一、面向对象技术及方法（论文文献综述）
蒋治浩[1]（2020）在《基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例》文中研究表明近年来,随着遥感技术不断地发展,越来越多高时间分辨率,高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,而如何利用好这些数据庞大,信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础。早期的遥感影像分辨率较低,地物信息不丰富,地物间的关系不明显,多数研究使用基于像元的方法,只利用影像的光谱信息对其进行分析,容易出现错分漏分的现象。后来出现了针对于分辨率较高,地物细节丰富,相互之间关系明确的影像的面向对象的分析方法,同时考虑对象的光谱,拓扑,空间结构等信息,为利用遥感影像分类提供了良好的理论基础。同时传统的分类模型在实际应用中已难以满足要求,深度学习的快速发展,让解决海量影像分类的问题不再难以实现。本研究以浙江省杭州市西湖区为研究对象,以GF-1遥感数据为研究信息源,对数据进行了常规的预处理操作,利用最佳指数法确定最佳波段组合。然后构建moran’s Ⅰ指数与地理探测器q统计量的二维空间确定最佳分割尺度,利用最大面积法确定形状因子和紧致度的权重。利用分割后的对象的光谱特征、几何特征、纹理特征等作为分类模型的输入因子。构建基于像元的支持向量机分类模型,面向对象的支持向量机,最邻近法和BP神经网络分类模型。最后基于TensorFlow学习框架,建立一维卷积神经网络（1D-CNN）的深度学习分类模型,利用混淆矩阵法对所有模型进行精度分析,主要结论如下:（1）利用最佳指数法确定本研究使用的GF-1影像的最佳波段指数为4、2、1。对选用的国产GF-1遥感影像数据,进行了辐射定标,大气校正,正射校正,镶嵌裁剪等预处理,利用最佳指数法确定其最佳波段组合为4、2、1,为GF-1卫星影像的研究提供参考。（2）构建地理探测器q统计量与moran’s Ⅰ指数的二维空间,确定影像分割的最佳分割尺度为90,以最大面积法确定影像分割的形状因子权重为0.7,紧致度权重为0.3。构建的二维空间以归一化地理探测器q统计量为横坐标,归一化moran’s Ⅰ指数为纵坐标,计算每个分割尺度的分割参数优选函数值（SOF）与其分割质量最优点（1,0）的欧氏距离,以确定影像分割的最佳分割尺度为90;利用最大面积法,即计算不同参数下的分割对象最大面积,当其恒定时,各参数为最佳,确定影像分割的形状因子权重为0.7,紧致度权重为0.3。以此参数对影像进行分割,对分割完的影像进行包括光谱特征,几何特征,纹理特征等62维特征进行提取,作为分类模型的输入因子。（3）传统模型中BP神经网络的精度最高,其总体精度为89.52%,Kappa系数为0.8737。采用基于像元的支持向量机分类模型,面向对象的支持向量机分类模型,面向对象的最邻近法分类模型,面向对象的BP神经网络分类模型,对研究区进行分类,其模型的总体精度分别为68.75%,86.90%,84.86%,89.52%,Kappa系数分别为0.6244,0.8421,0.8110,0.8737。由此可见面向对象的分类模型分类效果要好于基于像元的分类模型,同时对各模型的用户精度和生产者精度进行分析可以得到,在建筑用地和交通用地的提取方面,对于各模型来说均有难度。（4）基于TensorFlow学习框架构建了面向对象的基于1D-CNN的深度学习分类模型,其分类总体精度为93.10%,Kappa系数为0.9167,为所有模型中效果最好的。构建的1D-CNN模型一共包括两层卷积,两层池化,三层全连接,并且在前两个全连接层出使用Dropout以防止过拟合,得到其分类总体精度为93.10%,Kappa系数为0.9167,除了较难区分的交通用地,其他类别的用户精度和生产者精度均高于85%,分类效果较理想,与传统的模型相比也具有较大的优势。
路帅,邢亮,郭勇[2]（2020）在《机载适航标准DO-332与DO-178C对比分析研究》文中研究说明从标准内容、软件生命周期数据和软件过程目标方面对机载适航标准DO-332和DO-178C进行了对比分析。按照软件计划过程、软件开发过程、软件综合过程的分类,列举了每个过程新增的或变更的考虑内容并做出详细分析,同时分析了软件生命周期数据的要求差异,总结了过程目标的变化。
成洁[3]（2020）在《基于面向对象的高分辨率遥感影像建筑物提取研究》文中指出建筑物作为城市的主要地理要素,不论是从国家发展层面还是城市发展规划来讲,对其空间位置及形状信息的准确掌握具有非常重要的意义。高分辨率遥感影像特有的高空间分辨率,使得地物的细节信息得以更充分的表达,由此造成传统基于像素的地物识别和提取方法遇到了瓶颈。因此,本文把建筑物作为研究目标,以面向对象分类技术为研究方法,综合应用建筑物在高分辨率遥感影像上所呈现的光谱、纹理、几何特征,对面向对象的高分辨率遥感影像建筑物提取展开研究。文章的主要研究内容及成果如下:（1）为改善经典分水岭变换方法造成的过分割现象,本文以区域分割方法中的分水岭算法为基础,主要从两方面对其改进:一是结合Canny边缘检测算法获取边缘信息突出的梯度图像;二是结合距离变换找出标记种子进行区域标记。（2）用改进分水岭算法的结果图辅助多尺度分割,实现多尺度分割技术的优化。通过实验分析,得出优化后的多尺度分割方法兼备Canny边缘检测和改进分水岭算法的特点。该方法既能清晰准确地表达出建筑物的边缘信息又有效降低了多尺度分割中存在的过分割现象。（3）针对面向对象遥感影像分类过程中存在的特征“维数灾难”问题,本文提出一种 Relief F 算法和二进制粒子群算法（Binary particle swarm optimization,BPSO）相结合的特征筛选算法,利用数据分析平台实现最优特征子集的选择,最终从63维的原始特征集中筛选出10个用于分类提取的最优分类特征子集。（4）基于本文提出的优化多尺度分割技术以及Relief F-BPSO特征选择算法,利用影像分析平台提供的最邻近算法,实现面向对象高分辨率遥感影像的建筑物分类提取。并在分类提取结果上应用影像分析平台自带的编辑功能进行地物类别的微调整与精度验证,通过与基于多尺度分割及经验特征选择的最邻近方法进行实验对比,得出本文的提取方案在使用者精度、生产者精度、总体精度和Kappa系数四个方面分别提升了 2.7%、1 5.4%、9.8%、12.4%,表明了本文方案的可行性。
