以新疆红富士苹果为研究对象,探讨应用高光谱图像技术和最小外接矩形法预测其大小的研究方法。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。

通过高频等离子体增强化学气相沉积（HFPECVD）在低温下沉积氢化非晶硅氮化物膜（SiNx：H）。
主要工作是研究等离子体频率和等离子体功率密度在确定薄膜特性（尤其是应力）中的作用。
通过傅立叶变换红外光谱（FTIR）获得有关膜中化学键的信息。
SiNx：H膜中的应力由衬底曲率测量确定。
结果表明，等离子体频率在控制SiNx：H薄膜的应力中起着重要作用。
对于以40.68MHz的等离子体频率生长的氮化硅层，观察到初始拉伸应力在400MPa-700MPa的范围内。
氮化硅膜的固有应力的测量结果表明，该应力量足够用于应变硅光子学中的膜应用。

以石英和不同型号的玻片为基底，系统研究了基底折射率对周期性金银复合纳米阵列的制备及其光学性能的影响。
采用离散偶极子近似(DDA)数值方法研究了复合阵列的局部表面等离子共振(LSPR)光谱特性，计算结果表明，当基底折射率为1.43和1.68时，纳米阵列的折射率灵敏度(RIS)和品质因子(FOM)比较优异。
利用纳米球刻蚀法(NSL)制备了二维周期性复合纳米点阵结构，实验结果表明，当基底折射率为1.43和1.68时，基底与贵金属纳米颗粒有较好的粘合度，纳米阵列结构形貌比较规则清晰。

一个关于高光谱的工具箱，是matlab版本的。

N-FINDR是一种端元提取方法，本代码是利用MATLAB结合N-FINDR原理，进行编程，输入是高光谱数据，程序内包括了高光谱数据输入，N-FINDR处理，端元结果输出

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。

本软件为免费实用的光谱拟合软件，可以计算转动温度，振动温度以及一些光谱信息。
软件为免费软件，安装即可使用，也可阅读其提供的文档（英文版）使用。
谢谢你的使用！

包括高光谱和lidar数据

一款处理光谱的软件指南,可以处理PL，EL等光谱。
也可以进行数据的分峰拟合。
也可进行数据的平滑处理，扣背底等等处理数据，还可以与光谱仪连接实时测量光谱数据，处理拉曼数据等等。

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

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。