针对多光谱影像与全色影像的融合，本文在分析HIS变换及基于Mallat小波算法的影像融合方法的基础上，提出了一种基于HIS变换与àtmus小波分解相结合的遥感影像融合方法，并给出了实现的过程。通过主观视觉效果分析与客观性能参数分析，新方法的性能优于HIS变换融合法、PCA变换融合法、小波变换融合方法，不仅较大地提高了融合影像的空间细节表现能力，并保留了多光谱影像的绝大部分光谱信息。

遥感影像分类是影像分析的一个重要内容,它是利用计算机通过对影像中不同地物的空间信息和光谱 信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将影像中各个像元划归到子空间去. 目前国内国际上对影像分类的研究主要集中在应用具体的物理的、数学的方法等对影像进行的分类研究方 面[1 - 8 ] ,对于影像分类方法的研究,从不同的方面可以划分为不同的类型. 按照利用图像要素的不同,影像 分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的 分类[9 ] . 用计算机对影像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:统 计法(决策分类法) 、语言结构法(句法方法) 、模糊法以及神经网络法. 在影像分类过程中,根据是否已知训练 样本的分类数据,影像分类方法又可以分为监督分类和非监督分类. 本文主要从分类原理、分类过程、分类方 法等方面来探讨这两种分类方法的区别与联系.

多源遥感影像数据融合技术探讨，姚静，康停军，针对当前海量遥感数据与相对较低的数据利用率并存的现状，探讨了数据融合的概念，融合的三个层次：像素级、特征级和决策级融合，

C++搭建框架，利用OpenGL、GDAL、Qt进行分块显示遥感影像 ，默认分块的大小为640X640，目前仅仅支持小数据显示，后续将继续更新，支持大数据分块显示。

envi做PCA分析遇到NAN异常值处理，保留原始影像的投影信息等原始信息

IDL+ENVI计算地球化学元素异常或者遥感影像的多重分形分维曲线。

基于BP神经网络的遥感影像分类方法研究，张建平，王崇倡，采用BP神经网络进行遥感影像分类，可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。然而，BP网络自身也存在着�

武汉市城区2005年 夏季landsat4-5TM 影像数据，landsat4-5TM卫星带有7个波段，各种波段的组合课凸显出不同的地物地貌，比如：选择最佳波段的原则有两点：①要求参与彩色合成的波段所含信息量各波段之间的相关性小大；②波段组合得到的彩色图像对研究区域关注的地物类型之间的光谱差异要大、信息含量多、相关性小、地物光谱差异大、可分性好的波段组合。其中，波段 543 组合具有较好的分辨效果，水体边界明显，易于区分，并且 543 组合较为接近自然色，符合人们的视觉的习惯。所以应选择波段组合 R5 G4 B3。

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据，需要寻求一种能够自动从海量影像数据中学习最有效特征的方法，充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别，提出一种分层的深度学习模型，通过设定特定意义的分层方法建立目标语义表征及上下文约束表征，以实现高精度目标检测。通过对高分遥感影像目标检测的试验，证明了该方法的有效性。

通过IDL语言调用envi中的函数实现遥感影像的裁剪+初学者+简单易懂，需要自备矢量文件