陈果[4]（2020）在《面向对象的高分辨率遥感影像主要地物信息提取分类研究》文中研究指明伴随着遥感技术的长足发展,越来越多的高空间分辨率遥感影像得到应用,为快速准确获得丰富的地面信息创造了有利的条件。常规以像元技术为基础对遥感影像信息进行提取的方法,其主要考虑地物的光谱特性,没有考虑其空间和纹理特征,造成影像信息的流失。面向对象提取方法的出现,弥补了像元分类的不足,该方法以影像对象为基本单元,首先分割影像对象然后进行分类,分割时深入分析了高分辨率影像的特征,有效避免了以像元为基础的分类方法导致的同一地物范围内像元的错分、漏分现象,减轻了“椒盐现象”。本文进行了分层次多尺度分割的面向对象技术研究。研究过程以海南省三亚市亚龙湾度假区为实验区,以Quick Bird影像为数据源,选用基于面向对象软件eCognition9.0进行影像分割和分类,最终在分类精度上取得了比较理想的成果。本文主要研究内容如下:.1.融合效果的优劣很大程度上影响目标地物的分类精度。为获得高质量的遥感影像,本文基于 ENVI 软件进行 PC Spectral Sharpening、Brovey、Gram-Schmidt、NNDIffuse Pan Sharpening四种融合方法的对比实验,综合主客观评价,得出NNDIffuse Pan Sharpening在光谱的保真度以及信息丰富程度上都优于其他融合方法的结论。2.为获得最佳的分割效果,本文研究了影响多尺度分割的各个参数:波段权重、异质性因子权重以及分割尺度。利用ESP2（Estimation of Scale Parameter）工具辅助获取水域、植被、道路、建筑物的最佳分割尺度分别为:250、190、102、60,提高了参数获取效率。结合实验区地物特点及先验知识,确定主要地物的波段权重、光谱因子权重、形状因子权重。3.优选地物特征进行主要地物信息的提取分类。本文在深入研究地物的光谱特征、纹理特征、空间特征基础上,提出了实验区主要地物:水域、植被、道路、建筑物的不同特征组合及阈值条件。根据不同的地物目标建立对应的规则集,通过阈值分类和模糊分类实现主要地物信息提取,分类的总体精度达到91.3%,kappa系数为0.88。同时与面向对象最邻近分类进行对比实验。结果证明本文的分类方法优于标准最邻近法。
任路遥[5]（2020）在《面向对象程序的自动化单元测试框架研究与设计》文中提出单元测试是对软件中的基本组成单位（如模块、过程、函数或类）进行的测试,在保障软件质量的过程中发挥重要作用。面向对象语言是一类以对象作为基本程序结构单位的程序设计语言。面向对象程序中涉及到复杂逻辑结构的单元测试具有一定的难度,是单元测试方向研究的热点之一。面向对象程序的自动化单元测试框架,能提高面向对象程序的单元测试效率,减轻测试人员繁重的单元测试任务,有效的降低面向对象软件开发的成本。面向对象程序自动化单元测试框架的研究有很大的技术难度,目前国内此类单元测试框架较少,且多为在国外成熟的测试框架基础上进行的二次设计。本文调研了国外成熟的面向对象程序的自动化单元测试框架设计,以及传统的面向过程程序的自动化单元测试框架设计,总结了面向对象程序的自动化单元测试框架的设计原则与原型设计。在此基础上做了两点研究:一、对面向对象程序的单元测试中存在的问题进行了研究,分析了面向对象程序自动化单元测试框架要解决的功能和性能两类需求。功能方面,研究了面向对象语言中常见的权限访问、类属性、函数重载等特性引入的单元测试问题。性能方面,研究了自动化测试框架常见的多程序测试内存性能问题以及实际执行环境的平台适应性问题。由于面向对象语言的丰富度颇多,本文选取C++这一流行的面向对象语言,作为研究面向对象语言的切入点。二、在原型设计的基础上,结合上述需求,本文设计了一种面向对象程序的自动化单元测试框架（Code Test System for Cpp,CTSCpp）,用以对C++程序进行自动化的单元测试。功能方面,该测试框架可以自动化的为C++程序进行预处理、静态分析、构建测试环境,自动的生成测试用例,并动态执行获得覆盖率信息。性能方面,采用前后端分离的形式,运用序列化的技术手段,用硬盘资源换取内存资源,防止测试框架执行过程中发生内存溢出;并采用适配器模式,针对预处理、动态执行等操作,设计了适配器模块,丰富了测试框架的拓展性。作者在实际工程中实现了上述面向对象程序的自动化单元测试框架,并通过实际程序进行了验证检验。结果表明,本文研究与设计的面向对象程序的自动化单元测试框架具有可行性。其能够实现对面向对象程序进行自动的程序解析、单元提取、覆盖率测试等功能。
