GLC-Info 2024版

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。如非匀质空间下全形态图形的加权Voronoi图。

一种异质空间下加权Voronoi图的普适算法

现有的Voronoi图算法多将被划分区域理想化为匀质空间，忽略了所依赖的传导方式及其空间差异性，导致Voronoi图应用研究大多局限于理想空间。本文以光栅扫描算法为基础，通过算法改进，提出了一种异质空间下加权Voronoi图生成算法，该算法具有普适性，兼顾了目标中心强度、几何形状以及空间差异性。首先根据目标中心强度确定目标的影响权重，根据空间传导能力给像元赋予不同的传导权重，然后采用3×3邻域模板进行十字交叉光栅扫描，在距离变换中按像元对距离进行分解，将目标影响权重和像元传导权重纳入距离变换公式，最后连通每个像元到最近目标点的最短路径，完成异质空间下加权Voronoi图的生成。实验证明，改进后的Voronoi图算法比普通Voronoi图更适合复杂空间下的城市影响范围划分，且时间复杂度不受目标数量、分布和形状的影响。 python 版，针对excel调试用

一种异质空间下加权Voronoi图的栅格生成算法

针对现有Voronoi图算法多将被划分区域理想化为匀质空间，忽略了所依赖的传导方式及空间差异性的问题，该文提出了一种异质空间下加权Voronoi图的栅格生成算法。首先根据目标中心强度确定每个目标的影响权重，根据空间传导能力确定每个栅格的传导权重，然后进行十字交叉光栅扫描，在距离变换中按栅格对距离进行分解，将目标影响权重和栅格传导权重纳入变换公式，最后连通每个栅格到最近目标点的最短路径。该算法兼顾了目标中心强度、几何形状以及空间差异性，实现了异质空间下任意形状目标加权Voronoi图的生成。实验证明，该算法时间复杂度不受目标数量、分布和形状的影响，比普通Voronoi图算法更适合复杂空间下的城市影响范围划分。 该资源为C#版本，另需要自己编译操作界面

点、线、面加权Voronoi图生成源码.zip

点、线、面加权Voronoi图生成源码

Keras神经网络深度学习提取水体

Keras神经网络深度学习提取水体，采用了面状样本，简化了采样，结果为水体预测的可能性。

GVAnnotations.zip

OsgEarth下战术标图 https://blog.csdn.net/sailingw/article/details/114648292 需要加载到https://blog.csdn.net/sailingw/article/details/114648871里面运行

OsgEarthMFC.zip

MFC框架下调用OsgEarth

OpenGL建模.zip

几个OpenGL模型实现，包括光照纹理，涵洞，楼梯，太阳系模拟

TIN2DAND3D.rar

三角网生成代码

图书馆网络管理系统.zip

小型图书馆网络管理系统，需要自己增加用户数据库