最近研究遥感,用到分类算法,PIE SDK正好提供了一些方法可供调用,他们的官方博客上也有相应的示例代码(可参考:https://www.cnblogs.com/PIESat/p/10725270.html).但是,我在开发手册中发现了监督分类对话框类(SupervisedClassificaitonDialog),欣喜若狂!心想有这个类的话,不仅有直观的界面展示,而且也会省去很多开发过程.不幸的是,直接调用这个类显示参数设置对话框界面(如下图),设置好参数,点击OK,并没有出现我想要的分类结果

spot 5监督分类RGB：412 ALOS分类波段RGB：432

第0讲:PIESDKNet二次开发环境配置 第1讲:PIE产品简介及开发介绍 第2讲:PIE架构及常用控件介绍 第3讲:PIESDK常用功能实践 第4讲:XML插件配置及组件式开发界面搭建 第5讲:地图信息的读取 第6讲:算法开发实训 第7讲:数据管理篇-矢量数据的读取操作 第8讲:数据管理篇-栅格数据读取 第9讲:数据渲染篇-矢量数据渲染 第10讲:数据渲染篇-栅格数据渲染 第11讲:态势标绘 第12讲:制图相关操作

1.功能简介 目前在地理信息领域中数据包括矢量和栅格两种数据组织形式,每一种数据都可以对投影进行转换,目前PIE SDK支持矢量和栅格数据的投影转换功能,下面对矢量数据的投影转换功能进行介绍. 2.功能实现说明 2.1 实现思路及原理说明 第一步 获取需要转换的矢量数据的路径和保存路径 第二步 获得转换的空间参考 第三步 利用transform()方法进行转换 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::DatasetFactory OpenFeatureD

1.功能简介 空间索引的使用便于数据的查询:所以在创建矢量数据的时候创建空间索引,下面对矢量数据如何创建空间索引进行功能介绍. 2.功能实现说明 2.1 实现思路及原理说明 第一步 创建矢量要素数据集 第二步 要素数据集创建空间索引 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::FeatureDatasetPtr CreateSpatialIndex() 创建空间索引 2.3 示例代码 项目路径 百度云盘地址下/PIE示例程序/04数据操作/01.矢量数据的创

1. 基于SpatialReference对象的坐标转换 1.1 示例简介 Geometry类是所有几何形体对象的父类,它是一个抽象类,IGeometry接口定义了所有的几何对象都有的方法和属性. 下面介绍基于Geometry对象的坐标转换的主要接口. Transform方法 函数原型: bool Transform(ISpatialReference spatialReference); bool Transform(CoordinateTransformation coordTransfor

1．功能简介 目前在地理信息领域中数据包括矢量和栅格两种数据组织形式.每一种数据有不同的数据格式,目前PIE SDK支持多种数据格式的数据创建,下面对内存栅格数据格式的数据创建功能进行介绍. 2．功能实现说明 2.1 实现思路及原理说明 第一步 获取要读取的栅格数据 第二步 获取栅格数据的读取 第三步 构建新的栅格数据集 第四步 栅格数据写入 第五步 设置空间参考 第六步 设置仿射变换 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::RasterDatasetP

1．功能简介 目前在地理信息领域中数据包括矢量和栅格两种数据组织形式.每一种数据有不同的数据格式,目前PIE SDK支持多种数据格式的数据创建,下面对栅格数据格式的数据创建功能进行介绍. 2．功能实现说明 2.1 实现思路及原理说明 第一步 获取要读取的栅格数据 第二步 获取栅格数据的读取 第三步 构建新的栅格数据集 第四步 栅格数据写入 第五步 设置空间参考 第六步 设置仿射变换 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::RasterDatasetPtr

1．功能简介 栅格数据包含很多信息,在数据的运用中需要对数据的信息进行读取,目前PIE SDK支持多种数据格式的数据读取,下面对栅格数据格式的数据读取功能进行介绍. 2．功能实现说明 2.1 实现思路及原理说明 第一步 获取要读取的栅格数据 第二步 读取栅格信息 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::RasterDatasetPtr GetBandCount() 获取波段数 GetRasterXSize() 获取栅格宽度 GetRasterYSize(

1．功能简介 金字塔可用于改善性能,可以加快栅格数据的显示速度.随着放大操作的进行,各个更精细的分辨率等级将逐渐得到绘制;但性能将保持不变:目前PIE SDK支持栅格数据的金字塔创建,下面对栅格数据格的金字塔创建的功能进行介绍. 2．功能实现说明 2.1 实现思路及原理说明 第一步 获取要建立金字塔的栅格数据 第二步 利用BuildPyramid算法进行建立金字塔 2.2 核心接口与方法 接口/类 方法/属性 说明 SysDataSource::RasterDatasetPtr GetPyram

1.功能简介 栅格数据包含很多信息,在数据的运用中需要对数据的信息进行读取或写入,目前PIE SDK支持多种数据格式的数据读取和写入,下面对栅格数据格式的数据读写功能进行介绍. 2.功能实现说明 2.1. 实现思路及原理说明 第一步 获取要读取的栅格数据 第二步 读取栅格数据 第三步 写入栅格数据并赋值投影 2.2. 核心接口与方法 接口/类 方法/属性 说明 RasterDatasetPtr GetBandCount() 获取波段数 GetRasterBand(int nIndex) 获取栅格

