遥感影像

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。

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。

杜培军在总结国内外空间数据挖掘与遥感影像数据挖掘发展态势的基础上，分析了当前遥感影像库中数据挖掘存在的问题和不足，并提出了改进建议。

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。

SAR图像变更检测使用的常见算法包括PCA算法、MAD算法和IMAD算法。数据集内含，附有PCA算法、MAD算法和IMAD算法处理的指标分析（如均值、方差、Kappa指数、检错率、漏检率等）。经实测验证有效。

利用seaborn、jupyter notebook、numpy、pandas和matplotlib进行遥感影像中植被指数NDVI、GCI、GNDVI和NGRDI的数据分析与统计。

随着遥感技术的发展，影像预处理显得尤为重要。探讨了高斯滤波器与中值滤波器在MATLAB开发中的应用，以提高遥感影像处理的效率与准确性。

这本出色的国外书籍是我们的教材，适合有志青年学习。

数据融合里的老牌选手——ESTARFM，用起来还挺顺手的。它是那种专门遥感图像的利器，能把不同时间和来源的数据揉成一张高清图，效果不赖。最关键的是，这套代码还集成了GPU 加速，在大图像量级的场景下起来流畅，响应也快，适合实战上手。 cuESTARFM的目录结构也清晰，src里是主力代码，scripts里有现成的运行脚本，一键编译搞定。data文件夹里有测试图像，能直接跑通流程，比较适合边学边练。对于初学者来说，README.md也挺友好，基本上照着来就能跑。 它的核心思想也不复杂，就是通过历史 SAR加上当前光学图像，预测出高分辨率的影像。流程是：图像先配准、提特征，做时空建模，融合。每一步