唐磊[6]（2020）在《基于GF-2影像的黄土丘陵区梯田田坎自动提取研究》文中研究指明随着快速发展的遥感技术及影像提取技术,基于影像获取梯田信息的方式越来越受到人们的青睐,也已经取得了一定的成果。但人们却忽略了田坎的数量和面积在土地利用中尤其在耕地中的地位。田坎系数越大耕地的实际可耕作面积越小,田坎系数的研究对保护耕地、节约集约用地、梯田区土壤侵蚀量测算等方面具有重要作用。本研究基于1m分辨率的GF-2遥感影像,用遥感影像多尺度分割与基于面向对象的信息提取方式,探索准确、快速的提取黄土丘陵沟壑区田坎信息的方法,得出以下结论:（1）本研究中,通过分析确定以试错法的方式进行多尺度分割试验,基于对象内异质性最小、相邻对象异质性最大的原则,确定梯田田坎相关地物的最优分割尺度参数设置并构建不同的影像对象层。确定以角二阶矩、熵、对比度、相关性4个特征指标提取最优纹理特征。为了提高影像分类的精度,经过对影像分割后形成的对象的专题、光谱、形状、纹理等特征信息的分析,以优化特征空间为参考,确定各地物具有分离性的特征或特征组合,构建各土地利用类型的特征空间及分类规则,实现了各地物不同层次的分类。（2）在提取梯田面积的基础上,采用分层分割提取的方式,利用田坎密度较小的特性,构建以Density为主要特征信息的田坎提取规则,实现了田坎信息快速、准确的自动提取,并计算田坎系数为15.34%,最后对分类结果进行精度评价,分类总体精度为82.85%,Kappa系数为0.79,分类质量很好。梯田提取结果的精度达到82.55%、Kappa系数达到0.75,田坎的提取精度为68.83%、Kappa系数为0.61,达到很好的分类效果。（3）利用简单随机抽样方式选择梯田样本,采用实地测量及高分辨率无人机影像目视解译这两种方式分别计算田坎系数,并验证其作为验证提取田坎系数的有效性。计算出两种方式样本容量分别为10和11,低于预抽样样本数量20,能够用来验证提取田坎系数的准确性。对比结果发现,自动提取田坎系数分别比实地测量田坎系数的15.27%、无人机影像目视解译田坎系数的14.04%高0.07%、1.3%,分析认为是影像分辨率及阴影的影响。
孙钊[7]（2020）在《基于无人机航拍图像的杉木树冠参数提取与模型研建》文中研究指明冠幅是树冠结构的重要特征因子,直接影响树木的生产力和生命力,郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。无人机具有可以云下飞行,易于获取高精度图像,图像获取成本低等优势,研究基于无人机影像的树冠参数提取方法,使无人机影像提取林木树冠参数的操作系统化,有利于实现精准高效的森林资源清查和监测。本文以福建省将乐国有林场梅花谷为研究区,以无人机影像为遥感数据源,利用PIX4D mapper软件生产出高精度数字正射影像图（DOM）,结合地面实测数据,分别使用多尺度分割技术和分水岭分割算法提取单木树冠冠幅,对比分析了两种方法在高郁闭度杉木林分中的冠幅提取精度,选取精度较高的方法进行了郁闭度的估算和杉木立木材积模型的研建。主要结论如下:1.无人机影像能够满足森林参数提取的精度需要,无人机与高分辨率相机的组合能够快速便捷的获取一定范围的森林资源数据,满足航空摄影测量成图的要求。结合无人机获取的64张高分影像,在PIX4D mapper无人机影像处理平台,能够生成高精度数字正射影像。2.多尺度分割技术在高郁闭度林分中分割效果要优于分水岭算法,在本研究区内的高郁闭度林分条件下（林分郁闭度为0.778 5）,分水岭算法不能有效的进行分割,多尺度分割取得了更好的效果,提取冠幅面积与实测冠幅面积的R2达到了0.806 8。3.利用地面样地调查数据,对杉木胸径、材积、树冠面积进行相关性分析,分别建立杉木胸径-材积模型,冠幅面积-胸径模型,联立二者得到材积-冠幅面积模型。使用该模型对建模外的112株杉木独立样本估算材积,与利用当地杉木二元材积表计算的结果相比,平均精度达到了67.75%。综上所述,无人机航拍影像可应用于高郁闭林分的林业调查中,使用基于面向对象的多尺度分割技术能够有效地从无人机正射影像中提取单株树冠面积、林分郁闭度,整体精度能达到75%以上;建立的杉木一元立木材积模型,对基于无人机高分辨率影像的杉木单株树冠面积提取与蓄积量估测有一定的参考意义,为森林资源调查与监测提供了新的途径。
蒙良莉[8]（2020）在《基于哨兵多源遥感数据的红树林信息提取算法研究》文中研究说明红树林是指以红树植物为主体的常绿灌木或乔木组成的潮滩湿地木本生物群落,生长在热带、亚热带低能海岸潮间带。红树林湿地是重要的生态湿地和生物栖息地,具有防浪护岸、调节气候和维持海岸带生物多样性等诸方面的生态功能和生态服务价值。由于其生长于潮间带的浅滩和淤泥中,受海水周期性浸淹,采用人工调查方式进行监测耗时长,工作量大,难以对其边界进行准确定位,而卫星遥感影像具有覆盖广、瞬时成像、时效高、周期可比性独特等优势和特点,可以有效地获取红树林信息。因此,通过遥感技术对其布进行监测对于保护与管理红树林湿地具有重要意义。本研究采用2018年的Sentinel-1和Sentinel-2数据,提取广西茅尾海的红树林信息,以期为红树林生态系统的监测、保护与规划提供重要的依据。首先,利用最广泛的分型网络演化算法对影像进行分割,基于面向对象技术提取影像对象特征;其次,利用随机森林算法进行特征优选,在此基础之上构建多种不同特征组合方案执行分类,以探索特征选择方法的有效性。最后,在影像分割、特征提取和选择的基础上,运用面向对象的KNN方法、面向对象的SVM方法和面向对象的随机森林方法对研究区地物类型进行识别,利用混淆矩阵对这三种方法的分类结果进行对比分析,选出提取红树林精度最优的方法获取红树林信息。主要得出以下结论:（1）基于融合的单时像Sentinel-1和Sentinel-2数据,采用面向对象技术对影像进行分割和特征提取。研究表明,借助多尺度分割评价工具与人工辅助判定的方法,可有效获取影像的分割尺度和参数大小。（2）在各组特征组合分类的结果中,经随机森林算法获取的多特征耦合优化模式的分类结果取得了较好的提取精度和准确度。表明该算法能保留对分类有用的特征,降低冗余度,提高分类效率。（3）本文采用面向对象的KNN方法、SVM方法和RF方法分别识别影像地物类型利用混淆矩阵评价识别结果。结果显示,面向对象的RF方法的总体精度和Kappa最高,分别为89.6%和0.8756,,较面向对象的KNN方法提高了3.4%和0.0434,较面向对象的SVM方法提高了0.83%和0.0111,说明随机森林算法具有较稳定的分类性能。（4）基于融合的哨兵数据,本文采用随机森林算法提取广西茅尾海的红树林信息,识别的制图精度与用户精度分别为96.39%、97.56%,面积为19.2km2,占整个研究区面积的2.67%。该研究揭示了Sentinel-1和Sentinel-2数据在红树林监测中的潜力,可为红树林生态系统的监测、保护和规划提供重要依据。本研究结果旨在挖掘Sentinel-1雷达影像和Sentinel-2光学影像在红树林监测方面的应用价值,同时为红树林遥感识别与监测提供技术方法借鉴,进而为红树林湿地生态系统保护提供一定的科学参考。
