一、遥感图像处理软件ENVI应用中的若干技巧（论文文献综述）
张永盛[1]（2021）在《基于HJ-CCD遥感数据海冰监测平台一体化设计》文中研究表明黄渤海区域是我国冬季海冰灾害的多发地之一。由于偏北的地理位置,再加上频繁的冷空气影响,每年冬季都会导致黄海北部和渤海出现不同程度的海冰现象,严重时还会发生冰情灾害。近年来,随着全球极端天气的不断增加,海冰灾害也具有愈演愈烈的趋势。使用遥感卫星,根据冰的光谱反射特点,通过对遥感卫星数据的提取,进行海冰发生、发展、消融的全天候监测,现已成为进行海冰冰情研判、海冰灾害预警的重要手段之一。HJ-CCD数据是我国自主发射的环境小卫星HJ-1A、1B所拍摄并返回的数据,具有中高空间分辨率、高时间分辨率的特点,为进行黄渤海海冰监测提供了有力保障。虽然HJ-CCD在进行针对研究海冰监测的过程中起到了一定的效果,但也存在一定的问题。目前已有的海冰监测系统存在操作自动化欠佳、监测实时性较差、监测可视化不完善等问题。因此基于HJ-CCD遥感数据海冰监测平台一体化设计,提供预报黄海北部和渤海区域的监测、预报业务服务,为相关海事部门提供及时、准确、可靠的海冰卫星遥感监测数据。数据内容包含海冰范围、密集度、厚度、外缘线、海冰表面温度等数据,为预报部门提供海冰分布范围、密集度、厚度初始场等信息。本文主要研究以HJ-CCD卫星遥感数据为基础,构建基于以HJ-CCD数据的全自动化的可视平台,针对采集而来的数据进行图像处理,提取海冰冰层及面积等相关信息。具体研究内容有:（1）使用C#、ArcGIS Engine和IDL等工具采用GIS一体化技术,架构海冰监测平台一体化模型。针对CCD遥感数据影像,采用ENVI和IDL对影像进行预处理,ArcGIS Engine进行制图和影像展示。（2）确立系统建设内容,包括软件系统建设、数据库建设,建立平台的流程、功能结构模块,设计主界面和工作状态面板。（3）研究海冰监测中HJ-CCD数据预处理、海冰信息提取、海冰信息反演到产品信息输出一系列过程。
朱孟[2]（2021）在《喀斯特山区异质地表特色农作物低空遥感识别特征响应与提取》文中认为喀斯特山区地块破碎、切割幽深,同时受多云、雨、雾等特殊天气的影响,导致光学卫星遥感的应用面临数据获取困难、数据可靠性减弱、作物类型解译精度降低、作物种植真实面积失真等问题。同时,西南喀斯特山区作物种植空间分布较分散,地表异质性显着,作物生境情况复杂。如何灵活、快速、准确和高效地进行复杂场景下的特色农作物精准识别和长势监测是亟待解决的问题。研究面向喀斯特现代山地精准农业发展需求,针对喀斯特山区遥感精准识别特征机理响应不明确,识别方法受异质地表导致的普适性差等科学问题,选择喀斯特山地复杂环境中种植的特色农作物火龙果、花椒为研究对象,以贵州省罗甸县（阳光果园、新中盛红心火龙基地、关岭县火龙果基地）和关岭县花江石漠化综合治理示范区（火龙果种植基地、花椒种植基地）为研究区,依托轻小型多旋翼无人机采集超低空可见光波段遥感数据,开展（1）喀斯特山地特色农作物识别特征与异质地表响应机理研究;（2）喀斯特山地特色农作物精准识别模型构建与阈值提取研究;（3）喀斯特山地特色农作物单株提取算法模型构建及精度评价研究。本文主要研究结果如下:（1）厘清喀斯特山地异质地表中特色农作物识别特征响应机理。摸清了作物生境通常呈植株-裸地、植株-裸地-杂草、植株-裸地-杂草-裸岩斜坡3种场景,受生境差异的影响,识别方法通常根据不同生境而响应不同。根据不同生境组合的识别效果看,识别特征与异质地表的作物表现有显着相关性,表现为植株生长环境较为单一（植株-裸地型）时,识别特征较为稳定,随着作物生长于复杂的环境中（植株-杂草型、植株-裸地-杂草-裸岩型）时,现有指数对同属绿色植被的再分类不再适用。（2）针对伴有杂草干扰的复杂生境,基于目标地物与其背景地物的光谱反射差异规律,构建了喀斯特山地火龙果树的相近颜色植被指数（CCVI）识别模型,解决了杂草因颜色与植株相近造成的识别干扰,总体精度为94.60%,Kappa系数为0.9417。（3）通过RGB转换到HSV、HSL颜色空间,增加了描述地物的识别特征,结合纹理特征和融合颜色空间特征波段定量分析了各识别特征的贡献率,基于贡献率大小构建了复杂场景（植株-裸地-杂草-裸岩-坡度）下的作物识别模型CSI,将其应用与北盘江流域花江峡谷河岸的花椒基地,识别总体精度和分类精度Kappa系数均大于90%,误分率和漏分率均低于10%。（4）提出一种以单植株平均面积分割株丛（植株簇）的算法,解决了火龙果因长势茂盛连株、倒伏连株导致的单株分割界线模糊的问题,并结合ArcGIS地理信息处理软件中的可视化建模工具,对单株提取模型步骤进行集成,实现植株的自动提取。从理论上为单株提取提供了参考意义,并在实际应用中围绕遥感发展的低成本、精细化、定量化做了部分基础工作,针对复杂场景的脆弱喀斯特山区精准农业发展具有一定的参考价值。（5）本文构建的相近颜色植被指数CCVI和颜色空间植被指数CSI相比现有应用较广的可见光波段植被指数VDVI和过绿指数ExG等具有精细化分类的特点,VDVI指数和ExG指数在植被与非植被的分类中具有较好的效果（生境为本文描述中的背景呈植株-裸地型）,而在同属绿色植被的再分类中,本文构建的CCVI指数则更具优势。因此两种指数之间可互补应用。相比目前应用较多的深度学习方法,本文构建的植被指数具有易操作、硬件依赖度低和解释性强的优势,以便于读者理解遥感指数构建的原理,方便后续研究在此基础上发展适用范围更广,精度更高的模型。
