在高光谱标注样本有限的情况下仍能有效学习
高维处理
适合处理高光谱数据的高维特征
非线性分类
通过核函数处理复杂的非线性分类问题
泛化能力强
基于结构风险最小化原理，泛化性能好
.NET Core 模块化开发
本文介绍在ArcMap软件中，快速对单一波段或多波段栅格遥感影像自动计算NDVI数值的方法~
基于Libsvm的图像分类标签： 机器学习统
前言 在写波段配准相关代码时经常需要用到tif影像的波段合成和分解，虽然可以用ENVI才处理，但是每次都要打开再设置一些参数有些麻烦，所以本着“独立自主、自力更生”的原则就写了些脚本来处理这个需求。又写了个批量裁剪影像的脚本。这里简单总结归纳一下。1.波段合并# coding=utf-8import sysimport cv2import functions as funimport o
1.功能概述1.1 图像分类功能概述在遥感技术的应用中，对资源分布、自然灾害、区域环境等的监测和分析依附于遥感图像分类。而遥感图像分类是进行图像信息提取的有效手段。随着遥感技术的的不断改进，各领域对遥感图像分类方法的要求越来越高，主要表现在以下几个方面：分类结果的精确性：各领域对分类结果的精度要求越来越高。分类速度的时效性：随着近年来遥感数据的快速增长，项目中往往需要进行海量遥感数据的快速处
主要功能批量读取文件，借助GDAL以及numpy分块遥感数据——固定行列像元数量环境配置主要版本如下：python 3.9.7gdal &n
文章目录前言一、监督分类介绍1. 定义2. 监督分类方法二、geemap中监督分类的详细步骤1. 加载地图底图2. 加载研究区影像数据3. 创建训练样本4. 分类器训练5. 影像监督分类6. 分类结果颜色修改7. 图例和可视化展示8. 分类结果导出总结 前言本节以一个具体遥感影像处理的案例——基于遥感影像的监督分类，介绍一下使用Earth 对遥感影像进行监督分类的具体操作流程。一
文章目录数据介绍经验1. 准确率92.55%：SENet、PyTorch（1）数据预处理：加权采样（2）数据增强：采用随机裁剪，随机旋转，随机翻转，随机擦除（3）模型选择：Senet154（4）模型优化：标签平滑、学习率热身（5）模型集成经验2. 准确率93.12%：DenseNet，Keras（1）预处理-最大最小缩放中心化（2）模型选择方面-预训练DenseNet（3）数据增强-Flip，R
最初的遥感影像分类是通过目视解译(濮静娟, 1984)来完成的，对研究人员的主观意识有较强的依赖性，而且效率较低，适用于数据量较小的情况，通常作为其他方法对比的对象。目前的遥感图像分类主要以计算机分类为主，因此按照人工参与的程度可以将分类方法划分为监督分类、非监督分类(陶超等, 2021)。近年来，分类方法逐渐向机器学习的方向发展。传统机器学习方法，如Smolensky的受限玻尔兹曼机(Restr
基于对象（或面向对象）的图像分析分类监督和非监督分类是基于像素的。换句话说，它创建正方形像素，每个像素都有一个类。但是基于对象的图像分类将像素分为具有代表性的形状和大小。这一过程是多分辨率分割或段均值偏移。 多分辨率分割通过像素分组产生均匀的图像对象。它同时生成图像中具有不同比例的对象。这些对象更有意义，因为它们代表图像中的特征。 基于对象的图像分析（OBIA）分割是一个将相似
普通数码相机记录了红、绿、蓝三种波长的光，多光谱成像技术除了记录这三种波长光之外，还可以记录其他波长（例如：近红外、热红外等）光的信息。与昂贵、不易获取的高光谱、高空间分辨率数据相比，中等分辨率的多光谱数据可以免费下载获取，例如：landsat 数据、哨兵-2 号数据、Aster 数据、Modis 数据等，这些海量的长时间对地观测数据，蕴藏着丰富的信息。随着无人机行业的快速发展，无人机作为
主要功能 1、借助GDAL拼接分块遥感数据，本文实例数据为GEE平台下载的矩形分块遥感数据 2、将大区域影像裁剪为小块——固定行列像元数量环境配置主要版本如下： &nbs
