小样本高光谱遥感图像深度学习方法

有效将多光谱图像和高分辨率图像进行融合.

本书重点介绍了加拿大PCI Geomatica遥感图像处理软件的基本功能与操作，供广大PCI客户及爱好者学习和使用。本书分为四个部分，共25章及附录。第一部分简要介绍PCI Geomatics公司及其软件产品，第二部分介绍PCI Geomatics Geomatica软件的基础知识及高度集成、操作灵活的主要浏览模块Focus，第三部分介绍PCI Geomatics Geomatica强大的全数字摄影测量系统OrthoEngine模块，第四部分介绍PCI Geomatics Geomatica的其他模块，包括ImageWorks、GCPWorks、FLY!、Xpace、Visual Modeler、Author、Chip Manager、ACE等。

【doc】Matlab在遥感图像融合算法及质量评价中的应用.doc

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()。

STANet用于遥感图像变化检测 它是本文的实现：一种基于时空注意力的方法和一种用于遥感影像变化检测的新数据集。 在这里，我们提供了时空注意力神经网络（STANet）的pytorch实现，用于遥感图像变化检测。 变更记录 20210112： 添加PAM的预训练权重。 ，代码：2rja 20201105： 添加演示以快速入门。 添加更多的数据集加载器模式。 增强图像增强模块（裁剪和旋转）。 20200601： 第一次提交 先决条件 Windows或Linux Python 3.6+ CPU或NVIDIA GPU CUDA 9.0+ PyTorch> 1.0 视觉 安装 克隆此仓库： git clone https://github.com/justchenhao/STANet cd STANet 安装 1.0+和其他依赖项（例如，torchvision， 和 ）

无人机具有体积小、时效性强、操作灵活、成本低等优点，其航拍遥感技术被广泛应用于灾害监测、环境侦察等方面。遥感图像预处理作为无人机图像拼接的第一环节，其处理效果会直接影响到后续拼接的速度、配准准确度以及图像拼接质量。 受限于无人机的飞行高度低、体积小、重量轻导致的抗风能力差、数码摄像头焦距不足等因素的限制，无人机遥感技术所拍摄的图像往往像幅小、数据量大;无人机遥感图像还会受到诸多环境变量的影响，如光照、烟雾等，这也导致了即使是相邻多幅图像之间，也会存在较大的亮度差异和色调差异，这些也会影响到特征点检测的准确度以及最后图像融合的质量，因此在预处理阶段中引入图像增强十分必要。在任何图像采集过程中，噪声干扰都是需要考虑的因素，本文所提出的基于图像锐化的平滑处理能够有效地去除噪声并增强图像细节为下一步特征配准打下良好的基础。

此数据集仅用于个人研究，遥感图像是在网上下载的大图。 700对遥感图像对，根据6：2：2划分训练，验证，测试集。 制作过程： 1 将大图裁剪成450×600小块 2随机选取小块矩形，再给四个点20个像素的扰动，得到新的四个点。 3根据两组点计算H 4根据H将原图扭曲到另一幅图像上 5最终分别保存240×320大小的img_A和img_B。并将img_A,ing_B以及Hba，Hab保存在.npy的文件中 6按照6：2：2划分训练，验证，测试集 7 mea≈0.60 std≈0.25 算是一个仿真数据集，大家可以使用。 如果觉得有用的话，欢迎大家评论点赞嚄！

一个可用的神经网络方法进行的 遥感图像分类，里面有数据，可以直接执行。 一个可用的神经网络方法进行的 遥感图像分类，里面有数据，可以直接执行。

一个可用的神经网络方法进行的 遥感图像分类，里面有数据，可以直接执行。 一个可用的神经网络方法进行的 遥感图像分类，里面有数据，可以直接执行。