,证明本文方法可以提升农田生态系统分类精度,为之后实现对农田生态系统信息的提取、管理和分析的综合研究打下坚实的基础。（4）提出了一套基于Spark计算引擎的农田生态系统信息分布式提取的流程。由于在提取农田生态系统信息的过程中,会获得海量的数据,所以会提高计算量与复杂程度,为有效解决这一问题,本研究建立了一种分布式模型。通过该模型可以以分布式的方式提取信息,本研究在信息提取方面应用了Spark引擎,以该引擎为基础设计了一种分块、合并与信息提取的分布式提取流程。实验结果表明,分布式处理的总体精度为84.27%,Kappa系数0.7433,说明影像在数据划分过程中通过重叠的数据划分一定程度上解决了对象内像素的计算问题,本文提出的方法能够有效拓展研究对象的时空尺度并大幅提高信息提取的速率,同时并不会降低信息提取的精度。有利于长期研究的生态学定位和网络研究方法的开展。
郑志峰[4]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中研究说明随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
何健[5]（2020）在《面向可见光遥感图像的海上目标快速检测和识别技术》文中研究说明近年来,随着遥感探测技术的飞速发展,为海上目标检测和识别提供了多种多样的样本数据,遥感图像在军用和民用领域的应用范围日趋广泛。本文根据实际需要,为了监控和管制重点海域的港口区域的舰船流动以及海面舰船分布的情况,将海上目标识别分为了港口区域的检测和舰船目标的识别。之后围绕可见光遥感图像中的港口和舰船目标的自动检测和识别问题,在港口检测部分研究了边缘处理、特征提取和目标检测,在舰船识别部分研究了显着性检测、目标分类等关键技术,在此基础上分别设计了具有高检测精度、低虚警率的港口和海面舰船目标的自动检测和识别方法,提高了遥感图像海上目标检测和识别技术的效率和实时性。本文的主要研究内容归纳如下:1.介绍了可见光遥感图像下的港口和舰船目标检测和识别的基本原理,详细分析了港口和舰船目标的形状、颜色、纹理等主要特征,为海上目标检测和识别算法的研究提供了理论的依据。分别总结了现有的港口和舰船目标检测和识别算法,分析了各类算法的优缺点,并详细介绍了本文的检测和识别算法的关键技术的基本理论。2.提出了基于边缘保持算法的遥感图像处理技术,可以有效的降低港口图像的背景干扰。在包含港口的遥感图像中,由于靠近海岸线,因此会存在很多人造建筑以及海岸附近的自然风貌,这些复杂地貌会干扰港口目标的特征提取。通过实验评估,本文提出的边缘保持算法可以有效的剔除这些复杂、无用的背景信息,并能够有效的保留关键的边缘信息,提高了特征提取和目标识别的检测精度。3.提出了基于边缘分类的SIFT特征提取算法,能有效的减少非边缘类特征的提取,鉴于港口目标的特征属于明显的边缘类特征,因此本文设计的算法可以将提取的特征更多的集中在关键特征点上,降低了港口目标识别的误匹配率;4.提出了基于超复数傅里叶变换的显着性检测模型,可以快速搜索到与当前任务要求相关的信息。本文讨论了视觉显着性模型的研究价值及在目标检测领域内的应用现状,同时分别对显着目标检测等视觉显着性模型的构建、及其在可见光遥感图像舰船目标检测中的应用展开深入研究,设计了基于改进的超复数傅里叶变换显着性模型来定位海上舰船目标区域,更有效的抑制了海上出现的云雾,海杂波等背景干扰。5.提出了基于迁移学习的Res Net模型用来识别显着性检测后提取出来的舰船目标,这不仅解决了当CNN网络层数过深的时候出现的梯度消失、梯度退化等问题,基于迁移学习的方案可以用少量的舰船样本数据就能够训练CNN模型,并且实现更高精度的舰船目标分类。综上所述,本文对可见光遥感图像海上目标自动检测与识别领域面临的问题和挑战所涉及的相关理论进行了分析,针对港口区域的目标特征检测、感兴趣区域提取、目标检测,以及舰船目标的显着性模型、目标检测和识别等关键技术问题进行了研究,取得了一定的成果。本文相关成果可为航天航空领域可见光遥感图像的港口和舰船目标自动检测与识别技术提供理论基础与算法支持,具有借鉴意义。
桂媛媛[6]（2020）在《基于端到端深度学习的遥感影像林地检测研究》文中进行了进一步梳理森林资源在社会经济发展中占有举足轻重的地位,然而中国林地广袤辽阔,普通的观测方式难以实时掌握林地内部状况。航天遥感影像具有覆盖范围广、数据获取快、影像信息丰富等特点,相比其他方式更适合对林地进行观测。将深度学习方法与卫星遥感影像技术相结合进行观测,可为林地资源的调查与规划提供及时信息,从而进一步加强环境监测、推动区域生态建设。本文提出基于端到端深度学习技术的遥感影像林地检测策略,通过图像分割的方式,透过不同角度解决因林地类内差异较大、分布不均、形状各异造成的检测正确率低的现象:1、设计最确定融合策略,从充分利用现有端到端深度学习模型的角度出发,对多个现有模型的检测结果按像元预测概率值进行比较,确定最终类别。通过这种策略保留不同模型的优点,进一步提高遥感影像的林地检测正确率。2、设计多分支回归级联融合网络,从优化网络的角度,利用多尺度输出对多个损失函数进行回归,并设计级联融合上采样块,增强不同类型的特征传递,加快网络拟合速度,提高林地检测正确率。3、针对宽视场影像的林地检测任务进行优化,通过分割输入减少运行内存、数学形态学优化“接边”现象,提高端到端深度学习模型在宽视场影像上的检测效率与检测精度。实验结果表明,本文提出的端到端深度学习模型与策略提高了遥感影像中林地的检测正确率。最确定融合策略充分利用现有模型,与多分支回归级联融合网络相同,均有效提高了遥感影像中的林地检测正确率;分割输入、形态学优化等方法使林地检测任务更易于在不同的计算机中展开。本课题所提出的方法可对遥感影像进行有效地林地检测,对其他遥感影像中的地物覆盖检测具有参考意义。