当只有几个正样本,你如何分类无标签数据 假设您有一个交易业务数据集.有些交易被标记为欺诈,其余交易被标记为真实交易,因此您需要设计一个模型来区分欺诈交易和真实交易. 假设您有足够的数据和良好的特征,这似乎是一项简单的分类任务. 但是,假设数据集中只有15%的数据被标记,并且标记的样本仅属于一类,即训练集15%的样本标记为真实交易,而其余样本未标记,可能是真实交易样本,也可能是欺诈样本.您将如何对其进行分类? 样本不均衡问题是否使这项任务变成了无监督学习问题? 好吧,不一定. 此问题通常被称为PU

湖南师范大学  Attract队 荣获“航天宏图杯”PIE遥感图像处理软件二次开发大赛二等奖 作品名称:基于深度学习的遥感影像分类系统-以长沙市居住区分类为例 团队简介:周亮(指导老师).张慧(组长).邓宇鹏.刘逸娴.张辰路 作品简介: 本系统设计应用高精度的少量标记数据(感兴趣区),借助监督分类或非监督分类结果来批量获取大量标记样本数据,旨在提高遥感图像分类的精度.系统可用于多波段遥感图像的分类,提取有效数据,比如利用本系统对长沙遥感图像居住区的分类效果较好.系统主要包括基础功能.数据处理.智

昨天总结了深度学习的资料,今天把机器学习的资料也总结一下(友情提示:有些网站需要"科学上网"^_^) 推荐几本好书: 1.Pattern Recognition and Machine Learning (by Hastie, Tibshirani, and Friedman's ) 2.Elements of Statistical Learning(by Bishop's) 这两本是英文的,但是非常全,第一本需要有一定的数学基础,第可以先看第二本.如果看英文觉得吃力,推荐看一下下面

The major advancements in Deep Learning in 2016 地址:https://tryolabs.com/blog/2016/12/06/major-advancements-deep-learning-2016/ 主要挑战是unsupervised learning 无监督学习,2016年大量的研究专注于generative models 生成模型.几大巨头谷歌和脸书分别创新于自然语言处理NLP. 无监督学习 无监督学习指的是在没有额外信息的新数据中,提取

1.简介 数据挖掘.机器学习这些字眼,在一些人看来,是门槛很高的东西.诚然,如果做算法实现甚至算法优化,确实需要很多背景知识.但事实是,绝大多数数据挖掘工程师,不需要去做算法层面的东西.他们的精力,集中在特征提取,算法选择和参数调优上.那么,一个可以方便地提供这些功能的工具,便是十分必要的了.而weka,便是数据挖掘工具中的佼佼者. Weka的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis),是一款免费的,非商业化的,基于JAVA环

非监督分类的概念: 非监督分类,又称“聚类分析或者点群分析”.在多光谱图像中搜寻.定义其自然相似光谱集群的过程.它不必对图像地物获取先验知识,仅依靠图像上不同地物光谱信息进行特征提取,在统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认. 在ENVI中ISODATA和K-Means两种非监督分类的方法: ISODATA是一种重复自组织数据分析技术,计算数据空间中均匀分布的类均值,然后用最小距离技术将剩余像元进行迭代聚合,每次迭代都重新计算均值,且根据所得的新均值,对像元再进

摘要:目前经典的统计学分析方法主要有回归分析,Logistic回归,决策树,支持向量机,聚类分析,关联分析,主成分分析,对应分析,因子分析等,那么对于这些经典的分析方法在R中的使用主要有那些程序包及函数呢? 1.线性模型~回归分析:[包]:stats  [函数]:lm(formula, data,  ...)逐步回归:step(lm(formula, data,  ...))回归诊断:influence.measure(lm(formula, data,  ...))多重共线性:kappa(XX

(转) http://baidutech.blog.51cto.com/4114344/1033714/ 1.简介 数据挖掘.机器学习这些字眼,在一些人看来,是门槛很高的东西.诚然,如果做算法实现甚至算法优化,确实需要很多背景知识.但事实是,绝大多数数据挖掘工程师,不需要去做算法层面的东西.他们的精力,集中在特征提取,算法选择和参数调优上.那么,一个可以方便地提供这些功能的工具,便是十分必要的了.而weka,便是数据挖掘工具中的佼佼者. Weka的全名是怀卡托智能分析环境(Waikato Env

 Multiple Object Recognition With Visual Attention Google DeepMind  ICRL 2015 本文提出了一种基于 attention 的用于图像中识别多个物体的模型.该模型是利用RL来训练 Deep RNN,以找到输入图像中最相关的区域.尽管在训练的过程中,仅仅给出了类别标签,但是仍然可以学习定位并且识别出多个物体. Deep Recurrent Visual Attention Model 文中先以单个物体的分类为基础,再拓展到多个