集美大学开题报告模板

《集美大学开题报告模板》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、集美大学开题报告模板　　篇一：开题报告样本XX-诚毅　　集美大学诚毅学院　　毕业设计（论文）开题报告　　1　　2　　注：此表前五项由学生填写后交指导教师签署意见，否则不得开题；　　此表作为毕业设计（论文）评分的依据　　3　　篇二：集美大学研究生论文开题报告　　基于模糊三I算法的遥感影像聚类分析　　关键技术研究　　姓名：颜军导师:陈水利教授研究方向：模糊数学及其应用　　1、选题的依据和目的　　遥感技术经过40多年的发展，无论在光谱分辨率、空间分辨率、时间分辨率等方面都有着极大的进步，己经形成高光谱、高空间分辨率、全天时、全天候、实时的对地观测能力。随着各种类型空间传感器

2、的大量应用及其分辨率的迅速提高，高分辨率遥感影像可以提供越来越多的地表物体的形状结构与纹理信息。因此，充分利用高分辨率卫星遥感影像，结合数学理论、计算机图形学、计算机视觉、模式识别、人工智能等科学技术，研究目标的自动提取有着十分重要的理论和现实意义。　　遥感影像是对地面特征的综合，在对遥感影像的研究和应用中，人们往往对影像中的某些部分感兴趣这些部分常称为目标或前景(其它部分称为背景)它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析影像中的目标，需要将这些有关区域从影像中分离提取出来，在此基础上才有可能对目标进一步利用，如进行地物的利用详查和地物的识别等。遥

3、感影像聚类就是指把影像分成各具特性的区域并提取出感兴趣目标的技术和过程，而这里的特征指的就是遥感影像特征，可以是颜色灰度、纹理等，目标可以对应单个区域，也可以对应多个区域。遥感影像聚类是遥感影像分析的一个重要内容。从遥感影像中自动提取各类地物或其它建筑物类别等是摄影测量与遥感领域的难题和重点，它对于摄影测量和遥感影像分析自动化起到至关重要的作用。　　在过去的三十多年里，地物提取在摄影测量界和计算机视觉界受到了广泛的重视，针对不同的影像类型、不同的影像分辨率、不同区域的影像和不同的道路类型，人们提出了许多从航空和遥感影像中提取地物的方法。　　随着遥感卫星数据获取技术的不

4、断发展，遥感影像空间分辨率不断增高，已经达到甚至突破米级，如IKONOS和QUCIKBIRD影像。遥感影像中存储着极为丰富的信息，影像特征结构复杂，既包括地形、植被、水文这样的自然特征，又包含房屋和道路这样的人工地物。随着影像分辨率的提高，影像细节特征越来越丰富，地物目标也越来越多，许多较混合的在低分辨率影像上难以辨别的地物也能分辨出来。可是，随之而来的是影像上细小目标、阴影等非目标噪声也更越来越多，利用目前已有方法来自动提取高分辨率影像地物特征则比较困难。因此，如何有效地利用高分辨率影像的高分辨率特性提取地物，是非常具有现实意义的。　　2、国内外的研究现状　　遥感影

5、像聚类就是将遥感影像中具有某些共同特征的像元聚集到同一类别去的过程。遥感技术的新方法、新技术不断出现，从目视判读、计算机自动解译和人机交互等环节不断完善遥感影像的聚类。　　近些年来，越来越多的研究人员开始关注高分辨率遥感影像的聚类技术。目前，很多国内外的文献中都阐述的是利用一些传统的聚类方法加以改进类进行高分辨率遥感影像的聚类。比如传统的聚类方法总的可以概括为监督聚类和非监督聚类方法（Toll1984;Xia1996）。监督聚类算法包括如基于最小错误概率的Bayes聚类算法、极大似然法、Fisher线性判别法、最小距离法和BP神经网络聚类法等。这些方法就是首先根据类别

6、的先验知识确定判别函数和相应的判别准则，其中利用一定数量的己知类别的样本（称为训练样本）的观测值确定判别函数的中待定参数的过程称之为学习或者训练，然后将未知的样本的观测值代入判别函数，再根据判别准则来对该样本的所属类别作出判断。这种方法如果在聚类过程中注意　　训练区的质量，可以达到较好的聚类效果。但是以极大似然聚类法为例，这种方法要求利用先验知识及概率，并且样本呈正态分布、具有良好的统计性等条件，有时无法满足，得不到足够的训练信息。尤其对于非高斯分布的样本数据会导致聚类精度的大大降低。　　非监督聚类包括ISODATA算法、k均值、改进的模糊k均值算法以及前些年发展起来

7、的一种崭新的全局优化算法-----遗传算法（GeneticAlgorithm，GA），它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高（Sanghamitra，Bandyopadhyaya，XX；Mind-DerYang，XX）。还有些通过在基于像素的传统的聚类器中结合纹理和上下文信息来提高聚类的精度（Gong&Howarth1990，1992；Sali&Wolfson1992；Karathanssiet；Debeiret）。这几种方法聚类简单、易操作。但是，这些方法的缺点在于需要事先确定各个类别的初始聚类中心