冯魁祥[7]（2020）在《遥感图像河流提取方法研究》文中指出河流在我国地形地貌中占据着重要的地位,对于河流水域的监控有助于更好的利用水资源、减少洪涝灾害以及水利水电的调控。遥感技术的迅速发展可以实现地表信息采集处理。通过遥感图像河流提取可以对河流水域状况、面积以及河道变迁进行有效地监控。本文根据遥感图像中河流特征,通过对区域生长算法应用、以及彩色HSV图像分割进行研究,提出了基于K-means聚类的区域生长算法,并且将彩色HSV图像分割应用于遥感图像河流提取中。针对区域生长初始种子点人工选取造成的效率低、准确度低等问题,提出了基于K-means聚类的区域生长算法。该算法对遥感图像进行边缘分割获得河流边界框架;运用形态学处理填充河流框架,进行K-means聚类方法获得河流质点;将该质点作为区域生长算法起始点,进行生长获得河流目标。针对遥感图像处理中需要灰度转换造成的信息丢失、非连通水域难以提取问题,提出了基于HSV彩色图像遥感图像河流提取方法。该算法通过将彩色RGB图像转换为彩色HSV图像;将H、S分量点乘去除这两个分量对图像分割的影响;通过经验方法设定V阈值为0.4,与H、S分量点乘图构造阈值图像,阈值图像与彩色RGB图像相乘进行分割;根据形状检测去除非河流水域获得河流水域。论文对遥感图像河流提取方法进行研究,同时进行算法的实验论证。通过实验可以验证出改进区域生长算法可以有效地提高河流提取的准确度和效率;彩色HSV图像分割可以有效地提取河流及水域。
李栋凯[8]（2020）在《基于形态学和对数理论的图像处理算法研究及FPGA实现》文中进行了进一步梳理近年来,多媒体技术飞快发展,在社会生活中人类越来越多地使用图像来传递信息,因此数字图像处理技术就显得特别重要,目前数字图像处理技术在医疗、军事、安防、遥感等多个领域内有着广泛的应用。然而,随着数字图像分辨率的提高和待处理图像数量的剧增,实时图像处理对图像处理速度的要求越来越高,因此兼备准确性和高效率的数字图像处理系统的设计变得越来越重要,传统的基于软件实现的数字图像处理系统已经不能满足需求,而FPGA具有并行执行和高速计算的特点,并且内部包含大量的逻辑资源,可以很好地应用到图像处理系统的设计中。大量研究表明,基于FPGA的图像处理系统可以显着地提高算法的执行速度,满足实时图像处理的要求。本文主要研究数字图像处理算法在FPGA上的设计与实现,FPGA芯片采用Xilinx公司Zynq-7000系列的Zedboard开发板,利用Verilog HDL编写图像处理算法的硬件实现逻辑,并在Modelsim软件上仿真所设计模块的功能,通过Vivado开发工具进行综合优化和布局布线,并下载编程到FPGA芯片进行上电调试。1.本文将自适应的灰度形态学算子在FPGA上设计实现。传统的灰度形态学算子对整幅图像采用固定的结构元素进行处理,会损失图像的细节信息,而自适应灰度形态学算子能够根据图像的局部信息自动调整结构元素的形状和尺寸,对图像的处理效果更好。本文首先在MATLAB软件上实现了自适应灰度形态学算子,并和传统的灰度形态学算子的处理效果进行对比,验证了自适应灰度形态学算子的优越性。然后将自适应灰度形态学算子在FPGA上设计实现,完成了灰度图像的自适应形态学处理系统,包括图像存储模块、方形窗生成模块、结构元素选取模块、膨胀运算模块、腐蚀运算模块、开启运算模块、闭合运算模块以及图像显示模块,通过仿真和调试验证了所设计系统的功能正确性。最后将自适应灰度形态学算子在MATLAB软件和FPGA硬件上对图像的处理时间进行对比,证明了基于FPGA的自适应灰度形态学处理系统可以显着地提高算子的处理速度。2.本文将基于对数图像处理模型的图像边缘检测算法在FPGA上设计实现。对数图像处理模型可以有效解决线性图像处理中像素的加减运算超出图像灰度区间的问题,本文首先将基于对数图像处理模型的图像边缘检测算法和传统的Sobel边缘检测算法在MATLAB软件上实现以对比边缘检测的效果,从而验证了基于对数图像处理模型的边缘检测算法可以更加准确地检测图像的边缘。然后在FPGA上设计完成了基于对数图像处理模型的图像边缘检测系统,其中利用cordic算法实现对数图像处理模块,并将其和边缘检测模块以及图像存储模块、方形窗生成模块、图像显示模块组合构成整个边缘检测系统。通过对比算法在MATLAB软件和FPGA硬件上的处理效果和运行时间,证明了该边缘检测系统既能有效检测图像的边缘,又能提高图像的处理速度。
