:针对高空间分辨率的遥感影像，提出了一种基于多尺度分割的变化检测算法。采用 Mean-Shift 分割算法对 影像进行多尺度分割，构建了不同尺度上的地理对象，以不同尺度上的地理对象灰度均值构建了变化检测的多尺度 特征向量，采用变化矢量分析法获得最后的变化检测结果。

主要是讲遥感数字图像的处理过程和基本原理，都具有详细的讲解

基于稀疏表示的可见光遥感图像飞机检测算法

针对传统基于压缩感知的单字典超分辨方法难以充分描述复杂的遥感图像纹理的问题，提出了一种多尺度残余字典超分辨重建方法。首先对插值图像的高频子带执行Contourlet变换获得多个子频带；然后在各子频带上建立对应子残余字典，并进行字典学习和超分辨重建；最后对高频和低频部分进行融合得到完整的超分辨图像。实验结果表明：与其他相关方法相比，本文方法的超分辨效果无论主观视觉还是客观评价指标都有很大提高。其中客观评价指标，本文方法的峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似度(structural similarity, SSIM)平均值分别提高6 dB和0.05。对于纹理复杂的遥感图像的超分辨重建场合，更好地满足重建效果和时效的要求，具有重要的理论和应用意义。

深度学习在图像检索方面的应用，主要的思想是利用预训练网络，原文是英文，资源名称是我自己翻译过来的

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

基于U-Net模型, 提出了一个全卷积网络(FCN)模型, 用于高分辨率遥感图像语义分割, 其中数据预处理采用了数据标准化和数据增强, 模型训练过程采用Adam优化器, 模型性能评估采用平均Jaccard指数。为提高小类预测的准确率, 模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验, 结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636, 可实现对高分辨率遥感图像端到端的精确分类。

国外经典的遥感教程,入门和提升的必修之作，国内遥感领域大师推荐的教程，指的一看。

　 文章运用 Matlab软件对遥感影像的不足之处进行处理改善 ,详细介绍了处理方法和处理的原理 ,对处理结果进行了比对分析 ,并进行了边缘检测与特征提取 ,论证了处理方法的可行性。

RSOD-Dataset