面向对象的高分辨率遥感图像分割方法研究的开题报告

面向对象的高分辨率遥感图像分割方法研究的开题

报告

一、选题的背景和意义

高分辨率遥感图像是指空间分辨率小于1米的遥感卫星图像。由于

其具有高精度和高分辨率等特点，被广泛应用于土地利用、资源调查、

环境监测等领域。其中，遥感图像分割是遥感图像处理的一个重要任务，旨在将遥感图像均匀地分割成若干个互不重叠的区域，每个区域有一个

唯一的标识符，便于后续的分类和目标提取。

近年来，随着计算机视觉和深度学习的发展，基于深度学习的方法

在遥感图像分割任务中取得了良好的效果。然而，考虑到高分辨率遥感

图像存在着多种复杂的场景和遮挡问题，以及图像中目标种类丰富、空

间联系密切等特点，基于深度学习的方法在处理这类图像时往往存在一

定的困难。

因此，本文旨在研究面向对象的高分辨率遥感图像分割方法，该方

法以目标作为分割的基本单元，通过对目标特征的提取和分析，实现高

精准度的遥感图像分割。

二、研究内容和方法

1. 研究面向对象的高分辨率遥感图像分割算法，包括目标检测、特

征提取和分割。

2. 将深度学习模型引入到算法中，通过卷积神经网络（CNN）等模型，提取图像中的高级特征。

3. 采用目标掩膜分割（OMS）方法，将目标和背景分开，提高分割

的精度和效率。

4. 对算法进行实验验证，采用一些高分辨率卫星图像作为数据集，

比较不同算法的性能和准确度。

三、预期成果和意义

1. 提出一种新的面向对象的高分辨率遥感图像分割方法，该方法可以有效地提高图像分割的准确度和效率。

2. 通过实验验证，对比该方法与现有的遥感图像分割方法，证明该方法的优越性。

3. 推进遥感图像处理技术的发展，在土地利用、资源监测、环境保护等领域具有广泛的应用价值。

四、研究计划和进度

1. 前期准备（2021年6月~2021年7月）：阅读相关文献并对高分辨率卫星图像和遥感图像分割有基本认识。

2. 研究方法和算法（2021年8月~2022年4月）：提出一种面向对象的高分辨率遥感图像分割算法，并采用深度学习模型进行实现。

3. 实验验证（2022年5月~2022年9月）：利用一些高分辨率卫星图像作为数据集，对所提方法进行实验验证。

4. 论文撰写（2022年10月~2023年1月）：完成毕业论文的撰写和组织。

五、参考文献

1. Liu, Y., Li, X., Cao, X., & Xu, Z. (2020). Ship segmentation in high-resolution remote sensing images based on improved U-Net. Journal of Applied Remote Sensing, 14(1), 1-13.

2. Lin, G., Milan, A., Shen, C., & Reid, I. (2017). Refinenet: Multi-path refinement networks for high-resolution semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 5168-5177).

3. Li, J., Li, S., Li, Z., & Li, J. (2021). Multi-stage cascaded convolutional neural network for high-resolution remote sensing image segmentation. Remote Sensing, 13(3), 1-18.

4. Xia, G. S., Bai, X., Ding, J., Zhu, Z., Belongie, S., Luo, J., & Datcu, M. (2018). DOTA: A large-scale dataset for object detection in

aerial images. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3974-3983).