决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。我们以AdaBoost和C4.5算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，并依托C#+ArcEngine平台设计实现了GLC_Info v1.1。该软件以GLC分类器为核心，不仅提供了基于像元的遥感影像分类功能，而且可以在ENVI或者eCognition分割结果的基础上实现遥感影像面向对象自动分类。和以往分类中手动建立规则集相比，该软件通过决策树学习的方式建立规则集，不仅提高了效率，而且大大降低了对操作员的要求。另外该软件还提供了一些辅助分类以及统计分析功能。

应用遥感技术提取含稀土矿花岗岩信息，本人文章，欢迎下载

大家可以互相学习的了，不错的遥感地质学教程。

一共40万个实例，分为16个类别（相比 DOTA-v1.0 添加了集装箱起重机这个类别）。图像和 DOTA-v1.0完全相同，2806张。补全了许多在 DOTA-v1.0 中丢失的大约10像素以下的实例标注。

软件包括了显示遥感图像，及鼠标拖动，随鼠标位置缩放，及部分栅格图像处理功能(图像锐化，平滑等)，和显示矢量图像的功能。

针对无人车三维激光雷达与全球定位系统/惯性导航系统组合导航系统安装位置关系难以准确测量及相对转角无法直接测量的问题, 提出一种基于多对点云同时匹配迭代生成外参数的方法。首先选择车辆直线往返行驶中位置相近、方向相反的激光雷达点云对进行匹配；然后设定参数区域中心、初始步长及步数, 遍历参数组合, 寻找目标函数最小时的外参数组合并更新为最优迭代区域中心；最后不断缩减步长, 直到得到满足精度要求的最优外参数。实验采集了两段环境不同的数据, 分别采用较优和较差的参数初始迭代中心以及不同步数进行标定。结果表明, 所提方法用时短, 对于非理想参数初值也能够得到较好的标定结果, 而且标定方法简单, 无需专门的标定物即可达到需求的标定精度。

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。

与雷达技术走不同的道路，从光谱学建立一套分析、解译、识别的技术方法

遥感反射率数据 读取 处理 计算 注有详细解释 每行代码 (MODIS, MERIS) 高光谱 反射率 叶绿素 后向散射

遥感影像处理软件PCI的使用教程，是PCI入门的好资料