万春曼[9]（2020）在《基于遥感影像的水土保持监测研究》文中研究表明目前我国水土流失状况严峻,因此相关水土保持监管工作刻不容缓。生产建设项目在建设过程中会开挖地表造成严重的水土流失,为了做好水土保持监管工作,最有力的手段是对生产建设项目扰动区（扰动图斑）进行监管。传统方法利用遥感影像对扰动图斑进行检测时依靠的是相关技术人员在遥感影像进行手动标注,但是手动标注效率低下、时效性差。尤其是在水体区域这种复杂的地势条件下,手动标注的难度远大于其他地区,因此需要一种自动化检测方式代替手动标注。而遥感影像中的目标检测是一种自动化检测方式,具有监测范围广、检测迅速等优点,可以弥补传统方法的不足。论文研究以江西省某地区作为研究区,利用高分二号卫星影像对水体区域邻近扰动图斑进行检测。主要工作分为两步:首先提取遥感影像中的水体信息,检测出水体区域,然后检测水体区域邻近的扰动图斑。具体研究工作包括以下几个方面:（1）研究了基于遥感影像的水体信息提取和扰动图斑检测的相关技术。首先分析了水体信息提取和扰动图斑检测的研究现状并总结其主要特征,然后基于遥感影像的目标检测方法,引入视觉注意力模型与神经网络模型并进行了深入研究,提出了适合水体区域以及扰动图斑检测的方法模型。（2）针对传统遥感影像中逐像素提取水体信息效率低的问题,本文在遥感影像中引入了视觉注意力机制,通过使用显着性检测方法得到水体的视觉显着区域并对其进行检测。首先本文基于属性剖面设计选择了合适的属性对遥感影像进行属性滤波并差分联合获得水体的空间特征;然后结合属性剖面获取的空间特征对上下文显着性方法进行改进提取水体的视觉特征得到水体视觉显着图;最后用显着图对GrabCut分割方法改进检测出水体区域。实验结果表明,该方法可以有效地提取到遥感影像中的水体信息,检测出遥感影像中的水体区域。（3）针对传统遥感影像中手动标注扰动图斑效率低的问题,本文运用基于语义分割网络的Unet（Unity Networking）对扰动图斑进行自动化标注。而扰动图斑本身形状不固定且易与裸地混淆,针对上述问题,本文使用残差网络对Unet改进得到R-Unet（ResNet-Unet）,提高Unet提取扰动图斑特征能力的同时避免了网络过深造成的梯度消失现象。之后针对手动标注的扰动图斑训练样本不足的问题,本文使用迁移学习的手段将残差网络进行预训练并迁移其网络权重得到基于迁移学习的R-Unet网络,最终使扰动图斑的检测精度得到了提升。
陈辉[10]（2020）在《基于伪正射纠正的高分辨率遥感影像建筑物变化检测研究》文中研究说明利用遥感影像进行变化检测可以为环境监测,资源勘查,灾害评估,地理数据库的更新提供有力的手段。近些年来,随着遥感技术的飞速发展,国内外涌现了大量高空间分辨率光学遥感成像卫星,如World View、高景一号等,这也为遥感影像的处理带来了新的挑战。对于变化检测而言,利用高分辨率遥感影像进行建筑物变化检测是变化检测技术发展的方向,然而目前变化检测技术仍然受到各种因素的影响而使检测精度得不到保障,其中最主要的问题是在无法获得高精度DSM进行影像真正射纠正情况下变化检测时,难以有效解决因卫星侧视成像造成像点位移使建筑物存在大量的立面信息从而导致误检的现象。在难以生成真正射影像的情况下,如何有效避免因像点位移引起的误检,是目前亟需解决的问题。因此,面向高分辨率遥感影像的建筑物高效变化检测需求,本文利用位于北京与的黎波里地区0.5米分辨率的Worldview-3、Quick Bird影像进行了以下研究:（1）针对使用未经真正射纠正的高分辨率影像进行建筑物变化检测时,因不同时相影像建筑物存在投影差从而导致的误检问题,提出了一种基于伪正射纠正的遥感影像近似真正射纠正算法,以消除遥感影像中的建筑物立面信息。首先,本文对伪正射纠正的概念做出了界定,然后,详细阐述了伪正射纠正的技术流程:首先,提取较为精确的建筑物立面轮廓线长度作为建筑物像点位移长度,然后将每个建筑物顶部的轮廓按照各自的像点位移长度进行平移,便可生成伪正射影像,消除或减少建筑物立面信息。（2）针对高分辨遥感影像配准精度不够理想的问题,提出了一种基于三角网二阶多项式变换的影像全局-局部配准方法。首先利用IMAS（Image Matching by Affine Simulation）算法提取不同时相遥感影像的初始匹配点;然后使用基于三角网光度与几何约束的匹配算法,得到精确的匹配点,进行全局配准;最后利用生成的Delaunay三角网,经过三角网优化合并之后,采用二阶多项式变换进行局部配准,从而得到精确的多时相配准影像。实验结果表明,本文采用的配准方法精度能够达到1个像素以内,并能够很好地解决配准过程中存在的扭曲变形问题。（3）基于伪正射纠正的遥感影像建筑物变化检测方法。首先,提出了一种基于样本自动选择的Grab-Cut高分辨率遥感影像建筑物提取方法,具体方法流程如下:通过影像自带RPC文件,仿照投影轨迹法计算单张影像的像点位移方向,进行影像旋转,使像点位移沿水平方向;其次,对图像进行去噪,再利用Canny算法提取图像边缘,并结合形态学运算与Hough变换提取横向轮廓线;再次,结合角点信息与物方定位一致性方法进行立面轮廓线精确与筛选;最后,利用建筑物立面轮廓线作为约束,并结合建筑物的几何规则,使用一种基于全自动样本选择Grab-Cut的建筑物提取方法,将建筑物精确的顶部轮廓提取出来。实验结果表明,本文建筑物提取方法平均精度可以达到86%。最后将建筑物信息与NDVI,NDWI,MSI相结合使用LCRA（Local Coregistration Adjustment）得到变化信息,并使用真实遥感影像进行了验证,实验结果表明,在进行城区建筑物变化检测时,将遥感影像进行伪正射纠正之后,变化检测精度能够达到91.94%,且高于未经过伪正射纠正的方法。
