基于landsat 5 TM 7，4，1波段的地质地貌图

基于MATLAB写的可对遥感影像进行BP神经网络分类的m文件，里面有测试图像数据，其中感兴趣区域数据是由ENVI选取的感兴趣区域保存而来。

遥感影像匹配去除粗差点ransac程序，经过改进，能适应大图像多误差点剔除，速度加快。

遥感影像分类是模式识别技术在遥感领域的具体应用,针对普通卷积神经网络处理遥感图像分类遇到的边缘分类不准确、分类精度低等问题,提出了一种基于编码解码器的空洞卷积模型(DeepLab-v3+)的遥感图像分类方法。首先标注卫星图像数据;再利用标注数据集对DeepLab-v3+模型进行训练,该模型能够提取遥感图像中具有较强稳健性的边缘特征;最后获得遥感影像地物分类结果。在遥感数据集上进行分析可知,所提方法比其他分类方法具有更高的分类精度,更稳健的边缘特征,以及更优的分类效果。

（4） 增强型Frost滤波器 增强型Frost滤波器可以在保持雷达图像纹理信息的同时减少斑点噪声。它是Frost滤波器改进，也同 样根据单独滤波窗口中计算出的统计（方差系数）对数据进行滤波。每个像元都被分到3个类型中：相似 像元（homogeneous）、差异像元（heterogeneous）、指向目标的像元（point target）。 每种类型被区别对待。对于相似像元，像元值被滤波窗口中的像元均值代替；对于差异像元，以脉冲 响应作为变换核对像元进行卷积滤波，从而确定像元值；对于指向目标的像元，像元值不变。详细介绍， 请参阅以下参考文献： Lopes, A., R. Touzi, and E. Nezry, 1990. “Adaptive Speckle Filters and Scene Heterogeneity”, IEEE Transactions on Geoscience and Remote Sensing, Vol. 28, No. 6, pp. 992-1000. 选择File >Adaptive >Enhanced Frost。选择一个输入文件，若需要，选取任意子集。将出现Enhanced Frost Filter Parameters对话框。在“Filter Size”文本框中，键入所需的滤波器大小。输入一个阻尼系数，用来反 向指定用于差异像元的权重均值的阻尼指数的范围，阻尼系数越大，生成结果越不均匀。输入用于限定每 一类像元的终止值，相似像元（方差系数≤Cu）；差异像元(Cu≤方差系数≤Cmax)；指向目标的像元（方差 系数≥Cmax）。 对于雷达图像，终止值可以根据观察次数（L）估算出来。 键入输出文件名并点击“OK”。结果将显示在可用波段列表中。 （5） Gamma滤波器 Gamma滤波器用于在雷达图像中保留边缘信息时，减少斑点噪声。它类似于Kuan滤波器，但是假定 数据呈γ分布（参见第375页的“Kuan滤波器”）。被滤除的像元值将被基于局部统计计算的值所代替。 详细介绍，请参阅以下参考文献： Zhenghao Shi and Ko B. Fung, “A Comparison of Digital Speckle Filters,” Proceedings of IGRASS 94, August 8-12, 1994, pp. 2129-2133. 选择Filters > Adaptive > Gamma。选择一个输入文件或波段，若需要，选取任意子集（参见第10页的 “选择用于处理的波段或文件”）。点击“OK”。当出现Gamma Filter Parameters对话框时，在“Filter Size” 文本框里键入所需的滤波器大小。在适当的文本框中键入观察次数。 “Number of Looks”参数用于通过“1/观察次数”来计算噪声的方差。 选择输出到“File”或“Memory”。点击“OK”，进行滤波。将出现一个状态窗口，显示操作进程。 （6） Kuan滤波器 Kuan滤波器用于在雷达图像中保留边缘的情况下，减少斑点噪声。它将倍增的噪声模型变换为一个

基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及

因小波变换具有多分辨率分析能力和自适应性,故常被作为图像去噪的有效手段之一。文中从遥感影像中常见的薄云噪声的特征分析出发,分别从两个方面入手对含有薄云噪声的遥感影像进行去噪处理:①使用DB系列和SYM系列小波基对含有薄云的遥感影像进行小波变换去噪,对比发现使用db5小波母函数得到的去噪效果最佳。②使用Bridge-Massart阈值降噪模型对含有薄云的遥感影像进行去噪。结果中推断出:直接使用Bridge-Massart阈值降噪模型去噪的结果不如在第一步得到的结果上运用Bridge-Massart阈值降噪模型去噪的结果好。由此得到一种新的基于小波的遥感影像薄云去除方法 ,与小波变换法去除遥感影像薄云的结果比较,本方法得到的结果更优。

1.数据来源 HARVARD DataVerse 2.数据名称 基于SNPP-VIIRS夜间灯光遥感数据 提取的年度郊区数据 3.文件格式 GeoTIFF 4.空间分辨率 500m（WGS_1984） 5.时间分辨率 2012-2020逐年

基于MATLAB写的可对遥感影像进行BP神经网络分类的m文件，里面有测试图像数据，其中感兴趣区域数据是由ENVI选取的感兴趣区域保存而来。

深度学习是近几年图像识别领域的一门新兴技术，能够自动学习影像深层次特征 从而进行准确的分类决策，为得到更好的高分辨率遥感影像分类结果带来新的契机