最大似然法是经常使用的监督分类方法之一，适用于遥感数据分类，压缩包中的代码可以直接在MATLAB上运行，不提供数据集。

用于对遥感图像进行监督分类，贝叶斯分类器， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类

基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。

用于半监督分类的图形卷积网络（GCN）的PyTorch实现

只有数据！！！这些数据还是没有分类的。

用于对遥感图像进行监督分类，贝叶斯分类器， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类

半监督matlab代码--经过调试--可用。

该资源为ENVI-IDL开发的最新随机森林分类插件，将相应文件放在指定目录下即可实现操作。

该文档简述了遥感的定义原理，以及分类的各种详细的方法，以及ENVI软件的具体的操作说明，是适合初学者的一套简单易上手的指导说明

8波段的遥感影像，其中包含建筑物、道路、植被、 水四种地物类型，现已从四种类型中分别选取了训练样本若干，分别存储在building.xls、road.xls、vegetation.xls和water.xls四个文件中，unknow.xls文件中存储了待分类像素在8个波段上的灰度值以及这些像素的真实地物类型，要求利用最大似然法对unknow.xls中的像素进行分类，并利用unknow.xls文件中最后一列的类别信息对分类结果进行精度评价。已求出总体精度、用户精度、制图精度、Kappa系数。内附数据以及结果文件。 需要更改读取文件的路径为自己的路径。matlab完美运行