苍圣[3]（2021）在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中研究指明高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:（1）对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。（2）针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。（3）提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据（集）库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。（4）提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。（5）提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。
陈亦晨[4]（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。
崔永想[5]（2020）在《基于深度学习的干旱区荒漠化遥感动态监测及驱动机制研究》文中认为干旱区生态环境与水资源密切相关,荒漠化是反映二者关系的重要变量。因此基于遥感监测荒漠化成为干旱区环境监测的热点。而随着遥感数据源的不断增加,基于深度学习的监测方法也得到快速发展。本文以塔里木河下游段（大西海子水库附近区域）（40°22′31″N～40°45′35″N,87°23′16″E～88°0′15″E）为研究区,以研究区5期（2000年、2005年、2010年、2015年和2018年）Landsat中分辨率遥感卫星影像为基础,基于ENVI 5.5遥感图像软件处理平台进行图像预处理,然后利用深度学习模型对研究区5期近19年的地物进行荒漠、水体、建设用地和耕地的地物分类,获取到满足精度的分类结果;再者,综合运用单一土地动态度、土地利用转移矩阵方法,统计分析该区域荒漠化的年际变化、以及荒漠与其他地物之间的相互转移情况。基于上述分类结果,提取荒漠区,获得归一化植被指数NDVI,进而获取该研究区的植被覆盖度。结合植被覆盖度和荒漠化之间的定量关系,获取了该研究区不同年份的荒漠化等级分类结果,利用转移矩阵方法,分析研究区重度、中度和轻度荒漠化区域之间的相互转化情况。结合自然因子（年均降水量、年均气温、年平均风速、年最大风速）和人文因子（生态输水、地表水体、耕地面积、人口数量）,利用灰色关联度方法,探讨荒漠化的驱动机制,并利用GM（1,1）对荒漠发展进行预测。最后对研究区荒漠化治理、生态恢复,提出若干有效建议。主要结论如下:1.5期（2000年、2005年、2010年、2015年和2018年）影像地物分类结果精度分析表明:影像总体分类精度均在85%以上,Kappa系数在0.83左右。2.荒漠为研究区主要地物,占据了研究区80%以上的面积;在近19年间不同时间段内荒漠面积总体不断减少,共减少106.27 km2;所占比例不断降低,年均增长率为-0.30%,荒漠化不断逆转。生态环境总体变好。3.近19年间,重度荒漠面积减少了334.71 km2;中度荒漠面积增加了182.92 km2;轻度荒漠面积增长48.05 km2。重度荒漠面积、中度荒漠面积、轻度荒漠面积年均增长率分别为-1.24%、2.24%、5.68%。非荒漠面积较小,予以忽略。未分类土地面积增加106.27 km2,年均增长率为2.52%。总体说明重度荒漠化不断逆转,中度、轻度荒漠和未分类土地面积则不断增长;生态环境有效改善。4.经过自然因子,人文因子与荒漠与重度荒漠的灰色关联度分析,生态输水与荒漠、重度荒漠关联度最高,研究期内生态输水量的增多有助于植被的恢复和荒漠化的逆转。人文因子对荒漠化的影响是决定性的,尤其是生态输水量;它导致了地表水体面积的变化,为耕地的开垦提供了农作物所需的水分;为研究区植被的恢复提供了植被生长所需的水分;为人类生活提供了必要的水源。5.利用GM（1,1）模型对研究区荒漠及重度荒漠进行了2025年、2030年、2035年、2040年、2045年数值预测;预测期内荒漠和重度荒漠面积呈现递减趋势。该论文对荒漠化的动态监测以及荒漠化驱动机制的研究,可以及时掌握该地区的荒漠化变化情况,并为政府和人民科学有效防治荒漠化提供有益借鉴。
李海月[6]（2020）在《基于遥感纹理特征的北京市森林蓄积量估测模型研究》文中研究表明随着3S技术的发展,将遥感影像数据与地面调查数据相结合,建立蓄积量估测模型的方法解决了传统蓄积量测定方法的诸多不足,并得到了广泛应用。本研究以北京市为研究区域,将高分一号（GF-1）遥感影像数据、DEM数据、森林资源一类清查数据相结合,探究遥感纹理特征对森林蓄积量估测的影响,同时建立基于三种森林类型蓄积量的多元线性回归模型、BP神经网络模型和支持向量回归模型,通过比较三种不同方法建立的模型的精度,寻求更可靠的蓄积量估测方法。主要研究内容和结论如下:（1）探究了遥感影像的纹理特征对蓄积量估测的影响。以GF-1卫星数据为数据源,提取了光谱特征、地形特征以及纹理特征,以北京市阔叶林为例,采用多元线性回归方法,构建了不加纹理特征和加入纹理特征的蓄积量估测模型,并对比分析两种模型的精度。结果表明,两种模型中加入纹理特征的模型精度高于不加纹理特征的模型。其中,不加纹理特征的蓄积量估测模型的决定系数R2为0.52,均方根误差RMSE为10.51m3/ha;加入3×3窗口纹理特征的蓄积量估测模型的R2为0.55,RMSE为10.34m3/ha。