XiaoMi-AI文件搜索系统
World File Search System遥感图像
遥感图像变化检测 - Canada.ca
人们对地球表面最新信息的需求与日俱增，因为此类信息为大量应用提供了基础，包括本地、区域和全球资源监测、土地覆盖和土地利用变化监测以及环境研究。遥感卫星数据提供了获取不同分辨率土地信息的机会，并已广泛用于变化检测研究。利用遥感数据，已经开发了大量变化检测方法和技术，而且新技术还在不断涌现。本文首先讨论传统的基于像素和（主要是）面向统计的变化检测技术，这些技术主要关注光谱值，而大多忽略了空间背景。接下来是对基于对象的变化检测技术的回顾。最后，简要讨论了图像处理和遥感数据变化检测中的空间数据挖掘技术。比较了不同技术的优点和问题。强调了图像数据量和多个传感器的指数级增长的重要性以及变化检测技术发展面临的相关挑战。随着超高分辨率 (VHR) 遥感图像的广泛使用，基于对象的方法和数据挖掘技术在变化检测方面可能具有更大的潜力。� 2013 国际摄影测量和遥感学会 (ISPRS) 由 Elsevier B.V. 出版。保留所有权利。
遥感图像场景分类：基准与...
摘要 — 遥感图像场景分类在广泛的应用中发挥着重要作用，因此受到了广泛关注。在过去的几年中，人们做出了巨大的努力来开发各种数据集或提出各种用于遥感图像场景分类的方法。然而，仍然缺乏有关场景分类数据集和方法的文献的系统综述。此外，几乎所有现有数据集都存在许多局限性，包括场景类别和图像数量规模小、图像变化和多样性不足以及准确性饱和。这些限制严重限制了新方法的发展，尤其是基于深度学习的方法。本文首先对最近的进展进行了全面的回顾。然后，我们提出了一个大规模数据集，称为“NWPU-RESISC45”，这是西北工业大学 (NWPU) 创建的遥感图像场景分类 (RESISC) 的公开基准。该数据集包含 31,500 张图像，涵盖 45 个场景类，每个类有 700 张图像。提出的 NWPU-RESISC45 (i) 在场景类和总图像数量上是大规模的，(ii) 在平移、空间分辨率、视点、物体姿势、照明、背景和遮挡方面具有很大的变化，并且 (iii) 具有很高的类内多样性和类间相似性。该数据集的创建将使社区能够开发和评估各种数据驱动算法。最后，使用提出的数据集评估了几种代表性方法，并将结果报告为未来研究的有用基线。索引术语 — 基准数据集、深度学习、手工制作的特征、遥感图像、场景分类、无监督特征学习。
遥感图像三维可视化在...中的应用
戴小爱，杨武年 国土资源信息技术部级重点实验室，成都大学遥感与地理信息系统研究所理工学院 成都 610059，四川，中国 daixiaoa@cdut.cn 摘要 —本文选取多源多尺度数据，通过数字化处理和高精度DEM建模，实现遥感影像的三维可视化。数字高程模型（DEM）反映地形因素，地表纹理图像覆盖真实情况。在ERDAS软件支持下，通过融合影像数据与DEM透视面，叠加多种人文、自然等特征信息的空间数据，建立虚拟三维飞行模型。以腾冲机场为例，提取空间信息，分析越障障碍，使复杂抽象的数据可视化。从而对机场建设预算进行准确评估。
国家安全保障对遥感图像商业化的影响
美国和前苏联的卫星用于国防规划和情报收集，目前的市场参与者众多。37 俄罗斯政府允许两家俄罗斯公司销售 2 米分辨率图像，并设立了商业卫星数据销售和传播中心。9 此外，俄罗斯工业代表计划在不久的将来销售 0.75 米图像，同时向外国实体提供交钥匙遥感系统和技术知识。4 “法国半私营的 SPOT 是销售太空图像的领导者之一，41 法国正在扩大其业务，并于 1995 年 7 月发射了 Helios-lA。4 “ Helios-lA 的技术和 1 米
地球遥感图像的多传感器配准
假设系统校正系统在几个像素内给出近似配准，我们开发了用于多传感器数据的自动图像配准方法，目标是实现亚像素精度。自动图像配准通常由三个步骤定义：特征提取、特征匹配和数据重采样或融合。我们之前的工作重点是基于使用不同特征的图像相关方法。在本文中，我们研究了不同的特征匹配技术，并提出了五种算法，其中特征是原始灰度或小波类特征，特征匹配基于梯度下降优化、统计稳健匹配和互信息。这些算法在多个多传感器数据集上进行了测试和比较，这些数据集覆盖了 EOS 核心站点之一，即堪萨斯州的 Konza Prairie，来自四个不同的传感器：IKONOS（4m）、Landsat-7/ETM+（30m）、MODIS（500m）和 SeaWIFS（1 000m）。
基于SWIN的增强遥感图像分类的比较研究
遥感是通过技术设备获取有关所需位置的信息的过程，我们将我们从一定距离放置在选定位置，并在空间，光谱，辐射测量和时间分辨率中分析，显示和监视它，并通过任何距离进行测量，而无需进行任何距离[1]。遥感用于制图，水文学，地质，林业，农业，国防，安全和空间的领域。有具有数据集的平台，例如前哨，Landsat，Maxar，Planet，UC Merced，EuroSat，patternnet，Spacenet和Google Earth Engine。在图像处理和数据挖掘技术中进行了改进，以解决提供大数据和分析数据[2]的问题，而SATLASPRETRAIN [3]数据集是已使用的大数据集之一。
遥感图像场景分类：基准和最新技术
