【综述】深度学习用于遥感影像分类 Deep learning for remote sensing image classification: A survey Ying Li

讨论面向对象和规则的光学遥感影像分类方法

初始自己做研究时尝试过的遥感影像融合算法类型，与arcgis10.2结合的插件，属于开源资源，算是搬运的借花献佛，若将其用于论文的同道们记得添加引用啊。此方向研究属实比较成熟，诸位行业大佬已经将其研究的极为透彻，相关代码也逐渐走向开源，诸君可将其应用于实际的应用型研究中。祝学术事业节节攀高

HOPC的matlab代码、实验数据和相关论文，该方法可实现可见光、红外、SAR和LiDAR和栅格地图等多种多模态遥感影像的精确匹配和配准

基于高分辨率的遥感影像三维城市建模，介绍了基于IKONOS影像的RPC参数模型的原理与方法。

对于以FY为例的HDF格式的遥感影像，往往只提供影像中心的经纬度和投影方式。我们针对全球数据简单添加WGS-84等经纬度投影，并存储为tif格式。（笔者，在用python读取完hdf数据后存成tiff，但是发现没有地理信息，发现MATLAB可以很方便实现，故利用MATLAB实现，后续更新FY数据从读取到地理信息添加全部代码） MATLAB对无地理信息的遥感影像添加地理信息

ENVI（The Environment for Visualizing Images）是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。压缩包中含有安装包及其安装教程。

气溶胶光学厚度(Aerial Optical Depth,AOD)是重要的大气参数,也是大气校正中不可缺少的变量。文中通过两种AOD反演算法的实施和比较,探讨了利用高光谱进行AOD反演的可行性和算法的适用性。通过两种方法,对四幅影像进行了气溶胶的反演,并以地基观测数据进行了对比验证。结果显示改进的V5.2算法在非浓密植被区域的精度较高,而在浓密植被区域与DDV算法精度相当,由于两种算法均依赖于波段固定的线性关系,使得两种算法在气溶胶的反演中均有误差。

通过Python对遥感影像数据进行处理，该数据中每一个像元包含有大量的参数计算值，通过阈值分类的方式，将影像区域内的像元按照不同参数数值的进行分类，形成主导因素分区。

图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。 许多多尺度分割算法已被广泛用于高分辨率（HR）遥感图像中。 这些细分算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。 但是，由于空间变化，单一尺度参数几乎不能描述具有不同土地覆被的区域的边界。 为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。 为了找到最佳的物体尺度，通过计算物体内部和内部物体之间的光谱角来应用局部光谱异质性度量。 与选择全局最优尺度参数不同，本研究旨在从所有不同尺度的结果中直接搜索最优对象，并将其组合为最终的分割结果。 在实验中，使用多分辨率分割生成不同比例的分割结果，并将QuickBird-2图像用作test.data。 在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。