由于需要对h5(hdf5)格式的dem数据进行拼接,但是arcgis不能识别h5的地理参考信息,所以先将h5文件转为带地理参考的tif文件,然后再进行拼接. 工具:arcgis+envi 1.用arcgis add data添加数据,然后右击数据,export data ,输出类型选择tiff,假设输出文件名为data1.tif: 2.用envi打开data1.tif,然后打开与dem对应的影像,根据影像的Map Info去编辑data1.tif的地理参考信息: 3.使用ENVI File==>

一直在研究怎样用caffe做行人检測问题.然而參考那些经典结构比方faster-rcnn等,都是自己定义的caffe层来完毕的检測任务. 这些都要求对caffe框架有一定程度的了解.近期看到了怎样用caffe完毕回归的任务,就想把检測问题当成回归问题来解决. 我们把行人检測问题当成回归来看待,就须要限制检出目标的个数,由于我们的输出个数是固定的.所以,这里我假定每张图片最多检出的目标个数为2.即每一个目标用4个值来表示其位置信息(中心位置坐标x,y. BBox的宽和高).则网络的最后输出是8个值

一.基础概念 NDVI(Normalized Difference Vegetation Index,归一化差分植被指数,标准差异植被指数),植被覆盖指数.也称为生物量指标变化,可使植被从水和土的图像范围中分类出来. 应用于检测植被生长状态.植被覆盖度和消除部分辐射误差等. 1.NDVI 能够部分消除与太阳高度角.卫星观测角.地形.云影等与大气条件有关的辐射变化的影响: 2.NDVI 结果被限定在[-1,1]之间,避免了数据过大或过小给使用带来的不便: 3.NDVI 是植被生长状态及植被覆盖度的

一.Python语言的主要特征 1.开源性 Python和大多数的支撑库和工具都是开源的,通常可以非常灵活的使用而且有开放的协议. 2.解释性 也可以使用Cpython完成将解释性语言转化为实施可执行的Python二进制代码的应用 3.多框架 Python语言支持不同的编程与实现框架,例如面向对象.和必要的函数型或过程化编程. 4.多目的 Python可以用于快速的.交互式的代码开发以及建构大型应用系统,它也可以用于底层系统操作以及高级分析的任务. 二.Python的科学计算库 NumPy: 提

数据的输入:详见(http://cran.r-project.org/doc/manuals/R-data.pdf下载的R Data Import/Export手册②) 1.键盘输入:使用edit(),会调用文本编辑器,从而创造一个数据框(矩阵) 2.从带分隔符的文本文件中导入数据:mydataframe<-read.table(filename, options) 相关选项有:header 一个表示文件是否在第一行包含了变量名的逻辑型变量 sep 分开数据值的分隔符.默认是sep="&q

1 SMAP(Soil Moisture Active and Passive)数据介绍 SMAP baseline science data products在下面的表格中展示,这些数据产品可以从两个NASA设计的数据中心下载, Alaska Satellite Facility (ASF) and National Snow and Ice Data Center (NSIDC). ASF专门提供SAR 数据,NISDC专门提供冰冻圈科学与陆地微波数据.同时也可以在Worldview浏览SM

2.3.6 导入 SPSS 数据 IBM SPSS数据集可以通过foreign包中的函数read.spss()导入到R中,也可以使用Hmisc 包中的spss.get()函数.函数spss.get()是对read.spss()的一个封装,它可以为你自动设 置后者的许多参数,让整个转换过程更加简单一致,最后得到数据分析人员所期望的结果. 首先,下载并安装Hmisc包(foreign包已被默认安装): install.packages("Hmisc") 然后使用以下代码导入数据: libr

数据集预览: GlobeLand30是30米空间分辨率全球地表覆盖数据,目前可供下载使用的有3年的数据:2000-2010-2020,本文主要讲述GlobeLand30的官网下载地址和数据集简介. 数据处理方法.成果数据下载: [ArcGIS风暴]ArcGIS平台实现中国地表覆盖数据GlobeLand30预处理(批量投影.拼接.掩膜提取) [ArcGIS风暴]ArcGIS生成GlobeLand30土地利用数据集中国区域行列号shp格式对照图 目录 一.GlobeLand30简介 1 数学基础 2

栅格金字塔   如果上面的部分都已经看过了,那么如何在ArcMap中更好的渲染一个栅格数据你已经知道了.可仅展示好一个栅格数据是不够的,我们还需要知道如何快速的展示一个栅格数据. 讲金字塔之前,先解释一下重采样的概念. 现如今我们有的影像数据大都是几十M到几十G不止.这样大小的栅格数据在ArcMap中是不能直接显示的.还记得我们前面举的那个例子么,一个606.903 MB的3波段8bit的栅格数据,共有15781列13442行.这个行列数已经是目前我们所使用的屏幕分辨率的10倍以上,也就是说在一