高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近
遥感影像批量裁切与加权拼接方法----基于Matlab裁切方法加权拼接方法 在 遥感+深度学习领域，经常需要对较大尺寸的遥感图像进行批量裁切，制作样本集。在裁切过程中主要的参数有： 裁剪尺寸步长边缘裁切方式（不能完全裁切的情况，不裁切、补0裁切、改变方向裁切）在裁切之后，经过模型预测的影像块需要进行拼接。如果裁切过程中设置了裁剪步长，相邻的影像块会存在重叠，此时在拼接过程，往往需要将重复的区域
目录第一章 高分遥感图像分类概述1、遥感图像分类概念与内涵1)、数字图像处理的三个层次2)、图像处理技术分类的三种基本范畴3)、遥感最终目的4)、遥感分类定义5)、遥感分类意义6)、遥感分类原理2、遥感图像分类的技术发展1)、遥感分类方法概述2)、监督/非监督分类方法比较3)、深度学习思想4)、传统遥感图像分类中存在的问题3、高分辨率遥感图像分类理解1)、载荷特色2)、分类的难点 3)、
1. 基本概念地物的类：具有同种特性的地物集合称为一类。一类地物具有同一标志，不同种类地物具有不同的光谱特性（地物反射和发射电磁波能量的能力） 分类：根据各类样本内在的相似性，采用某种判决准则，将特征空间分割成若干集合 的过程。 2. 基本思想区分不同地物的理论依据：不同的地物类型具有不同的光谱信息和空间信息
刚开始接触深度学习就是看的这个算法，想想当时连python语言都不会，虽然今天依旧咸鱼一条，但是也能用上网络做一点事情了，源码是北京邮电大学的道路识别比赛，采用的torch框架，也算是比较流行框架，网络结构还是端到端的下采样用resnet34，代码讲解想了解的可以看源码，本文主要介绍如何用自己的数据训练，以及训练自己数据中遇到的一些问题。torch中自带训练好的模型，调用也很简单，获取
0.引言根据自身需要制作遥感影像数据还是很具有现实意义： 第一，高分辨率遥感影像数据集目前整体上是缺乏的，主流的有UC-Merced dataset,WHU-RS dataset,RSSCN7 dataset以及2017年由武汉大学制作的目前最大包括10000张30类的高分影像的AID数据集。 第二，主流数据集缺乏地区特点，比如针对合肥地区的地物做分类，
在 Python 编程中，资源管理是保证程序稳定性和安全性的重要环节。with关键字作为 Python 的上下文管理器（Context Manager）机制，为文件操作、数据库连接、锁管理等场景提供了标准化的资源管理方案。本文将深入剖析with关键字的工作原理、使用场景及高级特性，帮助开发者写出更健 ...
步进频线性调频(SF-LFM)信号的单脉冲雷达回波数据处理系统。该系统包含信号生成、回波模拟、脉冲压缩、目标检测、参数估计和成像等核心功能。 %% 步进频线性调频信号的单脉冲雷达回波处理系统 clear; close all; clc; % 系统参数设置 c = 3e8; % 光速 (m/s) fc ...
USB PD 从机（Sink）的状态机流程（SNK_STARTUP→DISCOVERY→...→SNK_READY）是从机（Sink）主动发起并主导，配合主机（Source）响应完成的协商过程，每个状态的切换由特定消息交互或超时机制触发。以下是各步骤的详细说明： 1. SNK_STARTUP（从机启 ...
老实说，我用过不少所谓“效率工具”“生产力软件”，但常常一个被忽视的小工具，反而改变最大。 你可能会觉得：“我已经用好几个了，还能再找？” 答案是：能。关键是找那种“你还没装，但一装就立刻看见区别”的。今天我就不藏了，推荐给你我亲测且真觉得“能打”的 6 款工具。 别说我没提醒你：错过一个可能就多浪费一天。为什么这些工具值得你收藏？它们不是大热到人人都在用（所以你更容易超前）功能切中“常见痛点”但