搜索资源列表
YaoGanTuXiangChuLiYuYingYong
- 遥感图像处理与应用，是遥感学中对遥感理论与行业应用最为全面的一本书。第一篇遥感图像及其特征[第1章遥感图像原理，第2章遥感图像的形成，第3章遥感图像的数据格式，第4章遥感图像模式与遥感图像信息特征]，第二篇遥感图像处理系统[第5章遥感图像处理系统概述，第6章VAX/VMS操作系统，第7章IS600数字图像处理系统]，第三篇遥感图像计算机处理[第8章遥感图像的前处理，第9章图像变换，第10章图像增强处理，第11章遥感图像的分类处理，第12章纹理分析，第13章地理信息系统及其在遥感图像处理中的应用]
ArcGIS实习总结
- 1.GIS中的数据： GPS定位数据（点Envet数据表）；矢量线画图形；遥感影像；属性数据。 2.GIS中的数据类型： 栅格数据(image,grid两种，多个grid构成了image)；矢量数据（shp、coverage…）；网络；地形表面（TIN）。 连续的数据：如高程相关的数据 栅格数据包括两种： 离散的数据：表示分类和描述性的数据
ImageRegistration.rar
- 基于边缘特征的图像配准算法源码 基于边缘特征的图像配准算法是将不同时间、不同的传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的同一场景的两幅或多幅图像根据其边缘特征进行匹配、叠加的处理，最终生成一幅全景图像的方法。该方法具有抗噪性强，匹配速度快，误匹配率低，适用于多种类型的图像等优点，主要可以运用于以下领域： （1）军事研究领域，如飞行器辅助导航系绞、武器投射系统的末制导以及寻地等应用研究； （2）医学图像分析，如数字剪影血管造影DSA血管造影术、肿瘤检测、白内障检测、
confusionmatrix
- 混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。 -THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS" AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED
Image
- 遥感图像的打开处理程序，能够打开单波段，多波段图像，几何图像变换，线性拉伸变换，平滑 处理包括并行和串行，锐化处理包括梯度锐化、Roberts锐化、laplace锐化、sobel锐化等，还 有用绝对距离和马氏距离算法进行的监督分类算法等，包括了RAW格式数据资源-The opening of remote sensing image processing, to open the single-band, multi-band images, geometric image
VectOrizatiO
- 本文通过分析遥感分类图栅格像元之间的关系，快速自动地提取矢量数据点及其连接信息， 进而利用连接信息快速生成弧段，由弧段自动组建多边形并建立完整的拓扑关系。实验表明，该方法是一种由遥 感分类图自动转换成GIS通用数据的高效方案。 关键-In this paper, through the analysis of remote sensing classification raster pixel map the relationship between the Express auto
VCthemax_mindistance
- 最大最小距离分类算法实现平面点的分类 如果添加文件数据输入数据，可实现对DEM数据或者遥感图像的处理-The largest minimum distance classification algorithm to achieve the classification of planar points, the input data if you add the file data can be realized on the DEM data or remote sensing image
kappa
- 遥感数据，计算kappa系数，遥感影像，还有一些相关的分类的系数计算-remote sensing remote sensing kappa
jiandufenlei
- 遥感数据简单的监督分类程序代码，遥感数据简单的监督分类程序代码-Supervised classification of remote sensing data in a simple code
FeatureExtraction-(1)
- 绿色植物具有明显的光谱反射特征,而这种特征与植被的发育、健康状况以及生长条件密切相关。传统的宽波段、多光谱遥感数据对于植被的研究仅限于一般性的红光吸收特征和近红外的反射特征[1-3],以及中红外的水吸收特征[4-6]。高光谱遥感通过对不同类型植被的生物物理化学成分含量的估算能获得较为理想的植被生态学信息,并在提取植被信息中得到大量的应用和研究[7-10]。高光谱遥感器的出现为改进现有的分类算法,进一步提高植被分类精度提供了可能。高光谱遥感技术已经应用于湿地分类、边界、水体、湿地植被和湿地生境因子
Improved-P_SVM-support-vector-machines
- 改进的P_SVM支持向量机与遥感数据分类,对多光谱高光谱分类-Improved P_SVM support vector machines and remote sensing data classification, Classification of multispectral hyperspectral
LDA
- 模式识别LDA算法代码,基于LDA降维的遥感图像分类，使得降维后的数据具有最好的类别可分性。-LDA pattern recognition algorithm code
FCM
- 高光谱遥感图像处理之数据分类的fcm算法源代码maltlab-Hyperspectral remote sensing image processing data classification of the FCM algorithm source code maltlab
PCA
- 采用INP数据（145*145*200），该数据有16个类别， PCA进行数据降维，然后对降维数据采用kNN分类（k=1）。(Using INP data (145*145*200), the data has 16 categories, PCA carries out data reduction, and then uses kNN classification for dimensionality reduction data (k=1).)
这是一些评价和分类方法，用于遥感数据
- 这是一种遥感数据分类与评价方法，十分有用(This is a kind of classification and evaluation method of remote sensing data, which is very useful.)
fenlei
- 利用深度学习进行遥感图像场景分类 这里我们对NWPU-RESISC45数据集的场景图像进行分类 我们将卷积神经网络应用于图像分类。我们从头开始训练数据集。此外，还应用了预先训练的VGG16 abd ResNet50进行迁移学习。(Scene Classification of Remote Sensing Images Using Deep Learning Here we classify scene images from NWPU-RESISC45 dataset We apply
classifier_cnn
- 以卷积神经网络对遥感数据（PaviaU）进行分类的一个算例，对于卷积神经网络的学习很有帮助。(An example of classification of remote sensing data (PaviaU) by convolution neural network is very helpful for the learning of convolution neural network.)
random forest
- 利用matlab编程来实现多光谱遥感数据的随机森林分类(Random Forest Classification by Multispectral Remote Sensing)
CNN_Pavia-master
- 使用卷积神经网络进行高光谱遥感数据分类，使用的数据源为Pavia University高光谱数据 文件夹log--日志文件夹，存放TensorBorad日志、网络参数文件、混淆矩阵图 文件夹Patch--存放数据处理的切片结果 文件夹PaviaU--高光谱数据下载存放位置 文件夹predicted--CNN对原始影像的分类结果 data.py--对原始高光谱影像进行数据处理，生成切片 net.py--神经网络模型 train.py--训练神经网络 utils.py--需要用到的函数 show.p
BP神经网络
- BP神经网络，matlab程序编写，有原始数据，可用于遥感图像分类，并且对遥感图像的土地利用类型进行预测。(BP neural network, matlab programming, with original data, can be used for remote sensing image classification, and remote sensing image land use type prediction.)