宋亚萍[9]（2020）在《基于多源影像融合和面向对象的土地利用分类技术研究》文中研究指明加快推进新型城镇化建设是兵团经济社会发展的必然要求,利用遥感数据获取团场土地利用信息及农业概况,既可以为政府决议提供基础依据,同时也是农业信息化发展的必要条件,能够提高效率、节省人力和资源,使农业更加科学地发展。而随着卫星产品的空间分辨率的不断提升和普及,高分辨率卫星影像所包含的信息也越来越丰富。每一个卫星传感器由于自身硬件设备的差异,所获取的信息参数也不尽相同。对于影像中的同一种目标对象,不同数据源的影像信息所呈现的细节信息也各有差异,多源影像融合可以综合不同卫星传感器的有利信息,使融合后的影像既能提高原始影像的利用率,也能增大遥感影像的应用范围。以往进行影像分类的方法是根据影像像元的光谱特征完成分类,此方法忽略了影像中所包含的其它信息,不仅影像数据的使用率低,而且也产生了极大的浪费。针对多源影像融合及面向对象分类过程中存在的问题,本文基于资源三号多光谱影像和快舟一号全色遥感影像,对影像的预处理、多源影像融合方法、影像分割参数确定、分类以及精度评价等方面进行研究,主要工作如下:（1）针对不同遥感卫星传感器参数、特性及影像分辨率的不同开展研究。系统地研究了多源遥感影像数据的预处理工作,主要完成影像辐射定标、大气校正及影像配准等预处理工作,保证原始影像之间像元的一致性,为影像进一步融合提供数据基础。（2）针对多源传感器图像融合的方法开展研究。为探讨适合资源三号（ZY-3）多光谱影像和快舟一号（KZ-1）全色影像的多源数据融合方法,本文使用PCA融合、Brovey融合、Gram-Schmidt融合、NNDiffuse融合、Subtractive融合及Pansharp融合等六种像素级常用融合方法对资源三号和快舟一号影像开展融合试验,并改进超分辨率贝叶斯算法以提高融合后图像质量。经过目视解译和定量评价（空间信息融入度、光谱信息保持度、清晰度）指标综合对比分析,改进后的超分辨率贝叶斯算法较适合资源三号遥感影像的多源融合,既保持了影像的光谱信息,也增强了遥感影像的细节纹理特征。（3）针对面向对象的图像分割实验开展研究。使用面向对象的分类方法,充分利用遥感影像中地物的光谱特征信息和空间特征信息。借助无人机获取的125团研究区遥感影像,生成样本矢量文件对实验分类结果进行验证,结果表明:实验区I总体分类精度为84.75%,Kappa系数为0.8248,实验区II总体分类精度为84.42%,Kappa系数为0.8145,总体分类精度与Kappa系数均高于80%,能有效了解研究区土地利用概况。本文以资源三号和快舟一号遥感影像为数据源,基于多源影像数据,通过像素级影像融合,探讨适合资源三号多源影像融合的融合算法,通过改进超分辨率贝叶斯算法,使用面向对象的影像分割技术进行融合影像地物类别提取,有效地提取了研究区的土地覆被利用情况,可为土地资源配置、水资源管理等提供理论基础和科学指导。
刘凯旋[10]（2020）在《基于卷积神经网络的面向对象遥感影像分类方法研究》文中进行了进一步梳理高速发展的遥感成像技术使人们可以更加高效、便捷地获取遥感数据以及进行分析处理和相关的应用工作。高空间分辨率使影像中的地物细节更加清晰与丰富,近年来,遥感技术已被用于军事、农业、地质、大气等广泛的领域。与中低分辨率遥感影像相比高分影像有所蕴含的地物信息更加丰富,光谱特征更为鲜明,形状特征更加精准等特点。使用传统的分类方法对高分影像进行分类由于缺少几何形状,相互关系等空间特征,容易出现“椒盐现象”。如何高效提取高分辨率影像中的深层特征,并有效地利用,是提高影像分析精度的关键。近年来,深度学习技术热度持续高涨,出现的大量改进算法提取并学习图像的深层次特征,对图像进行高精度的目标识别,图像分割,目标分类等应用。而高分辨率遥感影像与自然图像相比,有着更为复杂的影像特征,因此,利用深度学习技术提取高分辨率遥感影像特征具有非常大的发挥空间。目前,利用深度学习技术分析高分辨率遥感影像已取得了一定成果,但由于遥感影像自身特点,存在分类精度不高,分类方法局限性高,以及技术应用不普及等都问题。本文使用面向对象方法,将深度卷积网络应用于高分辨率遥感影像分类应用中,本文主要研究内容为:（1）针对高分辨率影像在实际林业工作信息提取中存在的问题,分析总结了面向对象分析方法和卷积神经网络的优缺点,综述了高分辨率遥感影像分割和分类的国内外研究现状,将将面向对象分析方法与卷积神经网络相结合,充分发挥各自优势,实现了基于卷积神经网络的面向对象影像分类方法。（2）通过分析现有图像分割算法和高分辨率影像特点,使用融合地学特征的高分辨率影像多尺度分割方法,提取高分辨率遥感影像的地学特征,将其作为原始影像数据的补充,共同应用到影像分割应用中。利用现有遥感影像数据进行实验,并与经典的多尺度分割算法进行分析对比,本算法分割结果具有更高的分割效果。（3）针对面向对象遥感影像分割对象大小形状不一,无法输入神经网络的问题,探索使用了多种数据标准化方法对影像数据进行拉伸,并将每种标准化方法得到的影像对象输入卷积神经网络,实现基于单尺度卷积网络分类方法。并探究每种方法的优势与缺点。同时在此基础上,提出了基于多尺度卷积网络分类方法。减少由于单一尺度方法对影像特征提取的错误,探究提高分类精度的可行性。并对个方法分类效果进行比较,分析不同分割与分类方法的分类效果变化。
