遥感影像变化检测经典算法(IR-MAD、CVA、PCA)的变更侦测代码

在Matlab环境中，探讨了多时相图像变化检测的几种方法：基于边缘检测、相似度度量及高斯模型。同时提供了相应的实现代码。

该存储库中的Matlab图像去阴影代码PyFmask，尽管目前处于试验阶段，但仍然是一个非常值得开发的工具。我们鼓励您尝试使用，并期待您的反馈和建议，这将有助于我们进一步改进该库。快速入门的方法包括下载存储库并将其本地化到当前工作目录，然后运行示例脚本Landsat8Scene.py。该代码提供了灵活的使用方式，特别适用于处理Landsat卫星图像数据。详细安装步骤请参阅存储库的README文档。

将您关注的shp格式区域与世界地图遥感栅格影像进行叠加，能够实现更精细化的数据分析和研究。

从上世纪70年代开始，国内外遥感影像分类研究逐渐成为学术界关注的焦点。早期主要采用统计模式识别方法，如1980年的最大似然法和1983年的光谱特征分类，主要用于获取森林资源信息。随着技术进步，预处理、多源信息融合、人工智能理论以及分类后处理等新方法应运而生，以提高分类精度。近年来，人工神经网络模型作为综合数据分类方法受到广泛关注。

PARCS MATLAB 代码用于通过成对自适应回归累加器 (PARCS) 检测多个变化点。该代码提供示例和演示，用于评估 CUSUM 和 PARCS 在不同噪声类型下的性能。代码使用 GPLv3 和知识共享署名许可证发布。

PCA算法是一种经典的人脸识别算法，在Matlab平台上展现出良好的应用效果。

贡献者梅丽莎·陈（Melissa Chen）、高乐中（Lezhong Gao）、凯文·夸奇（Kevin Quach）、韦拜·斯里瓦斯塔瓦（Vaibhav Srivastava）使用区域增长聚类算法对3D点进行聚类，以过滤出具有宽度和深度的聚类。在360度全景图上，利用深度神经网络的预测框对聚类点进行投影，并选择最可能的框进行跟踪。

基于遥感影像和统计的土地利用研究，真的蛮实用的，尤其是你如果想搞清楚城市土地怎么变、为什么变，这套思路还挺系统的。用的是ERDAS IMAGINE遥感图像，再配合SPSS做统计，基本覆盖了从数据采集到驱动因素研究的全流程。 数据用的是Landsat ETM+影像和城市年鉴，这组合还蛮常见的，适合做时序对比。比如像 2000 年、2003 年的遥感图，再加上 2001-2007 年的年鉴数据，就能看到城区扩张的节奏和背后的原因。 想做可视化的？可以看看土地利用强度变化可视化 IM 模型，交互还不错；对转移矩阵不太熟的，可以参考ArcMap 制作土地利用转移矩阵详细指南，手把手教你怎么搞。 要做预

地学影像的理解与，周成虎的这本书算是挺经典的了，讲得比较透彻，尤其是光谱特征和知识发觉那块，多老手都爱翻翻看。 影像特征的提取方法挺多，像Moravec、Forstner算子啥的，用来做特征点检测挺方便，结合书里的理论，思路也清晰了。 自动提水体信息的部分也蛮实用，多时候遥感数据都得批量跑，书里思路配合Matlab或Python写个小脚本，效率还不错。 做多波段光谱的话，别忘了看下CARS和EEMD这些方法，配合书里的统计模型，用起来事半功倍哦。 如果你平时想自己动手做特征提取，可以参考下pymfe或者看看Matlab那些现成例子，自己改改，挺香。