基于面向对象MLP模型的遥感植被信息提取方法研究
发布时间：2021-10-30 15:29
随着科技水平的不断提高,近几年商业遥感卫星得到快速地发展,高分辨率遥感影像处理技术取得显著的进步,如何利用遥感技术便捷获取遥感影像中空间特征信息,以及定量分析地表特征成为该领域主要研究热点之一。计算机科学和遥感信息技术的发展使得遥感影像地类信息提取方法多元化,遥感技术中不断引入机器学习等人工智能领域的方法,使得这一过程变得数据信息化和方法高效化。基于遥感技术的单幅遥感影像地类特征提取具有宏观、快速和高效等特征,但对于多幅遥感影像地类特征提取,一般重复单幅遥感影像处理方法,虽然保证了地类特征提取的精度,但这过程复杂而慢长,造成一些资源的占用与浪费。本文以植被为研究对象,针对实际生产中遥感影像数据处理过程出现的问题,如遥感影像数据超出计算机处理能力和多幅遥感影像地类提取速度较慢等,提出了一种基于面向对象MLP模型的遥感植被信息提取方法。通过使用“珠海一号”系列商业卫星中的OVS-1A星遥感影像数据,分析遥感影像空间特征,选择多组空间特征数据集与合理模型的优化及应用,分析得到同轨异景多幅遥感影像植被提取方法的合理性与可行性,为全国第三次土地调查中利用遥感技术地类提取提供有益参考。主要的研究内...
【文章来源】：东华理工大学江西省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 章节安排
1.3.3 技术路线
2 研究区概况与数据资料
2.1 研究区概况
2.2 遥感影像数据
2.2.1 获取数据方式
2.2.2 影像数据结构
2.3 数据预处理
2.3.1 遥感影像预处理
2.3.2 面向对象分割
3 空间模型变量提取与特征选择
3.1 模型变量提取
3.1.1 数据变量提取
3.1.2 精度评价
3.2 空间特征选择
3.2.1 特征分析
3.2.2 特征选择
3.3 小结与讨论
4 基于面向对象的MLP模型植被信息提取
4.1 背景介绍
4.1.1 多层感知器模型
4.1.2 模型参数选择
4.1.3 性能评价指标
4.2 建模过程
4.2.1 特征数据处理及建模过程流程图
4.2.2 参数选择
4.2.3 模型优化
4.2.4 预测结果与分析
4.3 小结与讨论
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
附录A
【参考文献】：
期刊论文
[1]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[2]国务院印发《新一代人工智能发展规划》[J]. 自动化博览. 2017(08)
[3]基于混合特征空间MRF（Markov Random Filed）模型的高分辨率遥感影像水体提取[J]. 李士进,王声特. 南京师大学报(自然科学版). 2017(01)
[4]南方丘陵区植被覆盖度遥感估算的地形效应评估[J]. 吴志杰,何国金,黄绍霖,王猛猛,林金堂. 遥感学报. 2017(01)
[5]宜良县云南松林生物量遥感估测方法研究[J]. 胡振华,王丽媛,岳彩荣. 河北农业大学学报. 2017(01)
[6]基于空间特征与纹理信息的高光谱图像半监督分类[J]. 程志会,谢福鼎. 测绘通报. 2016(12)
[7]基于可见光波段的无人机超低空遥感图像处理[J]. 邓继忠,任高生,兰玉彬,黄华盛,张亚莉. 华南农业大学学报. 2016(06)
[8]基于形态学空间特征的高光谱遥感图像分类方法[J]. 吕俊伟,樊利恒,石晓航. 光学技术. 2016(05)
[9]基于可见光波段的城市航空影像植被提取[J]. 周勇兵,朱永清. 绿色科技. 2016(16)
[10]结合支持向量回归和图像自相似的单幅图像超分辨率算法[J]. 王宏,卢芳芳,李建武. 中国图象图形学报. 2016(08)
博士论文
[1]基于集成学习的高分遥感图像玉米区高精度提取算法研究[D]. 李大威.中北大学 2017
[2]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
[3]区域森林生物量遥感估测与应用研究[D]. 吴超凡.浙江大学 2016
[4]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[5]高分辨率遥感森林植被分类提取研究[D]. 李伟涛.北京林业大学 2016
[6]基于知识的高分辨率遥感影像耕地自动提取技术研究[D]. 孙家波.中国农业大学 2014
[7]面向对象影像分析中的多尺度方法研究[D]. 黄志坚.国防科学技术大学 2014
[8]遥感数据可靠性分类方法研究[D]. 张华.中国矿业大学 2012
[9]植被覆盖区遥感矿化蚀变信息提取方法研究[D]. 王爱云.中国地质科学院 2011
[10]高分辨率遥感影像变化检测的关键技术研究[D]. 祝锦霞.浙江大学 2011
硕士论文
[1]高分辨率遥感图像深度学习舰船检测技术研究[D]. 王腾飞.哈尔滨工业大学 2017
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]基于深度神经网络的遥感图像变化检测[D]. 楚岩.南京理工大学 2017
[4]基于深度学习的高光谱遥感图像分类[D]. 邢晨.中国地质大学 2016
[5]面向对象的高分辨率遥感影像建筑物倒损信息提取[D]. 杨春.中国地质大学(北京) 2015
