我不爱机器学习的博客

原创 深入浅出：相机白平衡 (White Balance) 究竟是个啥？

要理解白平衡，首先要理解色温 (Color Temperature)。色温就是“光的颜色”，单位是开尔文（K）。低色温（如 3000K）：光线偏黄、偏红，比如夕阳、烛光、暖色路灯。高色温（如 7000K）：光线偏蓝，比如阴天、雪地、冰川。人类的大脑非常聪明，带了“终极自动白平衡”。不管你是在黄昏的夕阳下，还是在蓝色的霓虹灯下，你看一张白纸，大脑都会自动修正，告诉你“这是一张白纸”。但相机很笨，它只会如实记录光线的颜色。如果你在黄光下拍白纸，相机拍出来就是一张黄纸；在蓝光下拍，就是一张蓝纸。

原创 专题深读：双相机系统的图像配准—拼好高光谱的“全景拼图”

确定主从：高分辨率/大视场的 VNIR 为基准（不动），低分辨率的 SWIR 为待配准（被拉伸）。控制变量：固定两台相机的物理相对位置，固定到样品的垂直工作距离。拍摄标靶：使用特制棋盘格，在工作距离拍摄双图。计算模型：提取角点，利用最小二乘法计算仿射变换/透视变换矩阵M\mathbf{M}M。批量重采样：对 SWIR 的每一个波段应用矩阵M\mathbf{M}M，并采用最近邻插值法防止污染光谱能量。合二为一：空间坐标一致后，将两个立方体沿波长轴拼接。

原创 三维光谱和三维图像的异同？

既然它们各有所长，能不能合体？当然可以。现在的科研前沿，就是把 3D 激光雷达 和 高光谱相机 结合起来。XYZλXYZλ。你不仅知道面前有个形状像人的东西（3D 图像），还知道它是真的人，而不是一个逼真的硅胶人偶（3D 光谱）。精准农业： 既知道果树有多高（3D 图像 -> 算生物量），又知道哪棵树缺氮肥（3D 光谱 -> 算营养）。文物修复： 既知道佛像表面的微小裂痕深度（3D 图像），又知道颜料是哪个朝代的矿物颜料（3D 光谱）。

原创 概念深读：光谱选择定则—电子跳跃的“交通规则2

法规名称简单理解典型案例结果自旋选律别翻跟头荧光 (不翻) vs 磷光 (翻)荧光快/亮，磷光慢/暗拉波特选律换个造型p→dp \to dp→d(换了) vsd→dd \to dd→d(没换)KMnO4KMnO_4KMnO4​深紫，硫酸铜淡蓝角动量选律只走一步s→ps \to ps→p(一步) vss→ds \to ds→d(两步)原子光谱中有些线看不见。

原创 为光子寻找最佳“发射台”：红外家族的“三国演义”

在电磁波的版图上，红外线（Infrared, IR）占据了极宽的疆域（0.78μm - 1000μm）。就像“三国演义”中的魏、蜀、吴，近红外、中红外和远红外不仅性格迥异，连制造它们光子的也大相径庭。

原创 深度辩证：为何在 RGB 统治的今天，我们依然要死磕高光谱？

我们死磕高光谱，是因为世界不仅是几何的（RGB），更是化学的（HSI）。

原创 概念深读：红外家族—近红外、中红外与远红外的“三国演义”

维度近红外 (NIR)中红外 (MIR)远红外 (FIR)波长短 (0.78-2.5μm\mu mμm中 (2.5-25μm\mu mμm长 (25-1000μm\mu mμm能量最高中等最低微观机制倍频、合频(X-H键)基频振动(指纹)转动、晶格振动吸光强度极弱(穿透深)极强(只看表面/薄膜)较强谱图特征宽峰、重叠、难认尖峰、分立、特征强较宽，往往伴随噪声核心应用定量(农产品、在线质控)定性(结构鉴定、成分确认)加热、晶体研究、安检分析方法必须依赖统计学模型。

原创 概念深读：N型与P型半导体—电子世界的“多余”与“缺失”

为了控制半导体的导电性，我们必须打破这种完美的平衡。我们在纯净的硅里混入极少量的“杂质”原子（ppm 级别）。这个过程叫掺杂。目的：极大地增加某种载流子（电子或空穴）的浓度，从而改变费米能级的位置。特征N 型 (N-Type)P 型 (P-Type)含义Negative (负)Positive (正)掺杂元素5价元素 (P, As, Sb)3价元素 (B, Ga, In)功能名称施主 (Donor)：提供电子受主 (Acceptor)：接受电子 (提供空穴)杂质能级EDE_DED​。

原创 概念深读：成像光谱发展史—从“色盲”到“火眼金睛”的进化之路

在讲历史之前，我们先复习一下成像光谱的核心——数据立方体 (Data Cube)。DxyλDxyλxyx, yxy：图像的空间坐标（你在哪里）。λ\lambdaλ：光谱维度（你是什么）。科学定义：成像光谱技术（Imaging Spectroscopy）是指在电磁波谱的紫外、可见光、近红外和中红外区域，以几十至上百个连续且细分的光谱波段对目标进行成像的技术。发展史的本质：就是在λ\lambdaλ这个轴上，切得越来越细（分辨率提高），范围越来越宽（覆盖面广），且波段之间。