（2）探究了高分影像的不同纹理窗口对蓄积量估测的影响。以北京市阔叶林为例,提取了基于五种窗口（3×3、5×5、7×7、9×9、15×15）的纹理特征,并分别将其与光谱特征和地形特征相结合,采用多元线性回归的方法构建了五种基于不同窗口纹理特征的蓄积量估测模型,并对比分析五种模型的精度。结果表明,五种模型中基于7×7窗口纹理特征构建的蓄积量估测模型精度最高,决定系数R2为0.56,均方根误差RMSE为10.22m3/ha。（3）构建了基于纹理特征的北京市三种森林类型的蓄积量估测模型。将高分一号卫星数据提取的光谱特征、地形特征以及7×7窗口纹理特征相结合,通过多元线性回归方法和两种基于机器学习的BP神经网络和支持向量回归算法,分别构建了北京市针叶林、阔叶林和混交林的蓄积量估测模型,并对比分析三种方法下建立的模型的精度。结果表明,三种建模方法中,基于机器学习的支持向量回归优于BP神经网络和传统的多元线性回归。同时三种森林类型中,混交林蓄积量估测模型优于阔叶林和针叶林的蓄积量估测模型,其中混交林的SVR模型的决定系数R2为0.75,均方根误差RMSE为11.02m3/ha。
季超[7]（2020）在《GF-5高光谱数据预处理及地物特征提取方法分析》文中进行了进一步梳理高分五号是我国最新发射的高光谱综合观测卫星,对其的应用研究也是近来国内外遥感领域关注的热点。本文对高分五号高光谱遥感数据有效的预处理方法做了尝试,为了更好的应用效果进行了数据融合和降维,选用光谱角匹配法、支持向量机和ENVINet5模型的深度学习方法对于地物特征提取及分类进行研究,取得了如下主要成果。（1）本文利用ENVI软件对高分五号高光谱数据进行预处理工作,通过一系列处理过程,校正了图像的辐射和几何畸变,还原了地物真实反射率,取得了较好的效果。（2）将高分五号高光谱数据（30m）与Landsat8全色波段（15m）用GS法融合后,图像的纹理细节得到提升,并较好保留了光谱信息。运用分块主成分分析对高光谱数据进行降维,降低了波段相关性。（3）对高分五号高光谱数据,利用基于光谱特征的光谱角匹配（SAM）、基于统计特征的支持向量机（SVM）和ENVI深度学习框架（ENVINet5）对6类地物进行了分类提取。分别对SVM的核函数选择和ENVINet5的权重参数调节进行了实验。综合分析了三种方法的提取结果,总体精度都达到80%以上,表明高分五号高光谱数据在地物特征提取分类的应用中效果良好,并且在精细化分类中具有较好应用前景。其中SAM方法对光谱曲线敏感,适用于存在差别的同类型地物提取。SVM各类结果稳定,适用于面积大分布广的地物。深度学习ENVINet5方法经过调参后结果的精度最高,特别是对于线性规则地物提取效果较好。
张澜[8]（2020）在《基于高分辨率遥感影像的建筑物提取方法研究》文中进行了进一步梳理随着遥感卫星不断的发射升空,遥感卫星传感器的空间分辨率已达到亚米级别,可以从遥感影像获得越来越多有价值的信息。建筑物是人类生活栖息的场所,与我们生活息息相关,基于高分遥感影像建筑物提取一直以来是遥感领域的一个热门方向。从第一颗遥感卫星发射以来,国内外学者就开始针对建筑物提取进行了大量的研究,针对低分辨率影像的建筑物区域提取算法比较成熟且精度较高,但算法并不能有效地应用到高分辨率影像,存在精度低、完整度低等问题。本文对以前建筑物提取的研究工作进行了总结,对基于高分辨率影像的建筑物提取方法进行了一系列的研究和探索,提出了一种精度高、完整度高的面向对象的局部二值模式多特征的建筑物提取算法。本文进行的研究工作主要有:首先,针对高分遥感的特点,设计了一种图像预处理方法;该方法利用直方图均衡化来增强建筑物区域的对比度,再利用双边滤波使建筑物内部区域和背景细节变得平滑且有效保留目标边界信息。其次,利用局部二值模式（LBP）算法,对遥感影像使用进行处理,获得局部二值模式算法后得到低密度特征图,并在此基础上通过均值漂移分割得到地物对象。再次,所获得地物对象的基础上,通过旋转不变性原则,对特征图进行转换;并利用滑动窗口对每个对象进行遍历。统计每个对象的每个模式对的量级,最终得到其LBP特征。此外,还通过引入阴影指数、矩形度、亮度特征组成多维特征向量。最后,将多维特征向量输入支持向量机完成建筑物提取,并对建筑物结果进行形态学优化来完善轮廓的完整性。通过对预处理效果、参数设置、与其他算法对比、大范围提取的角度等方面开展了进行实验,并对试验结果来进行对比分析算法的效果;结果表明,除了大范围提取的实验结果,其他的完整度都达了90%以上且提取出的轮廓较完整。最后,在本论文的结尾部分,总结了实验过程与结果中的问题与不足,并在此基础上提出了一些解决办法以及对今后研究方向的思考。
陈震[9]（2020）在《土地生态质量遥感评价模型与方法研究 ——以广安市为例》文中研究指明论文在基于机器学习的土地利用分类方法研究的基础上,根据土地生态学等理论,建立评价指标体系,构建基于理想点法的土地生态质量评价模型,进行广安市土地生态质量遥感评价模型与方法研究,为土地整治部门的土地生态质量监管工作提供了决策依据和技术支持,选题具有重要的应用价值。论文取得主要成果及创新点如下:1、为了更好地反应土地生态本底信息,根据可持续发展、景观生态学、土地生态学等相关理论,从生态本底、生态胁迫、生态结构与生态效益等4个方面选择14个土地生态指标构建了土地生态质量评价指标体系。2、采用主观和客观相结合的评价指标赋权方法,建立改进的理想点模型,对2000、2005、2010、2015年广安市土地生态质量进行了综合评价。3、基于热点模型,对2000、2005、2010、2015年广安市土地生态质量开展了空间分异分析,生态热点主要分布于渠江、嘉陵江沿岸地区以及东部山区。应用主成分分析法,提取了 2000、2005、2010、2015年广安市土地生态质量主控因子,林地面积占比和温度是最重要的主控因子。4、建立了由分形纹理、颜色、植被指数、水体指数、裸地指数、建筑物指数等地物特征组合的多特征向量结合支持向量机模型的土地利用分类方法,并开展了迁移学习结合卷积神经网络的土地利用分类方法研究。基于机器学习的土地利用分类方法有助于提高地物特征的提取效率和土地利用分类的精度。