二、数学形态学在遥感图像边缘检测中的应用（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、数学形态学在遥感图像边缘检测中的应用（论文提纲范文）
（1）几种类型图像边缘检测的相关问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 织物图像边缘检测研究现状 |
| 1.2.2 彩色图像边缘检测研究现状 |
| 1.2.3 遥感图像边缘检测研究现状 |
| 1.2.4 齿轮图像边缘检测研究现状 |
| 1.3 图像去噪预处理研究 |
| 1.3.1 图像噪声分类 |
| 1.3.2 图像卷积处理 |
| 1.3.3 图像去噪方法 |
| 1.3.4 图像去噪效果客观评价指标 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 印花织物图像边缘提取 |
| 2.1 传统滤波器介绍 |
| 2.1.1 高斯滤波器 |
| 2.1.2 均值滤波器 |
| 2.1.3 修正的阿尔法均值滤波器 |
| 2.1.4 中值滤波器 |
| 2.1.5 自适应中值滤波器 |
| 2.2 改进滤波器 |
| 2.2.1 改进修正的阿尔法均值滤波器 |
| 2.2.2 改进自适应中值滤波器 |
| 2.3 小波模极大值法边缘检测 |
| 2.3.1 经典小波模极大值法 |
| 2.3.2 传统Otsu算法 |
| 2.3.3 改进的小波模极大值法 |
| 2.4 印花织物图像边缘检测实验过程 |
| 2.4.1 高斯噪声平滑实验分析 |
| 2.4.2 椒盐噪声平滑实验分析 |
| 2.4.3 混合噪声平滑实验分析 |
| 2.4.4 印花织物图像边缘提取实验分析 |
| 2.5 本章小结 |
| 3 彩色图像边缘检测研究 |
| 3.1 基于小波变换的去噪算法研究 |
| 3.1.1 小波变换的基本理论 |
| 3.1.2 基于小波变换的去噪方法介绍 |
| 3.2 基于小波变换的小波阈值去噪算法介绍 |
| 3.2.1 小波阈值去噪原理 |
| 3.2.2 常见的小波阈值去噪函数 |
| 3.2.3 自适应阈值选取 |
| 3.3 改进小波阈值去噪函数 |
| 3.3.1 改进自适应阈值选取 |
| 3.3.2 建立多层小波阈值去噪函数 |
| 3.3.3 多层小波阈值去噪函数效果验证 |
| 3.4 四元数理论构建特征矩阵 |
| 3.4.1 四元数理论及基本运算 |
| 3.4.2 四元数表示彩色图像 |
| 3.4.3 四元数结合Canny算子 |
| 3.5 彩色图像边缘检测实验过程 |
| 3.6 本章小结 |
| 4 齿轮图像边缘检测研究 |
| 4.1 数学形态学边缘检测 |
| 4.1.1 数学形态学基本理论 |
| 4.1.2 数学形态学的基本运算 |
| 4.2 Canny算子边缘检测 |
| 4.2.1 传统Canny算子 |
| 4.2.2 传统Canny算子分析 |
| 4.3 改进Canny算子边缘检测 |
| 4.3.1 改进梯度幅值和梯度幅角计算方式 |
| 4.3.2 改进阈值选取方式 |
| 4.4 改进数学形态学边缘检测 |
| 4.5 齿轮图像边缘检测实验过程及分析 |
| 4.5.1 改进数学形态学算法去噪效果验证 |
| 4.5.2 齿轮图像边缘检测实验过程 |
| 4.6 本章小结 |
| 5 遥感图像边缘检测研究 |
| 5.1 Top-hat变换基本理论 |
| 5.2 改进的一维Otsu阈值分割算法 |
| 5.3 非下采样轮廓波变换(NSCT)基本理论 |
| 5.4 遥感图像边缘检测算法 |
| 5.4.1 边缘检测算法整体流程 |
| 5.4.2 边缘检测算法实验过程 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（2）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于高分遥感的农田生态系统信息提取方法研究（论文提纲范文）
| 摘要 |
| Summary |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 生态信息学研究现状 |
| 1.2.2 基于中、低分辨率遥感的农田生态系统信息提取研究现状 |
| 1.2.3 高分遥感影像分类方法研究现状 |
| 1.2.4 高分遥感图像分割方法研究现状 |
| 1.3 本研究的目的及意义 |
| 1.4 研究思路及技术路线 |
| 1.5 本研究的主要内容 |
| 第二章 高分遥感资料与数据预处理 |
| 2.1 高分遥感数据 |
| 2.2 高分一号(GF-1)PMS数据产品 |
| 2.3 研究区域概况 |
| 2.4 高分遥感数据预处理 |
| 2.4.1 GF-1 PMS数据预处理 |
| 2.4.2 高分遥感数据预处理成果 |
| 第三章 基于高分遥感的农田生态系统图像分割 |
