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。

基础模型采用UNet++网络模型，主干采用ImageNet预训练好的timm-efficientNet-b8并在模型中添加scse注意力机制。 训练好2个模型进行结果融合。 采用FastAI框架进行代码写。 2个模型分别为，（1）数据增强，b8，训练120轮（2）数据增强，b8，训练80轮。 操作系统版本：Linux version 5.8.0-29-generic (buildd@lgw01-amd64-039) (gcc (Ubuntu 9.3.0-17ubuntu1)20.04) 9.3.0, GNU ld (GNU Binutils for Ubuntu) 2.34) #3120.04.1-Ubuntu SMP 星期五 11 月 6 日 16:10:42 UTC 2020 python版本：3.7.9 训练数据处理 对原始数据随机提出 1000 张作为测试集不参与训练。 利用FastAI自带的数据增强库对训练数据进行。 划分20%作为验证集。 训练策略 采用fit_flat_cos训练模式训练80轮，和训练120轮。 采用混合饲养训练。 采用亚当优化器。 在训练过程中保存miou最好的性能模型。 复现流程 执行train.sh文件进行数据划分和模型训练。 执行test.sh文件进行预测。 两个两个模型在 1000 张测试集中进行测试，并计算结果，将两个模型的每个类别的模型性能进行融合，得到最终的每个模型的模型权重，利用 miou 权重进行模型的融合。

压缩包中包含sift和surf的图像配准，先用sift或者surf特征提取，然后进行特征匹配，最后还用RANSAC进行误匹配剔除。sift是在Lowe官网源码上进行更改，surf直接使用MATLAB自带函数detectSURFFeatures()。

使用CNN功能进行图像匹配 概述 针对深度遥感影像在成像方式，时间相位，分辨率等方面的差异难以匹配的问题，提出了一种新的深度学习特征匹配方法。 结果表明，该算法具有较强的适应性和鲁棒性，在匹配点的数量和分布，效率和适应性方面均优于其他算法。 该存储库包含以下文件的实现： "A Heterogeneous Remote-Sensing Image Matching Method Based on Deep Learning Feature" （in Chinese） 一种基于深度学习特征的异源遥感影像匹配算法 该存储库中特征提取的主要思想和代码均基于 。 匹配结果： 谷歌地球图像之间的匹配结果（2009年和2018年） 无人机光学图像与红外热像的匹配结果 SAR图像（GF-3）与光学卫星（ZY-3）图像的匹配结果 卫星图与地图的匹配结果 入门： 建议使用Python 3.7+来运

包括遥感图像读取、直方图、均衡化、直方图匹配、中值滤波、均值滤波、锐化、IHS与RGB转化、PCA融合等

ERDAS Imagine遥感图像处理方法_ 党安荣 是学习摄影测量与遥感的经典书籍。

压缩包里是遥感专业实验学习日志中遥感图像分类（K均值、感知器、集成学习）代码所用数据，参考学习者可以下载使用。