姜文斌[10]（2020）在《稀疏数据的融合与分割在土地利用分类中的研究》文中研究说明土地利用的情况在我们日常生活中起着重要的指引作用,我们可以通过分析土地利用的情况来规划土地资源,同时可以对生态环境进行保护。由于全球土地利用的情况在不断发生着改变,并且遥感技术的发展速度与日俱增,更加准确的获取多光谱遥感影像的土地利用信息变得非常有必要。目前为止,大多传感器在分辨率上仍然很难达到我们在土地利用分类研究中的要求,所以提高土地利用分类精度依然是国内外学者研究的大趋势和大方向。本文以石嘴山市为研究区域,依照美国地质勘测局与中国科学院土地利用分类体系,结合石嘴山市的自然人文特点,建立了符合石嘴山基本情况的土地利用分类体系。使用大气校正与主成分分析算法对遥感图像进行降维处理,使得降维处理后的图像更好的反应诸如林地、草地等的地形特征。本文提出一种基于梯度锐化的离散小波变换（DWT）算法和一种基于最优权重法的K-means模型分割算法对实验区域的图像进行处理,为土地利用分类提供高质量的数据集,使得分类精度有所提高。首先,针对多光谱图像和全色图像在融合过程中容易出现边缘信息缺失的问题,提出一种基于梯度锐化的离散小波变换（DWT）算法。该算法通过将全色图像与多光谱图像融合,使得光谱信息保留的更加完整,为下文土地利用分类创建数据集提供了良好的基础。通过对结果的分析以及与其他算法的对比发现,本文提出的方法对边缘细节保留的更完整,取得较好的效果。其次,针对传统K-means算法不易获得最优质心及易于趋向局部最优的问题,提出一种基于最优权重法的K-means模型对遥感图像分割的方法。该方法有效的解决了局部最优和初始聚类中心的问题,提高了图像的分割精度,为下文创建标签数据集提供了数据依据。将本文提出的算法与传统的K-means分割算法及GA分割算法相比发现,本文提出的算法对遥感图像分割的效果更为明显。最后,对本文提出的基于梯度锐化的融合算法和基于自适应权重的K-means算法处理得到的遥感图像进行选取,制作深度学习训练数据集。分别使用U-net网络与最大似然法和支持向量机对改进算法处理过的数据集与原数据集进行比较,比较后发现,相对于传统的监督分类方法,深度学习方法分类精度更高,分类精度分别提高了 20%和7%;相对于原数据,经过改进算法处理过的图像分类精度更高,三种分类模型精度分别提高了 2.5%、3.6%和8%。
二、遥感图像处理软件ENVI应用中的若干技巧（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、遥感图像处理软件ENVI应用中的若干技巧（论文提纲范文）
（1）基于HJ-CCD遥感数据海冰监测平台一体化设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 HJ-CCD卫星数据监测研究现状 |
| 1.2.2 遥感数据处理平台研究现状 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 论文组织结构 |
| 2 遥感数据海冰监测平台研究 |
| 2.1 理论基础 |
| 2.1.1 遥感数据 |
| 2.1.2 海冰监测平台 |
| 2.1.3 遥感与GIS平台一体化 |
| 2.1.4 有关ENVI和 ArcGIS功能简介 |
| 2.2 基于HJ-CCD数据下的海冰监测平台 |
| 2.2.1 平台界面设计 |
| 2.2.2 设计流程 |
| 2.3 本章小结 |
| 3 HJ-CCD数据及其预处理工作 |
| 3.1 HJ环境与灾害监测预报小卫星简介 |
| 3.2 CCD相机简介 |
| 3.3 数据资料选择 |
| 3.4 数据预处理 |
| 3.4.1 辐射校正 |
| 3.4.2 几何校正 |
| 3.4.3 云检测 |
| 3.4.4 陆地去除 |
| 3.5 本章小结 |
| 4 冰水分离与海冰信息反演 |
| 4.1 冰水识别 |
| 4.1.1 区域划分 |
| 4.1.2 冰水识别 |
| 4.2 海冰信息反演 |
| 4.2.1 密集度反演 |
| 4.2.2 厚度反演 |
| 4.2.3 温度反演 |
| 4.2.4 外缘线反演 |
| 4.2.5 面积计算 |
| 4.3 本章小结 |
| 5 产品功能实现 |
| 5.1 初始场文件 |
| 5.2 影像图 |
| 5.3 解译图 |
| 5.4 快报输出 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（2）喀斯特山区异质地表特色农作物低空遥感识别特征响应与提取（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 无人机遥感应用潜力及研究现状 |
| 1.2.2 无人机遥感农作物精细化研究 |
| 1.2.3 可见光波段影像农作物识别特征 |
| 1.2.4 喀斯特山区特色农作物监测研究现状 |
