1. 研究目的与意义（文献综述）
随着社会科技的飞速发展，全球每天都会产生海量的图片，作为一种信息的载体，这些图像是一种巨大的数据资源，为了充分利用这些资源，必须要对这些图像进行分析处理，而对这些大量的图像进行分类则是后续分析处理的基础，也是必须要做的重要的一步。
很多领域都会涉及图像分类，例如数据挖掘，模式识别，图像检索，计算机视觉等等。而人工对这些大量的图像进行分类显然是不可行的，尤其是在人工智能火热发展的今天，这种繁重的工作自然是让机器代替人工来完成，以提高工作效率。这就需要人们设计出各种图像分类方法，让计算机更加准确高效的完成图像分类的工作。
关于图像分类的方法有很多，一类方法是用一些事先人工分好类的图像来训练算法(称为有监督的方法)，以达到分类更精确的目标。然而，这种方法需要大量的训练图像，实现起来非常困难。还有一类方法是不需要训练，直接对待分类图像进行分类的方法(称为无监督的方法)。这种方法一般先要对图像提取特征及一些预处理，然后送入到分类器中进行分类。这类方法中包含各种图像特征提取技术和多种分类器，不同的特征提取技术与不同的分类器相结合都可能成为一种图像分类方法，但是也不能随意结合，要考虑最终实现的可行性和分类的性能，相对第一类有监督的分类方法，该类方法较容易实现，但是分类准确率有待提高。
2. 研究的基本内容与方案
本分类算法首先对sar图像进行预处理，利用sift算法提取图像的sift特征，主要包括5个步骤进行分配：
1. 构建尺度空间，检测极值点，获得尺度不变性；
2. 特征点过滤并进行精确定位，剔除不稳定的特征点；
3. 研究计划与安排
1-3周：仔细研读任务书，广泛查阅相关中英文文献资料，确定技术方案，完成开题报告；
4-6周：深入了解相关专业知识，掌握相关开发软件，学习相关编程技术；
7-11周：完成基于sift的图像分类算法的代码实现；
4. 参考文献（12篇以上）
[1] dellinger f, delon j,gousseau y, et al. sar-sift: a sift-like algorithm for sar images [j]. ieeetrans on geoscience and remote sensing, 2015, 53 (1): 453 -466.
[2] fan jianwei, wu yan,wang fan, et al. sar image registration using phase congruency and nonlineardiffusion-based on sift [j].ieee geoscience and remote sensing letters, 2015,12(3): 562 -566.
[3] zhou t, pan j, zhang p,et al. mapping winter wheat with multi-temporal sar and optical images in anurban agricultural region [j].sensors,2017,17(6):1210.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