| 3.1 概述 |
| 3.2 基于Canny算子的边缘检测 |
| 3.2.1 原始图像灰度化 |
| 3.2.2 图像滤波 |
| 3.2.3 二阶函数的梯度向量 |
| 3.2.4 Canny边缘检测步骤 |
| 3.3 阈值处理分割图像 |
| 3.4 多尺度分割方法 |
| 3.4.1 多尺度分割的概念 |
| 3.4.2 多尺度分割参数的选择 |
| 3.4.3 分割尺度的选择 |
| 3.4.4 多尺度分割的网络层次关系 |
| 3.4.5 基于异质性最小原则的区域合并算法 |
| 3.5 多尺度分割算法改进方案 |
| 3.5.1 算法流程 |
| 3.5.2 基本原则 |
| 3.5.3 基于数学形态学的多尺度分割算法改进方案 |
| 3.6 图像分割方法测试结果分析 |
| 3.7 小结 |
| 第四章 基于高分遥感的农田生态系统图谱特征提取 |
| 4.1 概述 |
| 4.2 高分遥感的农田生态系统光谱特征 |
| 4.3 遥感专题指数 |
| 4.3.1 植被指数 |
| 4.3.2 水体指数 |
| 4.3.3 建筑指数(不透水面) |
| 4.4 图像原始特征提取 |
| 4.4.1 基于颜色相关图方法的颜色特征提取 |
| 4.4.2 基于灰度—梯度共生矩阵的纹理特征提取 |
| 4.4.3 形状特征 |
| 4.5 特征提取与组合算法 |
| 4.5.1 轮廓波(Contourlet)变换原理 |
| 4.5.2 加速稳健特征(SURF)算法 |
| 4.5.3 基于轮廓波变换与加速稳健特征的特征提取算法 |
| 4.6 特征提取算法测试结果分析 |
| 4.7 小结 |
| 第五章 基于高分遥感的农田生态系统分类提取 |
| 5.1 概述 |
| 5.2 遥感生态指数(RSEI) |
| 5.3 支持向量机(SVM) |
| 5.3.1 相关理论基本概念 |
| 5.3.2 基于支持向量机(SVM)的分类 |
| 5.3.3 基于序列最小优化(SMO)的支持向量机(SVM)分类器 |
| 5.4 基于遥感生态指数(RSEI)的支持向量机(SVM)改进算法 |
| 5.5 实验 |
| 5.5.1 实验数据 |
| 5.5.2 训练样本的选取 |
| 5.5.3 核函数的选取 |
| 5.5.4 参数调整 |
| 5.6 农田生态系统分类算法实际分类效果对比 |
| 5.6.1 最小距离方法(MDM) |
| 5.6.2 最大似然方法(MLM) |
| 5.6.3 K-means算法 |
| 5.6.4 四种分类算法分类效果对比 |
| 5.7 实地验证 |
| 5.7.1 实地数据采集 |
| 5.7.2 实地验证结果 |
| 5.8 小结 |
| 第六章 基于Spark的农田生态系统信息提取 |
| 6.1 概述 |
| 6.2 高分遥感农田生态系统信息提取算法并行机制 |
| 6.3 遥感数据分类与组织形式 |
| 6.4 农田生态系统高分遥感信息分布式提取的整体流程 |
| 6.4.1 弹性分布式数据集(RDD)构建和转换 |
| 6.4.2 数据分配算法 |
| 6.5 实验结果与分析 |
| 6.5.1 数据准备 |
| 6.5.2 Spark分布式集群环境搭建 |
| 6.5.3 性能指标 |
| 6.5.4 实验过程 |
| 6.5.5 基于Spark计算引擎的分布式农田信息提取模型测试结果分析 |
| 6.6 小结 |
| 第七章 全文结论和研究展望 |
| 7.1 全文结论 |
| 7.1.1 本文研究内容总结 |
| 7.1.2 本研究的特点与创新 |
| 7.1.3 研究存在的问题和进一步的工作 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 参与的科学研究项目 |
| 导师简介 |
（4）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）面向可见光遥感图像的海上目标快速检测和识别技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 遥感图像海上目标检测技术的研究现状 |
| 1.2.1 基于合成孔径雷达的遥感图像海上目标检测和识别 |
| 1.2.2 基于红外图像的遥感图像海上目标检测和识别 |
| 1.2.3 基于可见光的遥感图像海上目标检测和识别 |
| 1.2.4 遥感图像海上目标检测算法的总结 |
| 1.3 可见光遥感图像海上目标分类 |
| 1.3.1 可见光遥感图像下的海上港口目标 |
| 1.3.2 可见光遥感图像下的海上舰船目标 |
| 1.4 论文主要研究内容和结构 |
| 第2章 可见光海上目标检测和识别的基本问题和关键技术 |
| 2.1 引言 |
| 2.2 可见光下的海上目标的基本特点和关键问题研究 |
| 2.2.1 可见光遥感图像下的海上目标 |
| 2.2.2 可见光遥感图像海上目标检测和识别技术的关键问题研究 |
| 2.3 现有的可见光遥感图像下的海上目标检测和识别算法 |
| 2.3.1 可见光遥感图像下的港口目标检测 |
| 2.3.2 可见光遥感图像下的海上舰船目标识别 |
| 2.4 可见光遥感图像下海上目标检测和识别的关键算法 |