| 1.3 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 拟解决的关键问题 |
| 1.3.4 技术路线 |
| 2 研究区概况及数据获取 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 自然环境 |
| 2.1.3 社会经济 |
| 2.1.4 火龙果种植特征 |
| 2.1.5 花椒种植特征 |
| 2.2 数据来源与处理 |
| 2.2.1 数据来源 |
| 2.2.2 数据处理 |
| 2.3 研究思路与实验设计 |
| 2.3.1 研究思路 |
| 2.3.2 火龙果植株实验设计 |
| 2.3.4 花椒植株实验设计 |
| 2.4 本章小结 |
| 3 植被特征分析与研究方法 |
| 3.1 植被指数 |
| 3.1.1 可见光波段植被指数 |
| 3.1.2 过绿指数 |
| 3.1.3 归一化绿红差异指数 |
| 3.1.4 过绿减过红指数 |
| 3.2 颜色空间 |
| 3.2.1 RGB颜色空间 |
| 3.2.2 HSV/HSL颜色空间 |
| 3.2.3 颜色空间转换 |
| 3.3 纹理特征 |
| 3.4 阈值提取 |
| 3.4.1 双峰直方图 |
| 3.4.2 最大类方差法 |
| 3.5 分类后处理 |
| 3.5.1 Majority/Minority分析 |
| 3.5.2 clump classes |
| 3.5.3 过滤处理(Sieve) |
| 3.5.4 图像形态学算子处理 |
| 3.6 精度验证 |
| 3.7 本章小结 |
| 4 异质地表作物识别特征响应及影响因素分析 |
| 4.1 光谱识别特征 |
| 4.1.1 植株-裸土型识别特征对比分析 |
| 4.1.2 植株-裸土-杂草型识别特征对比分析 |
| 4.1.3 植株-裸土-杂草-岩石型识别特征对比分析 |
| 4.2 颜色空间识别特征 |
| 4.3 纹理识别特征 |
| 4.4 影响因素分析 |
| 4.5 本章小结 |
| 5 特色农作物识别提取模型构建与对比分析 |
| 5.1 相近颜色植被指数构建 |
| 5.1.1 模型构建原理 |
| 5.1.2 模型计算与阈值分割 |
| 5.2 颜色空间植被指数构建 |
| 5.2.1 模型构建原理 |
| 5.2.2 模型计算与阈值分割 |
| 5.3 单株提取模型构建 |
| 5.3.1 模型构建算法 |
| 5.4 作物单株提取对比与精度验证 |
| 5.4.1 火龙果植株单株提取与精度评价 |
| 5.4.2 花椒植株单株提取与精度评价 |
| 5.5 本章小结 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 硕士期间参加的课题和取得的成果 |
（3）基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.1.1 课题的目的 |
| 1.1.2 课题的意义 |
| 1.2 课题的国内外研究现状 |
| 1.3 高光谱遥感数据分类研究 |
| 1.3.1 高光谱遥感数据的应用概述 |
| 1.3.2 高光谱遥感数据分类依据 |
| 1.3.3 高光谱遥感数据分类方法 |
| 1.3.4 高光谱遥感数据分类中存在的问题 |
| 1.4 基于压缩感知的森林高光谱遥感数据分类算法 |
| 1.4.1 压缩感知在森林高光谱遥感图像重构中的作用 |
| 1.4.2 压缩感知在森林高光谱遥感图像分类中的应用及优势 |
| 1.5 研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究路线 |
| 1.6 章节安排 |
| 2 相关技术概述及数据处理 |
| 2.1 高光谱遥感影像森林类型分类算法概述 |
| 2.1.1 森林高光谱遥感影像重构算法 |
| 2.1.2 森林高光谱遥感影像降维算法 |
| 2.1.3 高光谱遥感影像森林分类算法 |
| 2.2 森林分类中的压缩感知算法 |
| 2.2.1 信号的稀疏表示 |
| 2.2.2 测量矩阵的设计 |
| 2.2.3 信号重构算法的设计 |
| 2.2.4 分块压缩感知方法 |
| 2.2.5 高光谱图像重构算法 |
| 2.2.6 高光谱图像特征分析 |
| 2.3 森林影像相关实验数据集 |
| 2.3.1 Indian Pines数据集 |
| 2.3.2 Salinas-A数据集 |
| 2.3.3 PaviaCentre数据集 |
| 2.4 黑龙江省伊春乌伊岭林场数据集 |
| 2.4.1 伊春乌伊岭概况 |
| 2.4.2 伊春乌伊岭地区高光谱遥感数据获取 |
| 2.4.3 伊春乌伊岭地区高光谱遥感数据预处理 |
| 2.5 高光谱遥感影像森林类型分类指标体系 |
| 2.5.1 混淆矩阵 |
| 2.5.2 误差矩阵基本精度指标 |
| 2.5.3 Kappa系数 |
| 2.6 本章小结 |
| 3 高光谱遥感影像压缩与重构算法研究 |
| 3.1 引言 |
| 3.2 高光谱遥感影像压缩方法研究 |
| 3.2.1 高光谱遥感影像压缩技术介绍 |
| 3.2.2 分块压缩感知的遥感图像压缩方法研究 |
| 3.2.3 改进的分块压缩感知的遥感图像压缩方法研究 |
| 3.2.4 基于GISMT的压缩感知高光谱图像重压缩法研究 |
| 3.3 高光谱遥感影像重构方法研究 |
| 3.3.1 基于参考波段复合预测模型的高光谱遥感图像重构方法研究 |