4 具体步骤 4.1 DEM数据拼接 (1)打开ENVI软件,选择[File][Open],添加文件夹DEM数据中的影像,操作如图4.1.1所示,结果如图4.1.2. 图4.1.1 添加DEM数据影像 图4.1.2 影像添加结果 (2)数据拼接准备.选择[Mosaicking][Seamless Mosaic],点击[Add Scenes],添加所需拼接的影像.在[Main]选项卡中,将[Data Ignore Value]设置为"0.00",设置相应的[Color Matching

本文对应<R语言实战>前3章,因为里面大部分内容已经比较熟悉,所以在这里只是起一个索引的作用. 第1章       R语言介绍 获取帮助函数 help(), ? 查看函数帮助 example() 使用函数示例 vignette() 列出vignette文档 vignette("svmdoc") 打开对应文档 管理工作空间 getwd() 显示当前工作目录 setwd("mydirectory") 修改当前工作目录为mydirectory rm(objec

cesium-terrain-builder的使用: 这个是用来把含有高程数据的tif图片切片成.terrain的小文件,是给cesium-terrain-server提供服务的. cesium-terrain-builder得用cmake编译. 在liunx下 首先得安装了gdal,并且配置gdal到.bashrc下 1.cmake CMakeLists.txt 文件. 2.make install cesium-terrain-server的使用: 这个插件的目的就是下载一个docker镜像

需求决定了动力,此时近凌晨一点,忙里偷闲,终于忙完了今天的“这点儿”事儿.参考帮助文档,从hdf的读写,捉摸hdf5的读写,总算弄明白了.稍作总结,以备候查. hdf5作为hdf数据的补充与升级,目前被新型的传感器所采用(VIIRS,风云三号等),但是如果没有hdf5的sav扩展,低于5.1版本的envi是无法打开的(扩展可以到网上搜)方便起见,花一点儿时间捉摸了下hdf5的数据读取,提取部分内容,写为hdf文件,以方便查看. Hdf5数据重要的是几个概念:文件(File),组(Group),数

一.  实验要求 1.     提供数据: 中田村两个图幅影像数据 DEM提供包含高程数值的文本和矢量数数据 完成内容: 实现中田村两个图幅的拼接,生成一个影像数据(Image.tif) 将DEM数据汇总到一个shapefile中,同时实现DEM克里金插值,生成一个DEM数据(DEM.tif) 通过绘制一个矩形shape切割两个栅格图层,得出三维基础影像和高程数据实验内容 二.  实验步骤及结果 1.     实现中田村两个图幅的拼接,生成一个影像数据(Image.tif),在栅格数据集中选择镶

软件环境(Windows): Visual Studio Anaconda CUDA MinGW-w64 conda install -c anaconda mingw libpython CNTK TensorFlow-gpu Keras-gpu Theano MKL CuDNN 参考书籍:谢梁 , 鲁颖 , 劳虹岚.Keras快速上手:基于Python的深度学习实战 Keras 简介 Keras 这个名字来源于希腊古典史诗<奥德赛>的牛角之门(Gate of Horn):Those tha

Sequential模型接口 如果刚开始学习Sequential模型,请首先移步这里阅读文档,本节内容是Sequential的API和参数介绍. 常用Sequential属性 model.layers是添加到模型上的层的list Sequential模型方法 add add(self, layer) 向模型中添加一个层 layer: Layer对象 pop pop(self) 弹出模型最后的一层,无返回值 compile compile(self, optimizer, loss, metric

Sequential 模型 API 在阅读这片文档前,请先阅读 Keras Sequential 模型指引. Sequential 模型方法 compile compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) 用于配置训练模型. 参数 optimizer: 字符串(优化器名)或者优化器对

引自:http://blog.csdn.net/sinat_26917383/article/details/72857454 中文文档:http://keras-cn.readthedocs.io/en/latest/ 官方文档:https://keras.io/ 文档主要是以keras2.0. . Keras系列: 1.keras系列︱Sequential与Model模型.keras基本结构功能(一) 2.keras系列︱Application中五款已训练模型.VGG16框架(Sequent

转自:https://keras.io/zh/getting-started/sequential-model-guide/ 1.顺序模型是多个网络层的线性堆叠. 你可以通过将网络层实例的列表传递给 Sequential 的构造器,来创建一个 Sequential 模型: from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, inp

 先从sklearn说起吧,如果学习了sklearn的话,那么学习Keras相对来说比较容易.为什么这样说呢? 我们首先比较一下sklearn的机器学习大致使用流程和Keras的大致使用流程: sklearn的机器学习使用流程: from sklearn.模型簇 import 模型名 from sklearn.metrics import 评价指标 ''' 数据预处理及训练测试集分离提取''' myModel = 模型名称() # 对象初始化 myModel.fit(训练集x , 训练集y) #