决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。我们以AdaBoost和C4.5算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，并依托C#+ArcEngine平台设计实现了GLC_Info v1.1。该软件以GLC分类器为核心，不仅提供了基于像元的遥感影像分类功能，而且可以在ENVI或者eCognition分割结果的基础上实现遥感影像面向对象自动分类。和以往分类中手动建立规则集相比，该软件通过决策树学习的方式建立规则集，不仅提高了效率，而且大大降低了对操作员的要求。另外该软件还提供了一些辅助分类以及统计分析功能。

决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。而C5.0算法作为最为前沿的决策树算法，目前尚没有一款基于它的遥感影像分类软件。基于此，我们以C5.0决策树算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，进并依托C#+ArcEngine平台设计实现了GLC_Info v1.0，该软件具有指数变换、样本点的选取、训练集的生成、规则集的建立、影像分类、分类图后编辑等一系列功能，通过这些功能我们为广大用户提供了一款简洁、实用、快速、高精度的遥感影像分类软件。

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid最低;对于高光谱影像,Linear核函数分类精度最高,Sigmoid最低;对于同地区相同分辨率的遥感图像,在分类条件相同的情况下,多光谱影像的分类精度和高光谱的分类精度相近.

针对当前高光谱遥感影像分类人工标注样本费时费力，大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题，提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维，在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后，通过稀疏自编码器得到原始数据的稀疏特征表达，并通过逐层无监督学习稀疏自编码器构建深度神经网络，输出原始数据的深度特征，将其连接到softmax分类器，利用少量标记样本以监督学习的方式完成模型的精调。最后，利用主动学习算法选择最不确定性样本对其进行标注，并加入至训练样本以提高分类器的分类效果。分别对PaviaU影像和PaviaC影像进行分类实验的结果表明，该方法在少量标记样本情况下，相对于传统方法能有效地提高分类精度。

基于深度学习理论的无人机影像分类.pdf

行业分类-物理装置-基于多层次特征表示和集成学习的影像分类方法及装置.zip

飞机在遥感影像中是一种典型的目标。作者基于公开数据集DIOR、UCAS_AOD、NWPU VHR-10、DOTA以及Google earth中的高分辨率遥感影像，确定了全球多处机场，筛选有效飞机遥感数据3594张。然后，结合人体视觉注意力机制，对有效飞机数据进行划分，先根据飞机机翼和螺旋桨，粗略划分为7类；再根据飞机的颜色特征、发动机位置等，进行二次精细划分为14类。整理得到飞机遥感影像分类数据集。该数据集包括7大类飞机：（1）后掠翼飞机；（2）前缘后掠翼飞机；（3）后缘前掠翼飞机；（4）三角翼飞机；（5）平直翼飞机；（6）螺旋桨飞机；（7）直升飞机。

利用深度学习神经网络模型训练医学影像模型，实现五分类，最终预测所给图片所患的病

利用libsvm对遥感影像分类的一个完整程序~~~刚接触libsvm的时候觉得无从下手，而且网上很难找到直接能用的程序，所以学会以后就把自己的代码传上来，希望能帮助新手快速入门~~~

基于深度学习的高光谱影像分类方法研究