二、面向对象技术及方法（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、面向对象技术及方法（论文提纲范文）
（1）基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于像元的遥感影像分类 |
| 1.2.2 面向对象的遥感影像分类 |
| 1.2.3 基于卷积神经网络的遥感影像分类 |
| 1.3 课题来源 |
| 1.4 研究方案 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 研究区概况与数据处理 |
| 2.1 研究区概况 |
| 2.2 遥感影像介绍 |
| 2.3 遥感影像预处理 |
| 2.4 最佳波段组合分析 |
| 2.5 分类体系的确定 |
| 2.6 本章小结 |
| 3 面向对象的影像分割 |
| 3.1 影像分割 |
| 3.2 最佳分割尺度的确定 |
| 3.3 均质因子的确定 |
| 3.4 影像对象特征提取 |
| 3.4.1 光谱特征 |
| 3.4.2 几何特征 |
| 3.4.3 纹理特征 |
| 3.4.4 自定义特征 |
| 3.5 本章小结 |
| 4 基于传统机器学习的遥感影像分类 |
| 4.1 传统机器学习模型介绍 |
| 4.1.1 支持向量机 |
| 4.1.2 最邻近分类 |
| 4.1.3 BP神经网络 |
| 4.2 分类结果 |
| 4.2.1 支持向量机分类结果 |
| 4.2.2 最邻近法的分类结果 |
| 4.2.3 BP神经网络的分类结果 |
| 4.3 本章小结 |
| 5 基于卷积神经网络的遥感影像分类 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积神经网络结构 |
| 5.1.2 经典卷积神经网络模型 |
| 5.2 基于1D-CNN结合面向对象的遥感影像分类 |
| 5.3 1D-CNN分类结果 |
| 5.4 本章小结 |
| 6 结果分析 |
| 6.1 精度评价方法 |
| 6.2 不同分类方法精度对比 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录：攻读学位期间的主要学术成果 |
| 致谢 |
（2）机载适航标准DO-332与DO-178C对比分析研究（论文提纲范文）
| 引言 |
| 1 DO-332与DO-178C内容差异分析 |
| 1.1 序言部分差异 |
| 1.2 软件计划过程差异 |
| 1.3 软件开发过程差异 |
| 1.4 软件验证过程差异 |
| 1.5 其他过程差异 |
| 1.6 附件及附录差异 |
| 2 生命周期数据差异 |
| 3 过程目标差异分析 |
| 3.1 局部类型一致性的验证 |
| 3.2 动态内存管理健壮性验证 |
| 4 结论 |
（3）基于面向对象的高分辨率遥感影像建筑物提取研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 背景和意义 |
| 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 高分遥感影像解译的发展趋势 |
| 1.2.2 高分影像数据上建筑物提取的研究现状 |
| 1.3 论文主要研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 遥感影像对象分割方法 |
| 2.1 实验区数据来源及预处理 |
| 2.2 经典的分水岭分割算法 |
| 2.2.1 分水岭变换原理 |
| 2.2.2 经典分水岭的优劣 |
| 2.3 改进分水岭算法 |
| 2.3.1 基于Canny边缘检测获取梯度图像 |
| 2.3.2 基于距离的标记分水岭算法 |
| 2.3.3 分析结果 |
| 2.4 优化的多尺度分割技术 |
| 2.4.1 多尺度分割原理 |
| 2.4.2 异质性准则 |
| 2.4.3 最优分割参数选择 |
| 2.4.4 结合改进分水岭的优化多尺度分割 |
| 2.5 实验设计与分析 |
| 3 基于面向对象的建筑物特征提取及筛选 |
| 3.1 建筑物特征分类 |
| 3.1.1 光谱特征 |
| 3.1.2 纹理特征 |
| 3.1.3 形状特征 |
| 3.1.4 其他特征 |
| 3.2 对象特征选择 |
| 3.2.1 特征选择算法的过程及分类 |
| 3.3 Relief F-BPSO特征空间优化算法 |
| 3.3.1 Relief F算法 |
| 3.3.2 二进制编码的粒子群算法 |
| 3.3.3 基于Relief F-BPSO的特征选择算法 |
| 3.4 特征筛选实验设计 |
| 3.4.1 影像分割及特征提取 |
| 3.4.2 特征筛选实验及分析 |
| 4 基于面向对象的高分遥感影像建筑物提取 |
| 4.1 遥感图像分类方法研究 |
| 4.1.1 阈值分类法 |
| 4.1.2 面向对象的最邻近算法分类 |
| 4.2 精度评价方法 |
| 4.3 基于面向对象最邻近方法提取建筑物 |
| 4.3.1 实验数据选取及预处理 |
| 4.3.2 建筑物提取实验 |
| 4.4 精度评价及结果分析 |
| 4.4.1 像素文件TTA Mask的获取 |
| 4.4.2 基于TTA Mask的混淆矩阵精度评价 |
| 4.4.3 结果分析 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（4）面向对象的高分辨率遥感影像主要地物信息提取分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像解译过程的发展现状 |
| 1.2.2 最优尺度的参数选择 |
| 1.3 研究方法和技术路线 |
| 1.3.1 研究内容和方法 |
| 1.3.2 技术路线 |