| 3.3.2 基于GISMT压缩感知和谱间预测的高光谱影像重构算法研究 |
| 3.3.3 实验及结果分析 |
| 3.4 本章小结 |
| 4 基于多特征降维与谱间预测的多核支持向量机分类研究 |
| 4.1 基于压缩感知和多特征集成的高光谱影像降维算法 |
| 4.2 基于压缩感知样本稀疏的支持向量机高光谱分类改进算法 |
| 4.3 基于压缩感知的多核支持向量机的高光谱分类算法 |
| 4.3.1 支持向量机的高光谱影像分类算法 |
| 4.3.2 支持向量机的非线性问题 |
| 4.4 基于谱间预测重构与多核支持向量机的高光谱遥感图像分类算法 |
| 4.4.1 经典数据集实验结果与分析 |
| 4.4.2 乌伊岭区森林类型分类 |
| 4.5 小结 |
| 5 基于CS与稀疏表示的有监督学习森林分类方法研究 |
| 5.1 高光谱遥感影像稀疏描述 |
| 5.1.1 稀疏表示分类器原理 |
| 5.1.2 高光谱影像稀疏表示与分类方法 |
| 5.2 基于形状自适应稀疏表示的高光谱森林影像分类 |
| 5.2.1 窗口边缘匹配搜索 |
| 5.2.2 联合稀疏表示高光谱遥感影像森林分类 |
| 5.3 实验过程 |
| 5.3.1 实验设置 |
| 5.3.2 分类性能对比实验 |
| 5.3.3 参数分析与讨论 |
| 5.4 小结 |
| 6 基于CS与稀疏表示的无监督字典学习森林分类研究 |
| 6.1 引言 |
| 6.2 基于光谱稀疏表示的字典学习 |
| 6.3 基于在线字典学习的高光谱遥感影像森林分类 |
| 6.3.1 稀疏先验和空间先验的混合约束 |
| 6.3.2 在线字典学习模型与优化算法 |
| 6.3.3 基于稀疏系数的线性分类算法 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 分类性能对比 |
| 6.4.3 参数分析 |
| 6.5 本章小结 |
| 结论 |
| 1研究总结 |
| 2研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（4）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 |
（5）基于深度学习的干旱区荒漠化遥感动态监测及驱动机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 研究区概况、数据与方法 |
| 2.1 研究区概况 |
| 2.2 数据准备 |
| 2.3 研究方法 |
| 第三章 基于深度学习的荒漠化时空变化分析 |
| 3.1 模型训练分类及结果精度分析 |
| 3.2 基于深度学习模型的地物分类分析 |
| 3.3 基于像元二分模型的荒漠等级划分 |
| 3.4 荒漠化时空变化分析 |
| 3.5 小结 |
| 第四章 荒漠化驱动机制研究 |
| 4.1 灰色关联度的驱动机制分析 |
| 4.2 GM(1,1)模型预测 |
| 4.3 荒漠化治理对策和建议 |
| 第五章 结论和展望 |
| 5.1 主要结论 |
| 5.2 创新与不足 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
（6）基于遥感纹理特征的北京市森林蓄积量估测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 .研究背景 |
| 1.2 .国内外研究现状 |
| 1.2.1 .纹理信息在森林资源监测中的应用现状 |
| 1.2.2 .森林蓄积量遥感估测现状 |
| 1.3 .研究目的及意义 |
| 1.4 .研究内容与技术路线 |
| 1.4.1 .研究内容 |
| 1.4.2 .技术路线 |
| 1.5 .主要创新点 |
| 1.6 .论文组织结构 |
| 2.研究区概况与数据获取 |
| 2.1 .研究区概况 |
| 2.1.1 .地理位置 |
| 2.1.2 .地形地貌 |
| 2.1.3 .气候条件 |
| 2.1.4 .森林资源 |
| 2.2 .研究区数据获取 |
| 2.2.1 .遥感影像数据获取 |
| 2.2.2 .DEM数据获取 |
| 2.2.3 .森林资源清查数据获取 |
| 2.3 .本章小结 |
| 3.数据预处理 |
| 3.1 .遥感数据预处理 |
| 3.1.1 .影像预处理 |
| 3.1.2 .光谱特征提取 |
| 3.2 .DEM数据预处理 |
| 3.2.1 .DEM数据镶嵌裁剪 |
| 3.2.2 .地形特征提取 |
| 3.3 .森林资源清查数据预处理 |
| 3.4 .建模因子整理与筛选 |
| 3.5 .本章小结 |
| 4.基于纹理特征的阔叶林蓄积量估测模型研究 |
| 4.1 .纹理特征 |
| 4.2 .纹理特征提取 |
| 4.2.1 .主成分分析(PCA) |
| 4.2.2 .灰度共生矩阵(GLCM) |
| 4.2.3 .纹理特征计算公式及影像 |
| 4.3 .纹理特征对蓄积量估测的影响 |
| 4.3.1 .不加纹理特征的森林蓄积量估测 |
| 4.3.2 .加入纹理特征的森林蓄积量估测 |
| 4.3.3 .模型精度评价 |
| 4.4 .不同纹理窗口对蓄积量估测的影响 |
| 4.4.1 .不同窗口纹理特征提取 |
| 4.4.2 .基于五种纹理窗口的蓄积量估测模型 |
| 4.4.3 .模型精度对比 |
| 4.5 .本章小结 |
| 5.基于针、阔、混交林的蓄积量估测模型研究 |
| 5.1 .多元线性回归(MLR) |
