第三章空间处理域方法

最新推荐文章于 2024-11-03 08:16:29 发布

kingsure001

最新推荐文章于 2024-11-03 08:16:29 发布

阅读量194

点赞数

分类专栏：遥感文章标签：卷积计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/kingsure001/article/details/108692228

版权

遥感专栏收录该内容

2 篇文章 0 订阅

订阅专栏

在这里插入图片描述

数值运算

点运算

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

单波段运算

在这里插入图片描述

卷积操作都很熟练了吧

多波段运算

代数运算 :
在这里插入图片描述
剖面运算：

集合运算

图像裁剪，镶嵌

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
波段提取与叠加

在这里插入图片描述

逻辑运算

在这里插入图片描述

在这里插入图片描述
与（求交），或（求并），异或（求相交子图像）

数学形态学运算

在这里插入图片描述

1 二值形态学

在这里插入图片描述

腐蚀操作去除田埂连接

在这里插入图片描述

膨胀操作消除耕地地块的内空洞点

在这里插入图片描述

2 灰度形态学

在这里插入图片描述

开闭运算与二值形态学一样；

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

博客等级

码龄5年

85
原创

146
点赞

874
收藏

74
粉丝

关注

私信

热门文章

分类专栏

算法 4篇
Java 2篇
数学建模 22篇
sklearn 10篇
机器学习 22篇
深度学习 15篇
keras,tensorflow,pytorch 2篇
配置 4篇
遥感 2篇
python 6篇

最新评论

吴恩达机器学习作业5——偏差/方差/训练集/验证集/测试集
咻咻的棒棒糖: import numpy as np import matplotlib.pyplot as plt from scipy.io import loadmat from scipy.optimize import minimize data = loadmat('ex5data1.mat') print(data.keys()) X_train,y_train = data['X'],data['y'] #12个样本，1个特征 print(X_train.shape,y_train.shape) X_test,y_test = data['Xtest'],data['ytest'] print(X_test.shape,y_test.shape) #21个样本，1个特征 X_val,y_val = data['Xval'],data['yval'] print(X_val.shape,y_val.shape) #21个样本，1个特征 X_train=np.insert(X_train,0,1,axis=1) X_test=np.insert(X_test,0,1,axis=1) X_val=np.insert(X_val,0,1,axis=1) def plot_data(): fig,ax=plt.subplots() ax.scatter(X_train[:,1],y_train) ax.set(xlabel = 'change in water level(x)', ylabel = 'water flowing out og the dam(y)') plot_data() def reg_cost(theta,X,y,lamda): cost = np.sum(np.power((X@theta-y.flatten()),2)) reg = theta[1:]@theta[1:]*lamda return (cost+reg)/(2*len(X)) theta = np.ones(X_train.shape[1]) lamda = 1 print(reg_cost(theta,X_train,y_train,lamda)) 到底哪里出错了呀，为什么我弄出来的图一点都不对，
sklearn-决策树-红酒数据
晓阳凤年: ```python import numpy as np from sklearn.datasets import load_wine from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans from sklearn.metrics import homogeneity_score, completeness_score, silhouette_score import matplotlib.pyplot as plt # 加载红酒数据 wine = load_wine() data = wine.data # Z-Score归一化预处理 scaler = StandardScaler() data_scaled = scaler.fit_transform(data) # K-means聚类 kmeans = KMeans(n_clusters=3) kmeans.fit(data_scaled) # 获取聚类结果标签 labels = kmeans.labels_ # 同质性 homogeneity = homogeneity_score(wine.target, labels) print("Homogeneity:", homogeneity) # 完全性 completeness = completeness_score(wine.target, labels) print("Completeness:", completeness) # 轮廓系数 silhouette = silhouette_score(data_scaled, labels) print("Silhouette Coefficient:", silhouette) # 绘制散点图 plt.scatter(data[:, 0], data[:, 1], c=labels) plt.xlabel("Feature 1") plt.ylabel("Feature 2") plt.show() ``` 运行以上代码可以完成红酒数据的K-means聚类，并输出同质性、完全性和轮廓系数分数。最后，根据聚类结果绘制了散点图，不同簇的数据点用不同颜色标记。
Anaconda环境下安装opencv（快速方法）
勇敢牛牛，不怕困难801: 啊啊啊啊，气死了，还是不行，一堆报错文件
美赛写作
INSIST.166: 在哪儿看视频呀
在anaconda中安装tensorflow和keras
qq_34706232: 这应该是anaconda非常重要的作用

最新文章

目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。