[6]基于BP神经网络的遥感影像分类研究[D]. 张辉.山东师范大学 2013
[7]可见光遥感图像分割算法研究[D]. 王丽芳.西安电子科技大学 2013
[8]面向对象的高分辨率遥感影像分类及泥石流信息提取研究[D]. 李宏宏.南京理工大学 2013
[9]人工神经网络BP学习算法的研究及在人脸识别中的应用[D]. 李永明.山东大学 2012
[10]遥感影像植被分类技术研究[D]. 卢茂芬.解放军信息工程大学 2012
本文编号：3466975
【文章来源】：东华理工大学江西省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 章节安排
1.3.3 技术路线
2 研究区概况与数据资料
2.1 研究区概况
2.2 遥感影像数据
2.2.1 获取数据方式
2.2.2 影像数据结构
2.3 数据预处理
2.3.1 遥感影像预处理
2.3.2 面向对象分割
3 空间模型变量提取与特征选择
3.1 模型变量提取
3.1.1 数据变量提取
3.1.2 精度评价
3.2 空间特征选择
3.2.1 特征分析
3.2.2 特征选择
3.3 小结与讨论
4 基于面向对象的MLP模型植被信息提取
4.1 背景介绍
4.1.1 多层感知器模型
4.1.2 模型参数选择
4.1.3 性能评价指标
4.2 建模过程
4.2.1 特征数据处理及建模过程流程图
4.2.2 参数选择
4.2.3 模型优化
4.2.4 预测结果与分析
4.3 小结与讨论
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
附录A
【参考文献】：
期刊论文
[1]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[2]国务院印发《新一代人工智能发展规划》[J]. 自动化博览. 2017(08)
[3]基于混合特征空间MRF（Markov Random Filed）模型的高分辨率遥感影像水体提取[J]. 李士进,王声特. 南京师大学报(自然科学版). 2017(01)
[4]南方丘陵区植被覆盖度遥感估算的地形效应评估[J]. 吴志杰,何国金,黄绍霖,王猛猛,林金堂. 遥感学报. 2017(01)
[5]宜良县云南松林生物量遥感估测方法研究[J]. 胡振华,王丽媛,岳彩荣. 河北农业大学学报. 2017(01)
[6]基于空间特征与纹理信息的高光谱图像半监督分类[J]. 程志会,谢福鼎. 测绘通报. 2016(12)
[7]基于可见光波段的无人机超低空遥感图像处理[J]. 邓继忠,任高生,兰玉彬,黄华盛,张亚莉. 华南农业大学学报. 2016(06)
[8]基于形态学空间特征的高光谱遥感图像分类方法[J]. 吕俊伟,樊利恒,石晓航. 光学技术. 2016(05)
[9]基于可见光波段的城市航空影像植被提取[J]. 周勇兵,朱永清. 绿色科技. 2016(16)
[10]结合支持向量回归和图像自相似的单幅图像超分辨率算法[J]. 王宏,卢芳芳,李建武. 中国图象图形学报. 2016(08)
博士论文
[1]基于集成学习的高分遥感图像玉米区高精度提取算法研究[D]. 李大威.中北大学 2017
[2]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
[3]区域森林生物量遥感估测与应用研究[D]. 吴超凡.浙江大学 2016
[4]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[5]高分辨率遥感森林植被分类提取研究[D]. 李伟涛.北京林业大学 2016
[6]基于知识的高分辨率遥感影像耕地自动提取技术研究[D]. 孙家波.中国农业大学 2014
[7]面向对象影像分析中的多尺度方法研究[D]. 黄志坚.国防科学技术大学 2014
[8]遥感数据可靠性分类方法研究[D]. 张华.中国矿业大学 2012
[9]植被覆盖区遥感矿化蚀变信息提取方法研究[D]. 王爱云.中国地质科学院 2011
[10]高分辨率遥感影像变化检测的关键技术研究[D]. 祝锦霞.浙江大学 2011
硕士论文
[1]高分辨率遥感图像深度学习舰船检测技术研究[D]. 王腾飞.哈尔滨工业大学 2017
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]基于深度神经网络的遥感图像变化检测[D]. 楚岩.南京理工大学 2017
[4]基于深度学习的高光谱遥感图像分类[D]. 邢晨.中国地质大学 2016
[5]面向对象的高分辨率遥感影像建筑物倒损信息提取[D]. 杨春.中国地质大学(北京) 2015
[6]基于BP神经网络的遥感影像分类研究[D]. 张辉.山东师范大学 2013
[7]可见光遥感图像分割算法研究[D]. 王丽芳.西安电子科技大学 2013
[8]面向对象的高分辨率遥感影像分类及泥石流信息提取研究[D]. 李宏宏.南京理工大学 2013
[9]人工神经网络BP学习算法的研究及在人脸识别中的应用[D]. 李永明.山东大学 2012
[10]遥感影像植被分类技术研究[D]. 卢茂芬.解放军信息工程大学 2012
本文编号：3466975
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3466975.html
