1. 研究目的与意义（文献综述）

土地利用/土地覆盖的分类是遥感数据在土地资源分析及应用的一个重要方面，如何解决多类别图像的识别并满足一定的精度，是遥感图像研究的核心之一，具有十分重要的意义。然而面向土地利用的高分辨率遥感影像分类是一个传统而复杂的课题，其困难存在于两个方面：一是分类过程和结果如何更好地面向gis专题应用；二是高分辨率遥感影像中存在大量的“同物异谱”和“异物同谱”现象，增加了分类的难度。因此，对现有的遥感信息或遥感数据资料加以利用，发展相应的遥感处理技术，提高遥感解译精度，改进现有分类方法，从中提取有用信息并对其进行专题分类与制图的研究，是今后工作的重点。

从遥感影像分类的发展历程来看，分类方法经历了目视解译、人机交互解译、多种技术结合的半自动解译，再到基于人工智能和机器学习的全自动解译的发展过程[2]；分类模型则经历了像元解译、局部结构特征提取、面向对象解译的发展历程；分类器则由最初的单一分类器发展到多个分类器相结合的方法；分类目的由单纯的分类发展到针对特定用途的专项信息提取与变化检测。

近年来，为了提高分类精度、丰富遥感影像分类的方法，国内外学者积极学习、吸收其他学科的最新理论、方法和技术，并尝试将其应用到遥感影像分类中，如面向对象的影像分类、稀疏特征提取技术、大数据技术、基于深度学习技术的影像特征提取技术等[2]。这些新兴技术在影像的分类中取得了较好的效果，提高了分类的精度、速度和影像数据的利用率。

2. 研究的基本内容与方案

基本内容：

在以上的研究环境和背景下，本课题的主要内容是根据quick bird高分遥感影像进行多尺度分割，提取一套两个空间尺度的样本集合，将样本集按照2:2:1的比例随机分割为训练集、验证集、测试集三个数据集。将这三个数据集进行处理规范化为符合全卷积神经网络u-net输入的格式，然后利用全卷积神经网络模型，建立土地类型分类算法，用训练集和验证集对u-net神经网络进行训练，并评价分类结果，再选取效果最佳的网络模型对测试集进行预测，对算法模型的不足之处提出改进方案，最后对比、评价论文设计的算法与目前常用的算法之间的优劣。

技术方案：

3. 研究计划与安排

1) 第1-2周：进行毕业实习，制作实验数据；

2) 第3-4周：搜集毕业设计相关参考资料，书写并完成开题报告；

3) 第5周：搜集毕业设计课题相关外文参考文献，完成外文文献翻译；

4. 参考文献（12篇以上）

【1】olaf ronneberger, philipp fischer, and thomas brox u-net:convolutional networks for biomedical image segmentation. university of freiburg, germany 2015

【2】冯丽英基于深度学习技术的高分辨率遥感影像建设用地信息提取研究 浙江大学， 2017

【3】ning,y. feature selection for object-oriented classification of highresolution remote sensing images. xi`an university of science and technology,china, 2012.