| 2.4.1 基于SIFT的特征提取算法 |
| 2.4.2 基于视觉显着性模型的检测算法 |
| 2.4.3 基于深度学习的目标识别算法 |
| 2.5 本章小结 |
| 第3章 基于SIFT+SVM的可见光港口目标检测 |
| 3.1 引言 |
| 3.2 基于SIFT的港口目标检测算法流程 |
| 3.3 基于LEPA的图像边缘优化算法 |
| 3.3.1 港口目标检测算法的预处理 |
| 3.3.2 基于LEPA的图像处理方法 |
| 3.4 基于EC-SIFT的特征提取算法 |
| 3.5 港口候选区域的提取算法 |
| 3.6 本章小结 |
| 第4章 基于视觉显着性和ResNet的可见光舰船目标识别 |
| 4.1 引言 |
| 4.2 基于视觉显着性的舰船目标检测 |
| 4.2.1 颜色空间的选择 |
| 4.2.2 基于MHFT的显着性检测模型 |
| 4.2.3 基于MHFT的显着性检测结果 |
| 4.3 基于CNN的舰船目标识别算法 |
| 4.3.1 潜在舰船区域目标预提取 |
| 4.3.2 基于神经网络的深度学习方法 |
| 4.3.3 基于ResNet的舰船目标识别 |
| 4.4 本章小结 |
| 第5章 港口及舰船目标检测和识别算法验证 |
| 5.1 引言 |
| 5.2 基于SVM分类器的港口目标检测 |
| 5.2.1 SVM算法架构 |
| 5.2.2 港口目标检测 |
| 5.2.3 港口目标检测结果分析 |
| 5.3 舰船目标识别实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 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 |
（6）基于端到端深度学习的遥感影像林地检测研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状综述 |
| 1.2.1 基于人工解译的林地检测 |
| 1.2.2 基于机器学习的林地检测 |
| 1.2.3 基于深度学习的地面覆盖物分类 |
| 1.2.4 难点及问题分析 |
| 1.3 本文研究目的及主要内容 |
| 1.4 本文的文章结构 |
| 第二章 深度学习相关理论介绍 |
| 2.1 深度学习介绍 |
| 2.1.1 深度网络 |
| 2.1.2 卷积神经网络 |
| 2.1.3 深度学习的基本操作 |
| 2.2 基于深度学习的图像分类与图像分割方法 |
| 2.3 基于端到端深度学习的图像语义分割方法 |
| 2.4 本章小结 |
| 第三章 基于端到端深度学习的遥感影像林地检测方法设计 |
| 3.1 引言 |
| 3.2 宽视场林地遥感影像分析与建立训练集 |
| 3.3 使用最确定融合策略进行林地/非林地识别研究 |
| 3.3.1 U-Net网络 |
| 3.3.2 DeepUNet网络结构 |
| 3.3.3 POI-Net网络结构 |
| 3.3.4 最确定融合策略介绍 |
| 3.4 端到端多分支回归级联融合网络 |
| 3.4.1 端到端多分支回归级联融合网络 |
| 3.4.2 多分支回归级联融合网络的下采样块与上采样块 |
| 3.4.3 多分支回归级联融合网络的训练 |
| 3.5 端到端深度学习对宽视场遥感影像的林地检测 |
| 3.5.1 端到端深度学习对宽视场遥感影像的检测策略 |
| 3.5.2 使用形态学方法对检测结果进行优化 |
| 3.6 本章小结 |
| 第四章 基于端到端深度学习的遥感影像林地检测实验 |
| 4.1 引言 |
| 4.2 林地/非林地样本库建立 |
| 4.3 最确定融合策略实验验证 |
| 4.4 多分支回归级联融合网络算法验证 |
| 4.5 形态学方法优化实验 |
| 4.6 宽视场影像林地检测结果实例 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 硕士研究生学位论文答辩委员会决议书 |
（7）遥感图像河流提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 半自动河流提取 |
| 1.2.2 自动河流提取 |
| 1.3 本文研究内容 |
| 1.4 本章小结 |
| 第2章 遥感图像河流提取的理论基础 |
| 2.1 遥感图像河流的地物特征 |
| 2.2 彩色遥感图像的灰度转换 |
| 2.2.1 遥感图像与颜色 |
| 2.2.2 RGB彩色模型 |
| 2.2.3 彩色图像灰度转换 |
| 2.3 遥感图像增强方法 |
| 2.4 遥感图像分割方法 |
| 2.4.1 图像分割定义 |
| 2.4.2 阈值分割 |
| 2.4.3 基于边缘的分割 |
| 2.4.4 区域分割 |
| 2.5 本章小结 |
| 第3章 遥感图像河流目标区域分割 |
| 3.1 算法原理 |
| 3.1.1 最大类间方差阈值分割 |
| 3.1.2 比例分割 |
| 3.2 算法描述 |
| 3.2.1 遥感图像河流目标区域粗提取流程 |
| 3.2.2 遥感图像河流目标区域粗提取实现步骤 |
| 3.3 算法实验与结果分析 |