| 5.1.1 .多元线性回归原理 |
| 5.1.2 .多元线性回归模型构建 |
| 5.1.3 .多元线性回归模型精度检验 |
| 5.2 .BP神经网络 |
| 5.2.1 .BP神经网络原理 |
| 5.2.2 .BP神经网络模型构建 |
| 5.2.3 .BP神经网络模型精度检验 |
| 5.3 .支持向量回归(SVR) |
| 5.3.1 .支持向量回归原理 |
| 5.3.2 .支持向量回归模型构建 |
| 5.3.3 .支持向量回归模型精度检验 |
| 5.4 .三种模型估测结果比较 |
| 5.5 .本章小结 |
| 6.结论与展望 |
| 6.1 .研究结论 |
| 6.2 .研究展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（7）GF-5高光谱数据预处理及地物特征提取方法分析（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱遥感研究现状 |
| 1.2.2 高分五号研究现状 |
| 1.2.3 遥感地物特征提取分类研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 高分五号数据预处理 |
| 2.1 高分五号高光谱数据介绍 |
| 2.2 坏波段去除 |
| 2.3 辐射定标 |
| 2.4 坏线修复 |
| 2.5 条纹效应修复 |
| 2.6 SMILE效应检测 |
| 2.7 大气校正 |
| 2.8 几何校正 |
| 2.9 本章小结 |
| 3 高光谱数据融合及降维 |
| 3.1 高光谱数据融合 |
| 3.1.1 GS融合流程 |
| 3.1.2 融合效果分析 |
| 3.2 高光谱数据降维 |
| 3.2.1 主成分分析原理 |
| 3.2.2 相关性分析及分块主成分降维 |
| 3.2.3 降维效果分析 |
| 3.3 本章小结 |
| 4 基于传统方法的高光谱地物特征提取分类 |
| 4.1 研究区概况及标准样本选取 |
| 4.2 光谱角匹配法分类 |
| 4.2.1 算法原理 |
| 4.2.2 端元光谱选取及分类 |
| 4.2.3 分类的后续处理及精度评估 |
| 4.3 支持向量机分类 |
| 4.3.1 SVM原理 |
| 4.3.2 分类流程 |
| 4.3.3 实验及分析 |
| 4.4 分类结果 |
| 4.5 本章小结 |
| 5 基于深度学习方法的地物特征提取分类 |
| 5.1 深度学习相关理论 |
| 5.1.1 深度学习简介 |
| 5.1.2 相关概念 |
| 5.1.3 UNet神经网络 |
| 5.2 ENVI深度学习模块 |
| 5.2.1 模块简介 |
| 5.2.2 ENVINet5 模型参数 |
| 5.3 实验及分析 |
| 5.3.1 分类流程 |
| 5.3.2 权重参数调节及分析 |
| 5.3.3 分类结果 |
| 5.4 本章小结 |
| 6 分类结果综合分析 |
| 6.1 定性评价 |
| 6.2 定量评价 |
| 6.3 效率评价 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论与认识 |
| 7.2 问题与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于高分辨率遥感影像的建筑物提取方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 建筑物提取国内外研究现状 |
| 1.2.1 基于特征的建筑物提取方法 |
| 1.2.2 基于模型的建筑物提取方法 |
| 1.3 论文主要工作 |
| 1.4 论文框架结构 |
| 第2章 高分影像预处理以及分割研究 |
| 2.1 高分影像的特点 |
| 2.2 遥感影像的预处理 |
| 2.3 基于局部二值模式的低密度特征图 |
| 2.3.1 局部二值模式 |
| 2.3.2 面向对象的低密度特征图 |
| 2.4 基于低密度特征图的图像分割 |
| 2.4.1 均值漂移算法 |
| 2.4.2 加入低密度特征图的均值漂移算法 |
| 2.5 本章小结 |
| 第3章 基于多特征的建筑物提取方法研究 |
| 3.1 面向对象的局部二值模式特征算子构造 |
| 3.2 建筑物的其他特征 |
| 3.2.1 阴影指数 |
| 3.2.2 形状特征 |
| 3.3 建筑物特征分类方法研究 |
| 3.4 建筑物结果的形态学优化 |
| 3.5 本章小结 |
| 第4章 建筑物提取算法效果分析 |
| 4.1 实验数据与评估指标 |
| 4.1.1 实验区域概况 |
| 4.1.2 实验数据概况 |
| 4.1.3 评估指标 |
| 4.2 建筑物提取实验 |
| 4.2.1 预处理效果分析 |
| 4.2.2 低密度特征图参数分析 |
| 4.2.3 与其他建筑物提取算法比较 |
| 4.2.4 大范围建筑物提取实验 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）土地生态质量遥感评价模型与方法研究 ——以广安市为例（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与存在问题 |
| 1.3 科学问题、研究内容及技术路线 |
| 1.4 论文工作量 |
| 1.5 论文章节内容安排 |
| 第2章 土地生态质量遥感评价模型研究 |
| 2.1 土地生态质量评价研究 |
