遥感图像特征可视化方法研究与软件实现开题报告

1. 研究目的与意义

（1）背景：

在经济全球化和信息技术快速发展的21世纪，随着对地观测技术的迅速发展，遥感图像在社会生活和经济建设中发挥着越来越重要的作用。遥感技术在新纪元开始迅猛发展，使可得的遥感数据源大大增加。高光谱、多时相和立体观测影像等丰富的遥感影像数据为信息的获取提供了可能性，但对数据挖掘带来了难题:数据交叉重叠，冗余度大，计算量大等等。

随着遥感数据的广泛应用和快速发展，民用遥感数据量的逐年增加，各种各样的遥感应用系统和平台也是应运而生。在“十二五'期间，国产的高分辨率对地卫星的应用必将得到迸一步的加强，遥感数据量也将会以几何级速度增长。同时，遥感数据处理系统也将沿着高速、高效、便捷的流程化处理方向发展。在遥感数据处理平台的技术日益成熟的同时，环保、交通、国土等国家部门中，遥感数据处理平台也得到了广泛的应用。作为一种有关遥感信息的平台系统，却面临着来自不同行业的不同需求和不同用户，因此，用可视化的方案简明扼要的表述数据处理内容、简化数据处理步骤，提高运转效率是当今研究的重点问题。由于针对性的满足了遥感应 用系统平台的特定需求，流程化和可视化处理必将具有广阔的应用前景。

2. 研究内容与预期目标

（1）研究内容：

1.本课题对matplotlib中数据显示方法的展开研究，通过matplotlib的学习研究可以仅需要几行代码，便可以生成绘图。比如可绘制折线图、散点图、柱状图、饼图、直方图、子图等，本研究主要绘制出可视化后的散点图。

2，通常处理的数据是多维的，算法的时间复杂度与维数成指数级增加。维数达上千万维，称为维数灾难，往往就需要进行降维处理。所以本文通过特征降维方法的研究，特征降维方法千千万，本文主要研究t-sne(t-distributed stochastic neighbor embedding)（非线性降维算法）是用于降维的一种机器学习算法，是由 laurens van der maaten 等在08年提出来。此外，t-sne提供了一种有效的数据降维模式，是一种非线性降维算法。该算法可以将对于较大相似度的点，t分布在低维空间中的距离需要稍小一点；而对于低相似度的点，t分布在低维空间中的距离需要更远，能使数据集更容易使用，降低算法的计算开销，易于获取有价值的信息，所以是本文主要的一个研究内容。

3. 研究方法与步骤

研究方法 ：

研究的此遥感图像特征可视化软件,采用高效算法, 辅助图像处理、图像理解，构建图像可视化，本软件使用python 2d绘图库中的matplotlib库叠合进行图像的绘制显示，为了增强图像的直观感和视觉效果,提高图像的实用价值,利用计算机图形学知识和python编程语言以及主要采用t-sne算法的运用和pca特征降维方法生成能真实反映图像特征的遥感图。

4. 参考文献

[1] q. hu et al.“exploring the use of google earth imagery and object- based methods in land use/cover mapping”[j].remote sens, 2013,11:6026–6042.

[2] l.gmez-chova,d.tuia,g.moser,g.camps-valls.“multimodal classification of remote sensing images: a review and future directions” [j].proc. ieee,2015,103: 1560–1584.

[3] p. gamba.“human settlements: a global challenge for eo data pro- cessing and interpretation”[j]. proc. ieee, 2013,101：570–581.

5. 工作计划

(1)2022-1-15~2022-2-20

了解毕设相关要求，完成论文的研究意义、研究内容（方法和原理）的初稿写作。

(2) 2022-2-21~2022-3-20