Houston 2013数据集是一个结合了高光谱成像（HSI）与激光雷达（LiDAR）技术的数据集，主要用于遥感与地理信息系统研究领域。
该数据集针对地理信息的精确分析，包含了丰富的空间维度信息和光谱维度信息，使得它在地表覆盖分类、城市环境监测、农业遥感等多个领域具有重要的研究价值。


具体来说，高光谱成像技术能够在连续的光谱波段范围内获取地物的光谱信息，HSI数据集因而包含了成千上万的光谱波段，能够反映出地物在不同波长下的反射特性。
这些信息对于识别和分类不同的地物类型，如植被、水体、人造地物等具有重要意义。


另一方面，激光雷达技术通过发射激光脉冲并测量反射回来的信号来获得地表的高精度三维结构信息。
LiDAR数据集通常包括地物的高度信息、形状细节以及地表粗糙度等特征，这些信息对于地形分析、建筑物建模以及树木高度测量等方面至关重要。


Houston 2013数据集将HSI与LiDAR数据集分别划分为测试集和训练集，这样的划分可以用于开发和评估地表分类和遥感影像解译算法。
在遥感影像解译中，测试集用于验证算法的准确性，而训练集则用于训练分类器或机器学习模型，使得模型能够学习如何区分不同的地物类别。


该数据集的文件名称列表揭示了数据集的结构，其中HSI_TeSet.mat和HSI_TrSet.mat分别代表了高光谱成像数据集的测试集和训练集，LiDAR_TeSet.mat和LiDAR_TrSet.mat分别代表了激光雷达数据集的测试集和训练集。
TeLabel.mat和TrLabel.mat则可能包含了对应测试集和训练集的标签信息，即每一块地物的具体类别标签。


在处理这些数据集时，研究者需要熟悉遥感影像分析的常用工具和方法，例如使用ENVI、ArcGIS、ERDAS Imagine等软件对HSI数据进行预处理和分析，以及使用Terrascan、LIDAR360等软件对LiDAR数据进行点云处理。
除此之外，深度学习方法，特别是卷积神经网络（CNN）在处理HSI数据中也显示出强大的能力，它可以自动提取和学习光谱特征，对于提高分类精度具有显著效果。


Houston 2013数据集通过提供两种不同的遥感技术所获得的综合数据集，为遥感领域的研究者提供了一个宝贵的实验平台，使得他们可以在此基础上开发和测试新的地表分类算法和模型，进而推动遥感技术在环境监测与分析中的应用与发展。

讲解比较详细，有助于对遥感影像地学理解与分析有兴趣的同伴的学习。

首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI

遥感影像处理时，读取BIL、BSQ、BIP文件的代码，可以通过BIL、BSQ、BIP文件的头文件自动读取行列号等信息，以及格式，从而自动读取数据。
里面有文档说明

这是我自己在mfc下利用gdal库实现的遥感影像显示模块，能显示绝大部分的遥感影像格式数据。
打开影像是可以同时打开多幅影像，程序默认对每幅影像建立各自的金字塔文件以便后面操作，同时程序默认将影像拉伸到0-255范围以防有的影像是11位的或更大的而显示不出来。
打开影像后可进行简单的拉框放缩、移动、复位、旋转、链接显示、直方图、缩略图等操作，还有基本的影像增强处理，如伪彩色变换、饱和度亮度调节、直方图匹配、各种滤波等。
影像处理实现了几何校正、投影变换、裁剪等操作。
界面开发时用的是mfc的ROBBON界面。
其中还含有不太够完善但可运行的种子点生长分割算法。
此外还有些个人结合产学研实现的算法，如地温反演的单窗算法。
程序当中借用了不少他人的开发成果，所以也把自己的贡献出来与大家分享啦，有什么问题尽可以邮件联系本人xiluoduyu@163.com，或访问我的csdn博客http://blog.csdn.net/xiluoduyu。
压缩包里面包含整个程序的详细的开发帮助文档和可运行程序，但注意不要随便移动debug文件夹里面的dll文件以免主界面无法启动。
啰嗦一句，相当感谢提供免积分资料下载的各位大侠，向他们学习！

可用于ENVI或者其他遥感数字图像处理的多光谱图像拼接数据

利用Html、JavaScript、Openlayer、Geoserver、GoogleMaps、百度eChart等WebGIS技术实现了基于AOD、AQI数据的北京市空气质量状况分析系统，实现了站点监测点数据、遥感影像产品面数据进行基于地理位置的时空数据可视化，生动形象的展示了数据时空动态性，该实例为中科院大学《时空数据可视化》课程的综合作业，希望该系统源码能够为从事遥感应用、WebGIS开发、数据可视化从业者们带来一点启示，版权所有，引用请注明出处！

航空航天遥感

可以直接运行代码，对于进行遥感图像评价的人来说，很方便啦已经

1-ENVI基础知识2-影像预处理基础3-自定义坐标系4-MODIS几何校正5-地形图的几何校正6-几何校正(RapidEye几何校正)7-TM图像与SPOT图像配准8-TM图像校正（矢量上选点）9-图像融合10-图像镶嵌11-图像裁剪12-图像增强13-监督分类（样本选择）14-监督分类（分类）15-监督分类（分类后处理）16-监督分类（精度验证）17-非监督分类18-快速制图19-三维可视20-基于GLT的几何校正（风云三号气象卫星为例）21-正射校正22-正射校正（选择控制点QB校正）23-RapidEye正射校正24-构建RPC正射校正（BuildRPC）25-图像自动配准26-基于专家知识决策树分类27-决策树自动阈值分类28-面向对象图像分类(城市信息提取)29-面向对象耕地信息提取30-基于立体像对的DEM提取31-DEM分析与应用32-遥感动态监测33-林冠状态遥感变化监测34-森林砍伐监测35-耕地信息变化监测36-雷达图像基本处理37-高光谱基础38-传感器定标和大气校正39-快速大气校正40-波谱库浏览与建立41-植被识别42-矿物识别43-基于波谱沙漏工具的矿物识别44-植被指数计算和分析45-波段运算（bandmath）46-ENVI的二次开发47-IDL简介48-遥感与GIS一体化

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。