遥感影像数据的3种主要的组织方式BSQ-BIL-BIP的互转,其中BSQ-BIL-BIP为txt文本，包含有数据文件。
2023/2/11 9:05:16
1.59MB
1
包含常用的几种高光谱数据，可以用于遥感图像分类。
WashingtonDCMal,IndianPine等。
ndianPines是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于1992年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为145×145的大小进行标注作为高光谱图像分类测试用途。
Pavia University数据是由德国的机载反射光学光谱成像仪（Reflective OpticsSpectrographicImagingSystem，ROSIS-03）在2003年对意大利的帕维亚城所成的像的一部分高光谱数据。
该光谱成像仪对0.43-0.86μm波长范围内的115个波段连续成像，所成图像的空间分辨率为1.3m。
其中12个波段由于受噪声影响被剔除，因而一般使用的是剩下103个光谱波段所成的图像。
该数据的尺寸为610×340，因而共包含2207400个像素，但是其中包含大量的背景像素，包含地物的像素总共只有42776个，这些像素中共包含9类地物，包括树、沥青道路（Asphalt）、砖
WashingtonDCMal,IndianPine等。
ndianPines是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于1992年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为145×145的大小进行标注作为高光谱图像分类测试用途。
Pavia University数据是由德国的机载反射光学光谱成像仪（Reflective OpticsSpectrographicImagingSystem，ROSIS-03）在2003年对意大利的帕维亚城所成的像的一部分高光谱数据。
该光谱成像仪对0.43-0.86μm波长范围内的115个波段连续成像，所成图像的空间分辨率为1.3m。
其中12个波段由于受噪声影响被剔除，因而一般使用的是剩下103个光谱波段所成的图像。
该数据的尺寸为610×340，因而共包含2207400个像素，但是其中包含大量的背景像素，包含地物的像素总共只有42776个，这些像素中共包含9类地物，包括树、沥青道路（Asphalt）、砖
2023/2/11 2:19:13
195MB
1
PCI是专业遥感影像处理软件，可支持多种传感器影像的处理操作，包括光学影像、雷达影像的辐射校正、几何校正、正射校正、配准、图像分类等，可以满足较高精度的遥感影像处理需求。
2023/2/11 0:02:12
67B
1
微波遥感课件，中国科学院大学讲义，包含了电磁波基本理论，微波与物质互相作用，微波辐射计，高度计，微波散射计，合成孔径雷达
2023/2/5 9:14:25
32.09MB
1
运用VS2010程序实现了遥感图像tif格式，以BSQ方式存储的遥感图像的解析，各波段数据的提取，假彩色方式的显示。
源代码下带有测试图像，有单波段的，三波段，四波段的图像各一幅。
源代码下带有测试图像，有单波段的，三波段，四波段的图像各一幅。
2023/1/26 6:32:47
16.75MB
1
Road_extraction使用多GPU模型张量流的AttentionUnet和DeepUnet实现道路提取DeepU-Net的多种变体已经过额外的层和额外的卷积测试。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
2023/1/22 22:31:45
16.51MB
1
光学遥感器在轨绝对辐射定标精度决定着定量化应用的广度和深度,反射率法、辐照度法以及辐亮度法等基于大面积均匀场的在轨替代定标发挥着重要作用,但由于存在场地数量有限、定标频次低、场地反射率低以及单点定标无法实现全动态范围定标的问题,定标精度限制在5%~8%之间。
光学遥感器空间分辨率的提高,使得基于光谱平坦性好、朗伯性好的灰阶靶标的绝对辐射定标成为可能。
本文研究了基于灰阶靶标的定标方法的原理、定标流程及影响因素,并在此基础上提出了简化辐射传输计算的方法。
考虑到高分辨多光谱相机响应线性及暗电流等的影响,本文采用带偏置的一次函数响应模型,对某多光谱相机进行了三次试验,求出了定标增益与偏置,定标不确定度优于5%。
利用铺设的彩色靶标进行了反射率反演验证,结果显示,在5%~70%的反射率内,绝对差值不到0.01。
所提绝对辐射定标方法可以实现光学卫星遥感器大动态范围的绝对辐射定标,处理了在响应低端定量化应用时定标精度普遍较低的问题。
光学遥感器空间分辨率的提高,使得基于光谱平坦性好、朗伯性好的灰阶靶标的绝对辐射定标成为可能。
本文研究了基于灰阶靶标的定标方法的原理、定标流程及影响因素,并在此基础上提出了简化辐射传输计算的方法。
考虑到高分辨多光谱相机响应线性及暗电流等的影响,本文采用带偏置的一次函数响应模型,对某多光谱相机进行了三次试验,求出了定标增益与偏置,定标不确定度优于5%。
利用铺设的彩色靶标进行了反射率反演验证,结果显示,在5%~70%的反射率内,绝对差值不到0.01。
所提绝对辐射定标方法可以实现光学卫星遥感器大动态范围的绝对辐射定标,处理了在响应低端定量化应用时定标精度普遍较低的问题。
2023/1/17 5:52:44
6.39MB
1
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。
2024-04-09 15:03
15KB