| 3.3.1 实验数据与设置 |
| 3.3.2 遥感图像预处理 |
| 3.3.3 最大类间方差阈值分割 |
| 3.3.4 以质心为中心点的比例分割 |
| 3.4 本章小结 |
| 第4章 基于K-means聚类的区域生长的遥感图像河流提取 |
| 4.1 区域生长法概述 |
| 4.1.1 区域生长法原理 |
| 4.1.2 区域生长法实现 |
| 4.2 改进区域生长算法 |
| 4.2.1 Prewitt边缘分割 |
| 4.2.2 K-means中心点标定 |
| 4.3 改进的区域生长算法实现 |
| 4.3.1 算法提取流程 |
| 4.3.2 改进算法实现步骤 |
| 4.4 区域生长算法实验及结果分析 |
| 4.4.1 实验数据及设置 |
| 4.4.2 边缘分割 |
| 4.4.3 形态学膨胀处理 |
| 4.4.4 改进区域生长算法实现 |
| 4.4.5 人工选取误差问题 |
| 4.4.6 算法时间问题 |
| 4.5 不同形态河流的提取问题 |
| 4.5.1 多交叉河流提取 |
| 4.5.2 部分堵塞河流提取 |
| 4.5.3 分叉河流提取 |
| 4.5.4 环绕河流提取 |
| 4.6 本章小结 |
| 第5章 基于彩色HSV图像分割的彩色遥感图像河流提取 |
| 5.1 彩色图像河流提取基础 |
| 5.1.1 彩色模型 |
| 5.1.2 HSV色度空间变换原理 |
| 5.2 HSV彩色遥感图像河流提取实现 |
| 5.2.1 算法提取流程 |
| 5.2.2 算法实现步骤 |
| 5.3 彩色图像河流提取实现与分析 |
| 5.3.1 实验数据与设置 |
| 5.3.2 HSV转换 |
| 5.3.3 H、S分量点乘 |
| 5.3.4 V阈值分割 |
| 5.3.5 形状检测去除非河流区域 |
| 5.3.6 V参数的选取 |
| 5.4 提取算法比较 |
| 5.4.1 区域生长算法河流提取 |
| 5.4.2 基于K-means聚类的区域生长算法河流提取 |
| 5.4.3 基于彩色RGB图像分割的河流提取 |
| 5.4.4 基于彩色HSV图像分割的河流提取 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（8）基于形态学和对数理论的图像处理算法研究及FPGA实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作及结构安排 |
| 第二章 FPGA图像处理系统设计的理论基础 |
| 2.1 数字图像处理技术概述 |
| 2.1.1 数字图像处理技术的发展历程 |
| 2.1.2 数字图像处理的常用方法 |
| 2.2 FPGA基本原理与特点 |
| 2.2.1 FPGA的结构及原理 |
| 2.2.2 FPGA的基本特点 |
| 2.3 FPGA设计方法与流程 |
| 2.3.1 Verilog硬件描述语言 |
| 2.3.2 FPGA开发流程 |
| 2.4 本章小结 |
| 第三章 自适应灰度形态学算子研究及FPGA实现 |
| 3.1 灰度形态学基本理论 |
| 3.1.1 结构元素 |
| 3.1.2 灰度形态学基本算子 |
| 3.2 自适应灰度形态学 |
| 3.2.1 像素距离的定义 |
| 3.2.2 自适应结构元素的选取 |
| 3.2.3 自适应灰度形态学算子的实现 |
| 3.3 自适应灰度形态学处理算法的FPGA设计 |
| 3.3.1 系统整体框架 |
| 3.3.2 图像存储模块 |
| 3.3.3 方形窗生成模块 |
| 3.3.4 结构元素选取模块 |
| 3.3.5 形态学运算模块 |
| 3.3.6 图像显示模块 |
| 3.4 实验结果与分析 |
| 3.4.1 软件仿真结果 |
| 3.4.2 硬件仿真结果 |
| 3.5 本章小结 |
| 第四章 对数图像处理模型应用研究及FPGA实现 |
| 4.1 对数图像处理模型 |
| 4.2 LIP模型在图像边缘检测中的应用 |
| 4.2.1 边缘检测算子 |
| 4.2.2 基于LIP模型的图像边缘检测算法实现 |
| 4.2.3 实验结果与分析 |
| 4.3 基于LIP模型的边缘检测算法的FPGA设计 |
| 4.3.1 系统整体框架 |
| 4.3.2 cordic算法 |
| 4.3.3 对数图像处理模块 |
| 4.3.4 边缘检测模块 |
| 4.3.5 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于遥感影像的水土保持监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 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 水体信息提取研究现状 |
| 1.2.2 生产建设项目扰动区检测研究现状 |
| 1.3 论文研究内容与组织结构 |
| 第二章 基于遥感影像的水体区域扰动图斑检测相关技术研究 |
| 2.1 引言 |
| 2.2 基于遥感影像的水体区域检测相关技术研究 |
| 2.2.1 显着性检测概述 |
| 2.2.2 显着性检测基础模型 |