| 1.3.3 章节安排 |
| 2 面向对象的信息提取技术 |
| 2.1 影像分割技术 |
| 2.2 多尺度分割方法 |
| 2.3 遥感影像的特征描述 |
| 2.3.1 影像的光谱特征 |
| 2.3.2 影像的形状特征 |
| 2.3.3 影像的纹理特征 |
| 2.3.4 e Cognition自定义特征描述 |
| 2.4 影像分类 |
| 2.4.1 阈值分类 |
| 2.4.2 模糊分类 |
| 2.4.3 eCognition中模糊分类实现 |
| 2.5 本章总结 |
| 3 数据预处理与影像融合 |
| 3.1 实验区概况 |
| 3.2 遥感影像预处理 |
| 3.2.1 辐射校正 |
| 3.2.2 几何校正 |
| 3.3 影像融合 |
| 3.3.1 PC Spectral Sharpening |
| 3.3.2 Brovey |
| 3.3.3 .Gram-Schmidt |
| 3.3.4 NNDIffuse Pan Sharpening(NNDI) |
| 3.4 高分遥感影像融合结果与评价 |
| 3.4.1 影像融合主观评价 |
| 3.4.2 影像融合的客观评价 |
| 3.5 影像增强 |
| 3.6 本章小结 |
| 4 面向对象的分类实验 |
| 4.1 多尺度分割 |
| 4.1.1 波段权重 |
| 4.1.2 光谱因子与形状因子 |
| 4.1.3 分割尺度 |
| 4.2 确定地物最佳尺度分割 |
| 4.2.1 最优分割尺度获取实验 |
| 4.2.2 e Cognition中参数设置的实现 |
| 4.2.3 多尺度分割的层次构建 |
| 4.3 面向对象的主要地物信息分层提取 |
| 4.3.1 水域信息提取 |
| 4.3.2 植被信息提取 |
| 4.3.3 道路信息提取 |
| 4.3.4 建筑物、裸地信息提取 |
| 4.3.5 e Cognition中规则集分类实现 |
| 4.4 面向对象的最邻近分类法 |
| 4.5 分类精度评价 |
| 4.5.1 精度评价的相关概念 |
| 4.5.2 基于多尺度分割与规则集分类的精度评价 |
| 4.5.3 基于面向对象最邻近分类的精度评价 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 存在的问题与展望 |
| 致谢 |
| 参考文献 |
（5）面向对象程序的自动化单元测试框架研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文章节安排 |
| 第二章 相关研究 |
| 2.1 单元测试 |
| 2.2 面向对象程序测试 |
| 2.3 面向对象程序单元测试 |
| 2.3.1 面向对象程序单元测试理论 |
| 2.3.2 面向对象程序单元测试工具 |
| 2.3.3 面向对象程序单元测试现状分析 |
| 2.4 本章小结 |
| 第三章 面向对象程序的自动化单元测试框架需求分析 |
| 3.1 面向对象程序单元测试框架研究 |
| 3.1.1 框架设计原则 |
| 3.1.2 框架的原型设计 |
| 3.2 测试框架的功能需求 |
| 3.3 测试框架的性能需求 |
| 3.3.1 多程序测试后JVM内存溢出的工程问题 |
| 3.3.2 平台适应性 |
| 3.4 本章小结 |
| 第四章 面向对象程序的自动化单元测试框架设计 |
| 4.1 面向对象自动化单元测试框架 |
| 4.1.1 设计原理 |
| 4.1.2 系统概述与框架流程图 |
| 4.1.3 总体框架 |
| 4.2 针对C++程序的功能设计 |
| 4.2.1 相关模块的变更 |
| 4.2.2 私有成员函数的测试 |
| 4.2.3 函数重载 |
| 4.3 多程序测试JVM内存溢出问题的性能设计 |
| 4.3.1 JVM内存垃圾回收机制 |
| 4.3.2 序列化和反序列化 |
| 4.3.3 界面架构变更 |
| 4.4 适配器模块的设计 |
| 4.4.1 跨平台的需求 |
| 4.4.2 适配器设计模式 |
| 4.4.3 CTSCpp适配器设计 |
| 4.5 本章小结 |
| 第五章 实验结果及分析 |
| 5.1 实验环境 |
| 5.2 实验结果及分析 |
| 5.2.1 功能测试 |
| 5.2.2 性能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 附录 |
| 致谢 |
（6）基于GF-2影像的黄土丘陵区梯田田坎自动提取研究（论文提纲范文）
| 摘要 |
| Summary |
| 第一章 前言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 面向对象的遥感影像分析方法 |
| 1.2.2 梯田遥感提取方法研究现状 |
| 1.2.3 梯田田坎提取研究现状 |
| 1.3 研究目标与内容 |
| 1.4 研究技术路线 |
| 第二章 研究区概况及数据准备 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候条件 |
| 2.1.3 土壤状况 |
| 2.1.4 植被状况 |
| 2.1.5 治理现状 |
| 2.2 数据源 |
| 2.2.1 影像数据 |
| 2.2.2 验证数据 |
| 第三章 面向对象的遥感影像分类方法 |
| 3.1 面向对象的优点 |
| 3.2 面向对象分类软件 |
| 3.3 影像分割 |
| 3.3.1 影像分割概述 |
| 3.3.2 影像分割算法 |
| 3.4 影像对象及其特征信息 |
| 3.4.1 影像对象 |
| 3.4.2 特征信息 |
| 3.5 面向对象分类方法 |
| 3.5.1 最邻近分类 |
| 3.5.2 隶属度分类 |
| 3.6 本章小结 |
| 第四章 基于面向对象的梯田及田坎提取 |
