基于卷积神经网络的遥感图像分类研究的开题报告.docx

基于卷积神经网络的遥感图像分类研究的开题报告
一、选题及研究背景
遥感技术是以航空、航天等手段获取地球表面特定区域、特定时刻、特定光谱波段的图像数据，再通过图像处理和分析，获取有关地表覆盖类型、地形地貌、地表温度等地理信息的一种技术。遥感技术具有资料获取及时、信息更新快、光谱特征明显等优势，被广泛应用于资源调查、环境监测、城市规划等领域。而遥感图像分类是遥感应用中的一个重要环节，通过将遥感图像中的像素点按照其属于的类别进行划分，从而实现对遥感图像的信息提取和分析。
基于卷积神经网络的遥感图像分类是一种新兴的研究方向，它借鉴了深度学习的思想和技术，从而解决了传统方法在遥感图像分类中存在的问题。传统的遥感图像分类方法往往采用特征提取和分类器设计两个步骤，在特征提取过程中一般采用传统的纹理、颜色和形状等特征，这种方法的分类效果与所选的特征密切相关，同时往往需要专家进行手动选择。基于卷积神经网络的遥感图像分类方法采用卷积层、池化层等网络结构，可以自动地进行特征提取和分类，不仅能够大幅提高分类精度，而且也减少了人为因素的介入，成为当前的研究热点。
二、研究内容
基于卷积神经网络的遥感图像分类研究，旨在通过深度学习的方法实现自动化地分类遥感图像。主要包括以下几个方面的内容：
1.卷积神经网络基础知识学习，深入了解卷积神经网络的基本组成和原理。
2.遥感图像数据集的选取和处理，利用公开的遥感图像数据集，将其进行预处理，并将其分类为需要的几个类别，作为研究的样本数据。
3.卷积神经网络的结构设计和参数调优，根据选取的遥感图像数据集，设计合适的卷积神经网络，并逐步调整网络的超参数，以提高分类精度。
4.分类结果的评价和分析，通过对分类结果的评价，探究实现自动化遥感图像分类的可行性，同时对分类结果进行分析，了解卷积神经网络对于遥感图像分类的作用。
三、研究意义
基于卷积神经网络的遥感图像分类研究，具有以下几个意义：
1.提高遥感图像分类的精度，目前，传统的遥感图像分类方法存在着精度不高的问题，而基于卷积神经网络的遥感图像分类方法能够提高分类的精度和准确度。
2.减少人工特征提取的工作量，传统方法需要专家进行特征提取，而基于卷积神经网络的方法可以自动进行特征提取，减轻了数据预处理的工作量。
3.提高遥感图像分类的自动化程度，基于卷积神经网络的遥感图像分类方法能够自动进行分类，不需要人工判断，从而提高了分类的自动化程度，也减少了人为因素的影响。
四、研究难点
基于卷积神经网络的遥感图像分类研究，存在以下几个难点：
1.遥感图像数据集的选取和处理，即使是公开数据集，由于数据量较大，需要进行一定的预处理，才能够用于分类研究。
2.卷积神经网络的结构设计和参数调优，对于卷积神经网络的不同超参数的组合和调整，需要充分的实验和评价。
3.遥感图像分类的异质性，遥感图像分类的样本一般存在着不平衡的问题，如某一类别的样本比其他类别的样本数量多或少，这需要在训练过程中进行一定的处理。
五、研究进度
本项目目前的研究进度如下：
1.已经完成对卷积神经网络基础知识的学习，即将开始进行遥感图像数据集的选取和处理。
2.结合选定的数据集，正在进行卷积神经网络的结构设计和参数调优。
3.将会对分类结果进行评价和分析，并对遇到的问题进行总结和反思。
六、参考文献
[1]ZhangZ,WangS,SunJ.Deeplearningforremotesensingdata:Atechnicaltutorialonthestateoftheart.IEEEGeoscienceandRemoteSensingMagazine,2016,4(2):22-40.
[2]XingD,AiB,LiaoW,etal.Remotesensingimageclassificationbasedondeepconvolutionalneuralnetwork.JournalofRemoteSensing,2016,20(6):1235-1243.
[3]KussulN,BaidykT,LavreniukM,etal.Deeplearningclassificationoflandcoverandcroptypesusingremotesensingdata.IEEEInternationalGeoscienceandRemoteSensingSymposium,2017:3729-3732.
[4]JiangJ,CuiG,TanL,etal.Deepneuralnetworksforremotesensingimageclassification.RemoteSensing,2017,9(7):649.