| 2.3 基于遥感影像的扰动图斑检测相关技术研究 |
| 2.3.1 深度学习概述 |
| 2.3.2 深度学习基础模型 |
| 2.4 本章小结 |
| 第三章 基于改进上下文显着性的水体区域检测 |
| 3.1 引言 |
| 3.2 水体区域检测算法设计 |
| 3.2.1 基于属性剖面的水体空间特征提取 |
| 3.2.2 融合空间特征的水体显着性区域提取 |
| 3.2.3 基于显着性的水体区域分割 |
| 3.3 实验结果分析 |
| 3.3.1 评价指标 |
| 3.3.2 显着性检测算法性能结果分析 |
| 3.3.3 水体区域分割性能结果分析 |
| 3.4 本章小结 |
| 第四章 水体区域生产建设项目扰动区检测 |
| 4.1 引言 |
| 4.2 相关理论 |
| 4.2.1 语义分割网络Unet |
| 4.2.2 残差网络 |
| 4.2.3 迁移学习 |
| 4.3 基于迁移学习的水体区域扰动图斑检测 |
| 4.3.1 扰动图斑 |
| 4.3.2 语义分割网络R-Unet |
| 4.3.3 基于迁移学习的R-Unet扰动图斑检测 |
| 4.4 实验以及结果分析 |
| 4.4.1 数据来源 |
| 4.4.2 数据预处理 |
| 4.4.3 基于迁移学习的R-Unet的微调训练过程 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于伪正射纠正的高分辨率遥感影像建筑物变化检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于像素的变化检测方法 |
| 1.2.2 面向对象的变化检测方法 |
| 1.2.3 基于场景的变化检测方法 |
| 1.2.4 建筑物变化检测研究现状 |
| 1.2.5 研究现状总结 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 研究区域与数据 |
| 1.5 论文组织 |
| 1.6 本章小结 |
| 第2章 基于建筑物立面轮廓线的高分辨率影像伪正射纠正 |
| 2.1 基于RFM的像点位移方向计算与影像旋转 |
| 2.2 基于Canny与形态学的初始建筑物立面轮廓线提取 |
| 2.2.1 Canny算子等基本理论简介 |
| 2.2.2 基于Canny与形态学的初始建筑物立面轮廓线提取 |
| 2.3 建筑物立面轮廓线约束的前景背景样本选取 |
| 2.3.1 建筑物角点检测 |
| 2.3.2 建筑物前景背景样本的选择 |
| 2.4 建筑物顶部提取与伪正射纠正影像生成 |
| 2.4.1 基于Grab-Cut算法的图像分割 |
| 2.4.2 基于建筑物区域平移的影像伪正射纠正 |
| 2.5 本章小结 |
| 第3章 基于三角网二阶多项式变换的影像全局-局部配准 |
| 3.1 初始匹配点确定 |
| 3.1.1 KAZE特征匹配算法 |
| 3.1.2 IMAS特征匹配算法 |
| 3.1.3 影像匹配对比实验 |
| 3.2 精确匹配 |
| 3.3 三角网优化与配准 |
| 3.4 配准实验 |
| 3.5 本章小结 |
| 第4章 基于伪正射纠正遥感影像的建筑物变化检测 |
| 4.1 辐射校正 |
| 4.2 建筑物变化检测相关地物信息提取 |
| 4.2.1 建筑物提取 |
| 4.2.2 阴影提取 |
| 4.2.3 水体与植被信息提取 |
| 4.3 基于LCRA的建筑物变化信息提取与精度评价 |
| 4.4 本章小结 |
| 第5章 实验与分析 |
| 5.1 实验结果 |
| 5.2 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文与研究成果 |
| 致谢 |
四、数学形态学在遥感图像边缘检测中的应用（论文参考文献）
- [1]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)
- [2]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [3]基于高分遥感的农田生态系统信息提取方法研究[D]. 陈亦晨. 甘肃农业大学, 2020(01)
- [4]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [5]面向可见光遥感图像的海上目标快速检测和识别技术[D]. 何健. 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), 2020(01)
- [6]基于端到端深度学习的遥感影像林地检测研究[D]. 桂媛媛. 北京化工大学, 2020(02)
- [7]遥感图像河流提取方法研究[D]. 冯魁祥. 长春大学, 2020(01)
- [8]基于形态学和对数理论的图像处理算法研究及FPGA实现[D]. 李栋凯. 西安电子科技大学, 2020(05)
- [9]基于遥感影像的水土保持监测研究[D]. 万春曼. 西安电子科技大学, 2020(05)
- [10]基于伪正射纠正的高分辨率遥感影像建筑物变化检测研究[D]. 陈辉. 南京师范大学, 2020(03)