| 4.1 研究区土地利用类型划分 |
| 4.2 影像多尺度分割 |
| 4.2.1 影像分割 |
| 4.2.2 多尺度分割的原理 |
| 4.2.3 多尺度分割参数设置 |
| 4.3 面向对象影像分类 |
| 4.4 田坎提取及系数计算 |
| 4.4.1 田坎提取思路 |
| 4.4.2 田坎提取 |
| 4.4.3 田坎系数计算 |
| 4.5 精度评价 |
| 4.6 田坎系数验证 |
| 4.6.1 梯田随机抽样必要样本容量分析 |
| 4.6.2 梯田抽样样本 |
| 4.6.3 梯田田坎系数验证结果及分析 |
| 4.7 本章小结 |
| 第五章 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
（7）基于无人机航拍图像的杉木树冠参数提取与模型研建（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究述评 |
| 1.3.1 无人机遥感技术研究进展 |
| 1.3.2 无人机图像处理方法 |
| 1.3.3 冠幅提取国内外研究概况 |
| 1.3.4 林分蓄积量估测国内外研究现状 |
| 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 |
| 2 研究区概况及数据处理 |
| 2.1 研究区概况 |
| 2.2 外业地面调查数据 |
| 2.3 无人机数据采集与处理 |
| 2.3.1 无人机系统 |
| 2.3.2 无人机数据采集及处理 |
| 3 冠幅提取 |
| 3.1 基于面向对象的多尺度分割的树冠提取 |
| 3.1.1 最佳分割尺度的确定 |
| 3.1.2 多尺度分割 |
| 3.1.3 面向对象分类 |
| 3.2 基于分水岭分割算法的树冠分割 |
| 3.2.1 分水岭算法原理 |
| 3.2.2 分水岭算法步骤 |
| 3.3 郁闭度提取和精度分析 |
| 3.3.1 林分郁闭度提取 |
| 3.3.2 精度分析 |
| 4 胸径预测模型与蓄积量估测 |
| 4.1 杉木人工林树冠面积-胸径关系模型构建 |
| 4.1.1 相关性分析 |
| 4.1.2 胸径-单株材积模型 |
| 4.1.3 冠幅面积-胸径模型 |
| 4.2 残差分析 |
| 4.3 杉木一元材积模型 |
| 5 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（8）基于哨兵多源遥感数据的红树林信息提取算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于遥感的红树林监测研究进展 |
| 1.2.2 哨兵数据国内外应用进展 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 1.5 总体研究方案 |
| 2 研究区概况与数据源 |
| 2.1 研究区概况 |
| 2.1.1 自然环境概况 |
| 2.1.2 生物资源概况 |
| 2.1.3 保护与管理概况 |
| 2.2 数据介绍 |
| 2.2.1 Sentinel-1A |
| 2.2.2 Sentinel-2B |
| 2.2.3 野外样本数据 |
| 2.3 数据预处理 |
| 2.3.1 Sentinel-1A预处理 |
| 2.3.2 Sentinel-2B预处理 |
| 2.3.3 影像融合 |
| 2.4 本章小结 |
| 3 基于哨兵多源数据的影像分割与特征提取 |
| 3.1 影像分割 |
| 3.2 面向对象多尺度分割 |
| 3.2.1 多尺度分割方法 |
| 3.2.2 分割实验 |
| 3.2.3 最优分割参数获取 |
| 3.3 特征提取 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 形状特征 |
| 3.3.4 后向散射系数 |
| 3.3.5 自定义特征 |
| 3.4 本章小结 |
| 4 基于随机森林算法的红树林特征优选 |
| 4.1 随机森林基本原理 |
| 4.2 基于RF的特征优选 |
| 4.3 精度评价方法 |
| 4.4 特征优选 |
| 4.5 优选结果验证 |
| 4.6 本章小结 |
| 5 基于哨兵多源遥感数据的红树林信息提取 |
| 5.1 面向对象的KNN分类 |
| 5.1.1 面向对象的KNN方法 |
| 5.1.2 面向对象的KNN分类过程 |
| 5.1.3 面向对象的KNN分类结果与分析 |
| 5.2 面向对象的SVM分类 |
| 5.2.1 面向对象SVM方法 |
| 5.2.2 面向对象SVM分类过程 |
| 5.2.3 面向对象的SVM分类结果与分析 |
| 5.3 面向对象的RF分类 |
| 5.3.1 面向对象RF方法 |
| 5.3.2 面向对象RF分类过程 |
| 5.3.3 面向对象的RF分类结果与分析 |
| 5.4 分类精度对比及红树林范围确定 |
| 5.5 本章小结 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 论文研究的不足与展望 |
| 攻读硕士学位发表的论文目录 |
| 致谢 |
| 参考文献 |
（9）基于多源影像融合和面向对象的土地利用分类技术研究（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 国内外研究现状与进展 |
| 1.2.1 多源影像融合技术现状 |
| 1.2.2 影像融合质量评价研究现状 |
| 1.2.3 面向对象的地物分类研究现状 |
| 1.3 研究目的、内容与技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 结构安排 |
| 1.5 本章小结 |
