我的毕业论文选题是基于哈希学习的遥感目标检测，目的是对于给定的卫星图像，通过数据分析进而确定其中是否包含一个或多个属于感兴趣类别的对象，并定位图像中每个预测对象的位置，相对与早期人眼识别，遥感检测技术将达到不直接与物体、区域或者现象接触而获取数据，单纯通过对数据进行分析得到物体、区域或者现象的相关信息的目标。随着高分辨率的卫星快速发展，遥感图像的目标检测也有着越来越多的挑战，根据查阅的文献，概括起来，国内外目前遥感图像目标检测方法可以分为传统方法和新型方法两大类，接下来我将对每种方法进行优劣势分析和概括。
传统方法：
(1)基于模板匹配的遥感图像目标检测方法
模板匹配，就是在一幅图像中寻找另一幅模板图像最匹配（也就是最相似）的部分的技术。模板就是一副已知的小图像，而模板匹配就是在一副大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过一定的算法可以在图中找到目标，确定其坐标位置。因此，基于模板匹配的遥感图像目标检测框架有两个主要步骤：模板生成和相似性度量。
基于模板匹配的遥感图像目标检测方法优势在于它是一种最简单、直接的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个简单的匹配问题。但是模板匹配也具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。除此之外若原图像中要匹配的目标只有部分可见，该算法也无法完成匹配。
(2)基于知识的遥感图像目标检测方法
基于知识的遥感图像目标检测方法通过建立各种知识和准则，将目标检测问题转化为假设检验问题，知识和准则的建立是最重要的一步。广泛使用的知识是几何知识和上下文(环境)知识。
从概念可以知道，基于知识的遥感图像目标检测方法优势在于建立起合理的知识和准则后能保证对目标检测的总体精度。但劣势也很明显，那就是基于知识的遥感图像目标检测方法建立知识体系的步骤十分繁琐，一般来说，我们首先需要分割图像得到各类信息的基本单元；其次，通过分析样本所包含的基本单元种类确定构成环境要素的基本单元类型，将相应类型的基本单元归类；最后,通过分析矢量化的基本单元的组合特征与样本内的基本单元的组合特征的相似性,剔除不符合基本单元组合规律的样本等等，这个过程中会耗费大量的时间与精力。
(3)基于机器学习的遥感图像目标检测方法
机器学习具有强大的特征表示和分类能力，近年来出现的许多相关方法将目标检测视为一个分类问题，并取得了很大的突破。基于机器学习的遥感图像目标检测框架的重点在于特征提取、特征融合和降维(可选)以及分类器训练三个部分，其中，分类器的输入是一组区域(滑动窗口或区域选择)的特征表示，输出是它们相应的预测标签，即：是目标或不是目标。
以上是毕业论文文献综述，课题毕业论文、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。
