在地理信息系统（GIS）技术的发展历程中，Esri的World Imagery服务一直是全球地理空间分析的重要基础资源。Esri的World Imagery Wayback服务特别之处在于它不仅提供了当前的影像数据，还允许用户回溯查看自2014年以来各个历史时期的全球影像快照。这种历史影像的存档功能，为GIS用户提供了一个探索过去变化的“时光机”。 具体而言，World Imagery Wayback提供了一种方式，让用户能够直观地观察和分析不同时间段内地球表面的变化情况。这种变化可能包括自然环境的变化，如河流的改道、森林的消长；也可能记录了人类活动，如城市建设、交通网络的发展等。通过历史影像的对比，研究者、规划师和决策者可以更好地理解这些变化，从而制定更加科学合理的环境管理和社会发展规划。 要访问World Imagery Wayback服务并添加至ArcGIS软件中，首先需要通过浏览器访问指定网站，获取特定的历史影像URL。在网站上，用户可以找到自己感兴趣的时间点的历史影像，并将对应的URL地址复制下来。然后，打开ArcGIS软件，通过目录按钮定位到GIS服务器，选择“添加WMTS服务器”选项，并在打开的对话框中粘贴之前复制的URL地址，完成服务器的添加。加载完成后，在GIS服务器表中便会出现“Wayback”选项，在对应的URL上双击，便可以浏览不同时间段的影像快照，并将它们添加到图层中查看。 需要注意的是，在添加影像之前，用户可能需要确认自己软件的版本是否兼容WMTS（Web Map Tile Service）格式。此外，由于历史影像数据量庞大，加载和处理可能需要一定的时间，用户应耐心等待系统响应。 世界影像Wayback服务不仅限于GIS专业人员，任何有兴趣探索地球表层变化历史的个人都可以通过此方式获得宝贵的信息。除了World Imagery Wayback，还有其他提供URL的服务也可以通过相同的方法添加到ArcGIS中，使其成为用户进行空间分析的有力工具。 这种历史影像服务的价值在于它不仅为专业的地图制作和分析提供了丰富资源，也为普通公众提供了认识和了解我们所居住星球变迁的窗口。随着技术的进步和历史数据的积累，这类服务将变得越来越重要，其对环境监测、城市规划、灾害管理和可持续发展等方面的影响也将越来越显著。

使用LAB颜色空间进行阴影检测 该存储库包含该论文的python实现：Ashraful Huq Suny和Nasrin Hakim Mithila，“使用LAB色彩空间从单个图像中进行阴影检测和去除”，IJCSI 2013： ：//www.ijcsi.org/papers/IJCSI 我们使用LAB颜色空间来确定航空影像中阴影上的区域，可以将其用作阴影地面真相图进行分析。

高光谱图像小目标检测的一篇英文文献，耿修瑞和赵永超发表的。阐述了小目标检测的原理

DOTA-DOAI 抽象的 这个repo是我们团队参加DOTA相关比赛的代码库，包括旋转和水平检测。 我们主要使用基于的两阶段检测器，由和完成。 我们还推荐了一个基于张量流的，由领导。 表现 DOTA1.0（任务1） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0测试 78.99 全部 2x 是的 2X GeForce RTX 2080 Ti 1 cfgs_dota1.0_res152_v1.py DOTA1.0（任务2） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN（内存消耗） ResNet152_v1

Introducing Next Generation PlanetScope 8-band Imagery.mp4

基于对象的CNN（OCNN）用于卫星图像语义标记 OCNN的目标是为卫星图像的语义标记提供一种快速，准确的方法，同时保留有关地理实体的详细信息。 它旨在易于实施，以支持卫星图像映射和基准研究评估。 如果您认为这有帮助，请引用我们的作品 此外，我们还要感谢Thomas Blaschke教授，Stefan Lang教授，Dirk Tiede教授以及OBIA小组成员的宝贵建议。 笔记： 基于对象的CNN（OCNN）已经集成了逐像素CNN（PCNN）策略，因此我们放弃了Matlab版本的PCNN，因为它的效率似乎有点低。 要使用OCNN代码，您可能需要确保已经满足必要的环境。 相关的模块或软件包是： 张量流 cv2 泡菜 还应安装其他基本模块，例如numpy，scipy，PIL。 整体结构（这是原型，所以可能看起来有些碎裂）： |-OCNN_main.py (improtant!)

图像增强，色彩校正/恢复 EUVP数据集：，，。 （已配对和未配对的数据； FUnIE-GAN） 水下图像网：，，。 （配对数据； UGAN） UIEBD数据集：，，。 （水网） SQUID数据集： ，，。 （水下-HL） U-45：，。 （UDAE） RUIE基准：，纸张。 （RUIE-Net） 牙买加皇家港口：数据，纸张，代码。 （水甘） 虚拟潜望镜：数据，纸张。 颜色校正： 数据。 颜色恢复： 数据，纸张，代码。 TURBID数据：数据，纸张。 OceanDark数据集：数据，纸张。 SISR：单图像超分辨率 USR-248：数据，纸张，代码。 （用于2x，4x和8x训练； SRDRM，SRDRM-GAN） SESR：同时增强和超分辨率 UFO-120：数据，纸张，代码。 （用于2倍，3倍和4倍SESR和显着性预测；深度SESR） 图像分割 SUIM：数据

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

COLMAP 三维重建应用作者的博士论文，对理解 COLMAP 的实现过程有非常大的帮助，推荐阅读。

iSAID：用于航空影像中实例分割的大规模数据集，CVPR研讨会，2019年。 数据准备和评估代码 环境和依赖项安装 创建conda环境conda env create -f environment.yml 激活当前的工作环境source activate py_isaid 为evalaution服务器设置pycocotols- cd cocoapi/PythonAPI - make - python setup.py install 为evalaution服务器设置城市景观脚本-cd cd preprocess/cityscapesScripts cityscapesScripts- python setup.py install 为Evlaution服务器设置Detectron- cd preprocess/Detectron make 注意：opencv版本== 3.4.