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，

武汉大学遥感信息工程学院遥感/地信专业必修课知识总结，参考教材为高等教育出版社《自然地理学》（第四版），知识点覆盖全面，仅供学术交流，希望能帮助到RS/GIS的学弟学妹们。

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。

深度学习方法用于遥感图像处理的研究进展 深度学习方法用于遥感图像处理的研究进展 深度学习方法用于遥感图像处理的研究进展 深度学习方法用于遥感图像处理的研究进展 深度学习方法用于遥感图像处理的研究进展

编程实现求遥感图像的均值，方差，相关系数等。

为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关性，再采用形态学分析提取像元的空间结构特征，然后，根据像元的谱域和空域特征分别构造随机森林，并引入空间连续性对像元点的预测结果进行约束修正，最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明，所提方法的分类性能要优于传统的高光谱图像分类方法，且分类精度高于基于单一特征的方法。

使用MFC实现了遥感图像处理中的非监督分类-K均值聚类，可以对绝大多数常用图像格式进行处理和分类，可以人工设置分类精度和分类类别，可以保存分类后的图像，代码注释很详细，界面也很美观。

RIFT-multimodal-image-matching-main.zip

针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。