| 第二章 研究区与数据获取 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.2.1 多光谱数据 |
| 2.2.2 全色数据 |
| 2.3 数据预处理 |
| 2.3.1 辐射校正 |
| 2.3.2 几何校正 |
| 2.4 本章小结 |
| 第三章 多源影像融合及质量评价 |
| 3.1 多源影像融合 |
| 3.2 常用像素级融合方法 |
| 3.2.1 PCA融合 |
| 3.2.2 Brovey融合 |
| 3.2.3 Gram-Schmidt融合 |
| 3.2.4 NNDiffuse融合 |
| 3.2.5 Subtractive融合 |
| 3.2.6 Pansharp融合 |
| 3.3 改进的Pansharp融合方法 |
| 3.3.1 改进Pansharp融合原理 |
| 3.3.2 改进Pansharp融合步骤 |
| 3.4 影像融合效果评价方法 |
| 3.4.1 定性评价方法分析 |
| 3.4.2 定量评价方法分析 |
| 3.5 影像融合实验及分析 |
| 3.6 本章小结 |
| 第四章 面向对象的影像分割 |
| 4.1 面向对象分类 |
| 4.2 影像分割原理 |
| 4.2.1 影像分割 |
| 4.2.2 多尺度影像分割 |
| 4.3 分割参数确定 |
| 4.3.1 波段权重的选择 |
| 4.3.2 最佳分割尺度的选择 |
| 4.3.3 均值因子的确定 |
| 4.4 影像特征优化 |
| 4.4.1 纹理特征 |
| 4.4.2 几何特征 |
| 4.4.3 光谱特征 |
| 4.4.4 特征的组合选择 |
| 4.5 面向对象分类实验 |
| 4.6 分类结果验证及精度评价 |
| 4.7 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 |
| 导师评阅表 |
（10）基于卷积神经网络的面向对象遥感影像分类方法研究（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 面向对象遥感影像分割 |
| 1.2.2 基于深度学习的遥感影像分类 |
| 1.3 应用现状 |
| 1.4 研究内容 |
| 1.5 论文结构 |
| 第二章 面向对象的高分辨率影像分割 |
| 2.1 面向对象分析方法 |
| 2.2 高分辨率遥感影像地学特征构建 |
| 2.2.1 植被特征构建 |
| 2.2.2 纹理特征构建 |
| 2.3 融合地学特征的高分辨率影像多尺度分割 |
| 2.4 影像分割精度评价方法 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络的面向对象遥感影像分类方法 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络概述 |
| 3.1.2 迁移学习与图像增广 |
| 3.1.3 Res Net结构 |
| 3.2 影像对象标准化方法 |
| 3.2.1 基于最小外接矩形裁剪 |
| 3.2.2 基于对象边界裁剪 |
| 3.2.3 基于对象中心裁剪 |
| 3.3 基于单尺度卷积网络分类方法 |
| 3.4 基于多尺度卷积网络分类方法 |
| 3.5 影像分类精度评价方法 |
| 3.6 本章小结 |
| 第四章 研究区域分类实验 |
| 4.1 研究区域 |
| 4.1.1 研究区土地覆被数据 |
| 4.1.2 worldview4 影像数据 |
| 4.1.3 影像预处理 |
| 4.2 面向对象的多尺度分割 |
| 4.2.1 基于光谱特征分割 |
| 4.2.2 融合地学特征分割 |
| 4.3 基于卷积神经网络的面向对象遥感影像分类 |
| 4.3.1 实验数据集 |
| 4.3.2 不同分割尺度下的分类情况 |
| 4.3.3 分类结果精度评价 |
| 4.4 分类效果对比 |
| 4.4.1 面向像元的监督分类方法对比 |
| 4.4.2 面向对象的极大似然分类方法对比 |
| 4.5 本章小结 |
| 第五章 实验总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 指导教师对研究生学术论文的学术评语 |
| 学位论文答辩委员会决议书 |
四、面向对象技术及方法（论文参考文献）
- [1]基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例[D]. 蒋治浩. 中南林业科技大学, 2020
- [2]机载适航标准DO-332与DO-178C对比分析研究[A]. 路帅,邢亮,郭勇. 2020（第九届）民用飞机航电国际论坛论文集, 2020
- [3]基于面向对象的高分辨率遥感影像建筑物提取研究[D]. 成洁. 西安科技大学, 2020(01)
- [4]面向对象的高分辨率遥感影像主要地物信息提取分类研究[D]. 陈果. 西安科技大学, 2020(01)
- [5]面向对象程序的自动化单元测试框架研究与设计[D]. 任路遥. 北京邮电大学, 2020(05)
- [6]基于GF-2影像的黄土丘陵区梯田田坎自动提取研究[D]. 唐磊. 甘肃农业大学, 2020(12)
- [7]基于无人机航拍图像的杉木树冠参数提取与模型研建[D]. 孙钊. 北京林业大学, 2020
- [8]基于哨兵多源遥感数据的红树林信息提取算法研究[D]. 蒙良莉. 南宁师范大学, 2020(03)
- [9]基于多源影像融合和面向对象的土地利用分类技术研究[D]. 宋亚萍. 石河子大学, 2020(08)
- [10]基于卷积神经网络的面向对象遥感影像分类方法研究[D]. 刘凯旋. 深圳大学, 2020(10)
标签：遥感影像论文; 面向对象分析与设计论文; 特征提取论文; 光谱分辨率论文; 分类数据论文;