gactyxc的博客

图像处理-纹理特征提取图像纹理特征总述纹理特征提取方法统计方法信号处理法几何法模型法结构方法参考资料代码汇总之前对纹理特征一直都是用哪个学哪个，对这些方法本质上提取的是什么纹理特征、为什么要这样提取纹理之类的内部知识含混不清，刚好最近在系统学习了解图像的纹理特征，整理一个文档，归档一下脑子里这些乱七八糟的纹理知识吧。图像纹理特征总述图像纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复非随机排列纹

将Google提供的网络地图，包括地图和卫星影像等，作为图层加载到QGIS中，有时可辅助地学分析。QGIS已经提供了OpenStreetMap，在“XYZ Tiles”里面加载即可。不知道怎么添加XYZ Tiles的朋友，可以按照下图的步骤，进入设置“XYZ Connection”的窗口。然后，就可以添加网络地图了。名称（Name）可以自行设置，网址（URL）按照下面的这个表来填。其他地方无需改动，按默认设置即可。

DGGridR安装想要用DGGrid生成一套格网数据。DGGrid源码安装，采用推荐的R语言安装方法。Github源码虽然说明里说可以直接用R语言的install.packages()完成R包的安装，但是在安装时出现CRAN中无法查找到包的问题。然后开始自己寻找安装包DGGridR 安装包下载好安装包后，直接尝试本地程序包安装，发现缺少依赖包，按照提示，依次把需要的依赖包装好，有rgdal,ggplot2,dplyr,sp几个包。再次尝试本地安装，提示缺失make文件，问题在于无Rtools

傅里叶级数、一维傅里叶变换到二维傅里叶变换数理推导参考资料：如何理解傅里叶级数公式从傅里叶级数到傅里叶变换高维傅里叶变换的推导IDL实现傅里叶变换傅里叶级数一维傅里叶变换二维傅里叶变换...

突然找到一个《中国学术期刊（光盘版）检索与评价数据规范》，也不知道能用到什么时候，先存着吧。 http://www.journal.tzc.edu.cn/caj.htm

做实验缺少太阳太阳天顶角和方位角的信息，找到了吉林大学汪博士发表在科学网上的一篇博文，里边提供了源代码以及其他相关信息，存一下，以后需要详细了解这一块内容的时候备用。 http://blog.sciencenet.cn/home.php?mod=space&uid=43777&do=blog&id=238552...

6S大气传输模型编译以及修改源码添加、自定义CASI传感器光谱响应在利用6S模型进行CASI影像数据的大气纠正时，发现6S模型中没有对应的光谱响应函数，又不想自己整个输进去，就查资料对源码进行了修改。 主要参考博客：https://blog.csdn.net/sam92/article/details/50390556 光谱响应函数修改 http://blog.163.com/lys_...

几何校准大致包括依据矢量点对矢量图层进行校正、依据矢量点对栅格图层进行校准和依据栅格文件对栅格文件进行校准几种。 矢量点之间的校正使用的工具是spatial Adjustment，栅格校正采用的是Georeferencing工具。在进行校正之前均要开启编辑模式。 参照的几篇文章： 1.矢量配准栅格影像 https://jingyan.baidu.com/article/d3b74d64e3c

从一个网站上边找到的地图坐标系统的描述，感觉还可以，存着吧。 http://www.veryhuo.com/a/view/36048.html

在我们利用envi进行数据读取或写出时，经常可以看到要求我们设置数据的存储格式，大致分为三种，即BSQ、BIL、BIP。这个是按照数据的文件内部读写格式来划分的。 其中，BSQ是按波段保存，也就是一个波段保存后接着保存第二个波段；BIL是按行保存，就是保存第一个波段的第一行后接着保存第二个波段的第一行，依次类推；BIP是按像元保存，即先保存第一个波段的第一个像元，之后保存第二波段的第一个像元，依次

找了好久怎么实现ENVI/IDL与ArcGIS Engine一体化开发，乱七八糟的东西搜到一大堆，忘记到ENVI-IDL技术殿堂的博客里边找了。好不容易找到了，转载一下方便以后查阅。 详情请戳这里

我们知道遥感分类具有不确定性，而其不确定性与其所选择的的评价方法密切相关。本文主要通过四个方面来进行介绍，首先对遥感影响分类精度评价的发展进行介绍；其次对遥感分类精度的评价方法与多分类性能评价的指标分别进行介绍，最后对两者直接的相同点进行总结。

关于矩阵的理解，一直都是离散的，不能形成一个系统的概念，下边链接是原来看到过的一个关于矩阵理解的文章，看到有人转载，就也把内容复制了过来，以便后续自己进行知识的系统化。 原文网址戳这里 线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念

作为一名机器学习的爱好者，最近在跟着Andrew Ng 的 Machine Learning 学习。在讲义的第一部分中，Ng首先讲解了什么叫做监督学习，其次讲了用最小二乘法求解的线性模型，用sigmod函数表示响应函数的logistics回归，接着，利用这两种模型，推出了一种应用十分广泛的指数分布族，在指数分布族的基础上，进行模型的假设，创建了GLM模型，利用这种模型，创建了多项式分布的模型求解。

首先，讨论一个简单的例子，如果想要寻找函数f（x）=0的点，可以进行如下操作。 假如我们的初始值为X0,则作 f(x)在该点的切线，寻找切线与X轴的交点，以该点为已知点，寻找切线，重复上述操作，则可快速的逼近f(x)=0的点。 将该思想用于求解最大似然函数,一般最大的值均满足=0，则对进行操作即可。若为高维分布时，有，其中。 值得说明的是，该算法如果样本数不是很多时，迭代效率较随机梯

在Andrew Ng 的机器学习中，首先接触的便是梯度下降法。梯度下降法是一种最优化算法，其目的是为了求解无约束优化问题，沿着梯度的方向递归性的逼近最小偏差模型。 梯度下降算法形象来说就是将目标函数比作一座山，我们站在山顶上，通过梯度的方向来寻求一条下山最快的路。但在刚开始接触的时候，对梯度的理解不深，不明白为什么要进行的操作，因此从梯度到方向导数逐步进行了学习。 参考PPT链接：