| 2.2 土地生态质量空间分异研究 |
| 2.3 确定评价单元和构建评价指标体系 |
| 2.4 评价指标权重的计算方法研究 |
| 2.5 土地生态质量评价主控因子识别 |
| 2.6 基于改进理想点法的土地生态质量遥感评价模型研究 |
| 2.7 本章小节 |
| 第3章 研究区概况与数据预处理 |
| 3.1 研究区地理特征 |
| 3.2 遥感数据和相关数据的选择 |
| 3.3 数据预处理 |
| 3.4 本章小节 |
| 第4章 基于机器学习的遥感土地利用分类方法研究 |
| 4.1 基于支持向量机土地利用分类方法研究 |
| 4.2 多特征组合结合支持向量机模型的遥感土地利用分类 |
| 4.3 迁移学习结合卷积神经网络的土地利用分类方法研究 |
| 4.4 迁移学习结合卷积神经网络的土地利用分类 |
| 4.5 基于机器学习的广安市遥感土地利用分类 |
| 4.6 本章小节 |
| 第5章 土地生态质量评价因子分析 |
| 5.1 生态服务价值计算 |
| 5.2 土地生态质量评价指标数据标准化 |
| 5.3 各因子之间相关性分析 |
| 5.4 土地生态质量主控因子提取 |
| 5.5 本章小节 |
| 第6章 基于改进理想点模型的遥感土地生态质量等级划分及空间分异研究 |
| 6.1 主客观结合的评价指标权重计算 |
| 6.2 基于改进理想点模型的土地生态质量等级划分 |
| 6.3 基于热点模型的土地生态质量空间分异研究 |
| 6.4 本章小节 |
| 第7章 广安市土地生态质量综合评价及相关建议 |
| 7.1 广安市土地生态质量综合评价流程 |
| 7.2 土地生态质量各等级面积占比与主控因子关系分析 |
| 7.3 土地生态质量热点空间分异与主控因子关系分析 |
| 7.4 广安市土地生态质量监管相关建议 |
| 7.5 本章小节 |
| 第8章 结论 |
| 8.1 主要成果及创新点 |
| 8.2 存在问题与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）稀疏数据的融合与分割在土地利用分类中的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土地利用分类方法研究进展 |
| 1.2.2 多光谱图像融合研究进展 |
| 1.2.3 遥感图像分割研究进展 |
| 1.3 技术路线 |
| 1.4 文章结构 |
| 第二章 遥感图像预处理 |
| 2.1 引言 |
| 2.2 Landsat遥感影像简介 |
| 2.3 研究区域简介 |
| 2.4 基于ENVI的遥感图像大气校正 |
| 2.4.1 ENVI软件介绍 |
| 2.4.2 FLAASH大气校正 |
| 2.5 多光谱遥感图像的降维 |
| 2.5.1 主成分分析降维方法 |
| 2.5.2 降维结果显示及分析 |
| 2.6 本章小结 |
| 第三章 基于离散小波变换和梯度锐化的融合算法 |
| 3.1 引言 |
| 3.2 IHS变换介绍 |
| 3.3 离散小波变换 |
| 3.4 结合梯度锐化的小波变换融合算法 |
| 3.4.1 高频系数融合准则 |
| 3.4.2 低频系数融合准则 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于自适应权重K-means模型的分割算法 |
| 4.1 引言 |
| 4.2 K-means聚类算法 |
| 4.3 结合自适应权重的K-means模型 |
| 4.3.1 二维高斯滤波 |
| 4.3.2 权重优化 |
| 4.3.3 位置调整 |
| 4.3.4 更新簇的中心 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 基于ENVI深度学习的土地利用分类 |
| 5.1 引言 |
| 5.2 创建标签图像 |
| 5.3 基于深度学习的分类结果 |
| 5.3.1 模型介绍 |
| 5.3.2 结果与精度评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
四、遥感图像处理软件ENVI应用中的若干技巧（论文参考文献）
- [1]基于HJ-CCD遥感数据海冰监测平台一体化设计[D]. 张永盛. 青岛科技大学, 2021(01)
- [2]喀斯特山区异质地表特色农作物低空遥感识别特征响应与提取[D]. 朱孟. 贵州师范大学, 2021
- [3]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
- [4]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)
- [5]基于深度学习的干旱区荒漠化遥感动态监测及驱动机制研究[D]. 崔永想. 石河子大学, 2020(01)
- [6]基于遥感纹理特征的北京市森林蓄积量估测模型研究[D]. 李海月. 北京林业大学, 2020(04)
- [7]GF-5高光谱数据预处理及地物特征提取方法分析[D]. 季超. 中国地质大学(北京), 2020(10)
- [8]基于高分辨率遥感影像的建筑物提取方法研究[D]. 张澜. 重庆邮电大学, 2020(02)
- [9]土地生态质量遥感评价模型与方法研究 ——以广安市为例[D]. 陈震. 中国地质大学(北京), 2020(01)
- [10]稀疏数据的融合与分割在土地利用分类中的研究[D]. 姜文斌. 宁夏大学, 2020(03)