摘要 — 遥感图像场景分类在广泛的应用中发挥着重要作用，因此受到了广泛关注。在过去的几年中，人们做出了巨大的努力来开发各种数据集或提出各种用于遥感图像场景分类的方法。然而，仍然缺乏有关场景分类数据集和方法的文献的系统综述。此外，几乎所有现有数据集都存在许多局限性，包括场景类别和图像数量规模小、图像变化和多样性不足以及准确性饱和。这些限制严重限制了新方法的发展，尤其是基于深度学习的方法。本文首先对最近的进展进行了全面的回顾。然后，我们提出了一个大规模数据集，称为“NWPU-RESISC45”，这是西北工业大学 (NWPU) 创建的遥感图像场景分类 (RESISC) 的公开基准。该数据集包含 31,500 张图像，涵盖 45 个场景类，每个类有 700 张图像。提出的 NWPU-RESISC45 (i) 在场景类和总图像数量上是大规模的，(ii) 在平移、空间分辨率、视点、物体姿势、照明、背景和遮挡方面具有很大的变化，并且 (iii) 具有很高的类内多样性和类间相似性。该数据集的创建将使社区能够开发和评估各种数据驱动算法。最后，使用提出的数据集评估了几种代表性方法，并将结果报告为未来研究的有用基线。索引术语 — 基准数据集、深度学习、手工制作的特征、遥感图像、场景分类、无监督特征学习。
光学遥感图像中的物体检测调查
变化检测 (Bontemps et al., 2008; Chen and Hay, 2012; Contreras et al., 2016; Dissanska et al., 2009; Doxani et al., 2012; Doxani et al., 2008; Hussain et al. .，2013；Im 等，2008；等，2014；沃尔特，2004）；土地覆盖和土地利用制图，包括植被、树木、水、住宅等。(Baker et al., 2013; Benz et al., 2004; Blaschke, 2003; Blaschke et al., 2011; Blaschke et al., 2008; Contreras et al., 2015; D'Oleire-Oltmanns et al. .，2014；德皮尼奥等人，2012； Doleire-Oltmanns 等人，2013 年；Drăguţ 和 Eisank 等人，2011 年； 2011；Lisita 等，2011； 2011；Tzotsos 等，2011；Walker 和 Briggs，2007；Zhou 等，2009；周和特洛伊，2008）；滑坡测绘（Feizizadeh 等，2014；Li 等，2015b；Martha 等，2010；Martha 等，2011；Martha 等，2012；Stumpf 和 Kerle，2011）。
遥感图像场景分类：基准和最新技术
摘要 —遥感图像场景分类在广泛的应用中起着重要作用，因此受到了广泛关注。在过去的几年中，人们付出了巨大的努力来开发各种数据集或提出各种遥感图像场景分类方法。然而，仍然缺乏对场景分类数据集和方法的文献的系统综述。此外，几乎所有现有的数据集都存在许多局限性，包括场景类别和图像数量的规模小、图像变化和多样性不足以及准确性饱和。这些限制严重限制了新方法的发展，尤其是基于深度学习的方法。本文首先对最近的进展进行了全面回顾。然后，我们提出了一个大规模数据集，称为“NWPU-RESISC45”，这是西北工业大学 (NWPU) 创建的遥感图像场景分类 (RESISC) 的公开基准。该数据集包含 31,500 张图像，涵盖 45 个场景类别，每个类别有 700 张图像。所提出的 NWPU-RESISC45 (i) 在场景类别和总图像数量方面规模庞大，(ii) 在平移、空间分辨率、视点、物体姿势、照明、背景和遮挡方面变化很大，(iii) 类内多样性和类间相似性很高。该数据集的创建将使社区能够开发和评估各种数据驱动算法。最后，使用所提出的数据集评估了几种代表性方法，并将结果报告为未来研究的有用基线。索引术语 — 基准数据集、深度学习、手工制作的特征、遥感图像、场景分类、无监督特征学习。
光学遥感图像中的物体检测调查
变化检测 (Bontemps et al., 2008; Chen and Hay, 2012; Contreras et al., 2016; Dissanska et al., 2009; Doxani et al., 2012; Doxani et al., 2008; Hussain et al. .，2013；Im 等，2008；等，2014；沃尔特，2004）；土地覆盖和土地利用制图，包括植被、树木、水、住宅等。 （Baker 等人，2013 年；Benz 等人，2004 年；Blaschke，2003 年；Blaschke 等人，2011 年；Blaschke 等人，2008 年；Contreras 等人，2015 年；D'Oleire-Oltmanns 等人，2014 年德皮尼奥等人，2012；等，2013；Drăguţ 和 Eisank，2012；Eisank 等，2011；Kim 等，2011； Woodroffe，2011；Macfaden 等，2012；Myint 等，2011； 2012；Tzotsos 等，2011；Xie 等，2008；Zhou 和 Troy，2008；滑坡测绘（Feizizadeh 等，2014；Li 等，2015b；Martha 等，2010；Martha 等，2011；Martha 等，2012；Stumpf 和 Kerle，2011）。