envi监督分类

带有元数据的文本的最小监督分类 该项目提供了一个对文本与元数据进行分类的弱监督框架。 安装 为了进行培训，强烈建议您使用GPU。 凯拉斯 该代码基于Keras库。 您可以找到安装说明。 相依性 该代码是用Python 3.6编写的。 依赖关系总结在文件requirements.txt 。 您可以像这样安装它们： pip3 install -r requirements.txt 快速开始 要在我们的论文中再现结果，您需要首先下载。 我们的论文中使用了五个数据集。 不幸的是，由于我们对数据提供者的承诺，因此无法发布GitHub-Sec数据集。 其他四个数据集可用。 解压缩下载的文件后，您可以分别看到对应于这四个数据集的四个文件夹。 数据集 文件夹名称 ＃文件 ＃班 类名（该类中的#Repository） bio/ 876 10 序列分析（210），基因组分析（176），基因表达（6

很有用的遥感图像分类 介绍的很详细 包含监督分类和非监督分类方法

遥感数字图像处理课程设计-遥感图像监督与非监督分类，主要对于烟台市地区，包含原始数据，处理数据，以及50页的课程设计报告详细讲述了分析以及操作。以下是节选：4.1.1 图像校正 地理空间数据云下载的0云量数据已经进行过了图像大气校正，辐射校正，几何校正，不需要进一步预处理。 4.1.2 波段合成 点击“Basic Tools”—“Layer Stacking”,这时就打开了波段合成窗口，然后点击“Import file”,打开波段输入窗口。我们从中可以选择输入波段。完成波段顺序调整后，就可以直接点击“OK”,这样就会生成一个新合成的波段图像（选取波段1，2，3，4，5，7）。4.1.3 图像裁剪 由于下载的图像太大，迭代计算过于缓慢，所以需要进行裁剪。 在file/save as中，进入文件选择面板，Spatial Subset打开右侧的裁剪区域，并进行编辑。 可手动选择裁剪区域，红框为裁剪区域 图4.3 裁剪范围和大小 4.1.4 裁剪图像统计基本统计量 点击菜单Basic Tools→Statistics→Compute Statistics，对图像进行统计选中统计项目：直方图、

基于PCA的线性监督分类故障诊断的实现代码大全.doc基于PCA的线性监督分类故障诊断的实现代码大全.doc基于PCA的线性监督分类故障诊断的实现代码大全.doc

ENVI遥感图像监督分类 包含练习数据

高维数据聚类 (HDDC) 工具箱包含用于高维数据的高效无监督分类器。 该分类器基于适用于高维数据的高斯模型。 参考：C. Bouveyron、S. Girard 和 C. Schmid，高维数据聚类、计算统计和数据分析，2007 年

ENVI监督分类、决策树分类、火烧迹地提取和ArcMap制图，适用于遥感软件初学者大学生

isodata的matlab代码博客ISODATA 集群 迭代自组织数据分析技术（ISODATA）方法是对k-means聚类算法的改进（克服了k-means的缺点），对于多光谱图像的无监督分类非常有效。

对某市的遥感影像的处理 资源大小3.6GB（含压缩包） 文件主要包括： 1. 遥感数据（原始数据）， 2.根据数据特点灵活选择图像的裁剪、合成、辐射校正、几何校正、滤波后的结果文件； 3. 选取特征点进行监督分类； 4. 有经纬度、图标和比例尺的专题地图； 5. 分类结果评价。 6.课程设计报告