遥感图像分类是图像分析的重要步骤,其中分类后精度评定是判定图像分类效果的主要依据。目前,面向对象分类的精度评定常采用随机验证点作为评定参数,这样容易造成评定的分类结果精度不高。提出基于规则验证点的面向对象的分类精度评价方法,在使用支持向量机、CART(classification and regression tree)决策树和K最近邻进行分类的基础上,分别采用基于规则验证点和随机验证点的方法对分类结果进行精度评定。实验结果表明,所提出的方法比传统的基于随机验证点的方法得到的分类精度更高。三种分类方法在规则验证点下的最优总体分类精度分别达到了87.92%、91.94%和94.63%,均优于基于随机验证点的方法的精度评定结果。

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器,并在每个步骤中进行实时调整,以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征,并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类,实验结果表明,本文提出的模型在训练时间和分类准确率上都优于现有算法。

遥感地质学课程实验教学的目的是通过实验让学生掌握利用遥感技术进行区域地质调查、矿产地质勘察、水文工程、灾害地质及其它地质学领域研究的基本技能，掌握数字化图像计算机处理和智能识别的基本方法。要求学生在完成岩石学、地层学、构造地质学课程基础上进行。学会常规遥感图像目视地质解译，初步了解数字图像地质识别方法，遥感地质工作方法程序及综合编制遥感解释地质图件。

基于FPGA的遥感图像纹理特征提取算法实现技术.pdf

常见的高光谱数据集-Botswana、HoustonU、Idian_pines、KSC、Pavia、Salinas、Xiong'an、Xuzhou，包含光谱数据以及标注信息，伪色彩图和标注图像，格式均为.mat格式。由于文件超过上传限制，所以使用是百度云盘。

利用MATLAB实现遥感图像增强.pdf

利用深度卷积特征进行遥感图像配准中的实现源代码，参考论文：《Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Feature》

通过将高分辨率的类判别激活图投射到原始地图上，并与土地利用数据叠加，以生成经验统计的特征，使模型更为准确地预测该地区在社会经济地位方面的土地利用类别。

tif遥感数据文件，用于学习python处理遥感图像的测试学习数据。

本文以MATLAB软件作为开发工具,设计了一种基于SIFT算法的遥感图像配准系统。本系统能够对来自于不同传感器、不同分辨率、不同时段的遥感图像进行配准,实现对遥感图像的甄别、比对,有效建立遥感图像的统一坐标系,使遥感图像信息的解读更加准确便捷。利用该系统进行储量测量,水文监测都能起到良好的应用效果,并能够实现远程测量。