原创 概念深读：光谱选择定则—电子跳跃的“交通规则

在量子力学的微观世界里，原子中的电子虽然活泼，但它们并不自由。当电子试图从一个能级“跳”到另一个能级（跃迁）并在此过程中发射或吸收光子时，它们必须严格遵守一套物理定律。这套定律被称为选择定则（Selection Rules）。你可以把原子看作一个繁忙的城市，能级是不同的“街区”，而选择定则就是电子必须遵守的交通规则。在宏观世界，你可以随意扔出一个球。但在微观世界，一切都受制于守恒定律。电子跃迁伴随着光子的产生或消失。光子不仅仅是一团能量，它还携带了角动量（自旋为1）和宇称。为了保证整个系统（原子+光子）的角

原创 概念深读：电子跃迁类型详解—分子内部的“跳高运动会”

跃迁类型发生基团能量 (ΔE\Delta EΔE波长 (λ\lambdaλ强度 (ϵ\epsilonϵ典型例子σ→σ∗σ→σ∗C-C, C-H最高< 150 nm甲烷、己烷n→σ∗n→σ∗C-O, C-X高150-250 nm中水、甲醇π→π∗π→π∗CCCOC=C, C=OCCCO中200-700 nm强(允许)苯、胡萝卜素n→π∗n→π∗COCNC=O, C=NCOCN最低。

原创 概念深读：为什么近红外 (NIR) 必须用 InGaAs？

InGaAs 是在 InP 衬底上外延生长的复杂晶体，生长像搭积木一样难，且如果两种材料晶格不匹配 (Lattice Mismatch)，就会产生缺陷，导致像素坏点。InGaAs 探测器通常需要用 TE (热电) 制冷器降温到 -20°C 甚至更低，把电子“冻”住，不让它们乱跳。) 必须使用 多级制冷 (TE2 或 TE3)，将温度降至 -50°C 到 -80°C，强行压制这些巨大的暗电流。，但它的晶格大小和底座（InP 衬底）完美匹配，长出来的晶体非常完美。硅 (Si) 是沙子提炼的，工艺极其成熟。

原创 概念深读：光谱线宽 (Spectral Line Width)

在理想的数学模型中，如果一个原子从能量E2E_2E2​跳到E1E_1E1​，它应该释放出一个频率极其精确的光子hνE2−E1hνE2​−E1​这意味着光谱应该是一根无限细的竖线（数学上的δ\deltaδ函数）。但在现实的实验中，我们看到的永远是一个小山包一样的峰。我们用半高全宽(FWHM, Full Width at Half Maximum) 来定义谱宽：在峰的高度达到最大值一半的位置，峰的宽度是多少。峰越高越尖，FWHM 越小；

原创 概念深读：CCD/CMOS 如何捕获光谱？

1、光栅把不同颜色的光引流到不同位置的像素上。2、光电效应把光子变成了电子。3、势阱把电子攒起来。4、电路（CCD的移位或CMOS的开关）把电子数量读出来。5、软件把电子数量画成曲线，这就是光谱。

原创 【万字长文】从相机标定到具身智能：机器视觉最通俗易懂的“飞升”指南

回顾这段漫长的旅程，会发现机器视觉的发展史，就是一部人类试图复刻自己的历史：定标 —— 复刻了晶状体与视网膜的物理特性。立体视觉 —— 复刻了双眼的测距能力。SLAM —— 复刻了小脑的空间感知与海马体的记忆。深度学习 —— 复刻了大脑皮层的物体识别区。具身智能 —— 正在复刻人类的运动皮层，实现感知与行动的统一。

原创 面试的经验之谈

这部分可以着重介绍跟岗位匹配的工作或项目，不相关的可以一概而过，因为介绍其他的，面试者也听不懂。

原创 matplotlib如何保存单独的colorbar

第二种方式：使用 get_window_extent() 获取当前颜色条的窗口，但其只保留颜色条，不保存标签之类的。第三种方式：使用 get_tightbbox() 获取当前颜色条,保留颜色条以及标签之类的。今天给大家介绍下matplotlib如何保存单独的colorbar。第一种方式：使用subplots_adjust调整子图。

原创 快照式多光谱图像配准(python)

文献：Multispectral Snapshot Image Registration Using Learned Cross Spectral Disparity Estimation and a Deep Guided Occlusion Reconstruction Network代码：https://github.com/FAU-LMS/MSIR。

原创 使用 PyTorch 进行分布式计算

编辑|我不爱机器学习。

原创 3种fastapi测试方式

关于REST 客户端可以参考： https://leileiluoluo.com/posts/getting-started-with-vscode-extension-rest-client.html。可以点击网页上的 Try it out，输入相应的 Request body 参数，然后点击 Execute 即可。具体可以参考：https://fastapi.tiangolo.com/zh/tutorial/body/http://ipengtao.com/1527.html。3 request方式。

原创 如何理解偏最小二乘回归分析?(python)

【代码】如何理解偏最小二乘回归分析?(python)

原创 一文搞定 Visual Studio 配置 OpenCV环境

本文详细介绍了在Windows10系统下使用Visual Studio 2022配置OpenCV开发环境的完整流程。主要内容包括：1)从GitHub下载最新版OpenCV并解压；2)系统环境变量配置，添加OpenCV的bin路径；3)VS项目环境配置，设置包含目录、库目录及附加依赖项；4)常见问题解决方案，如DLL缺失问题。配置过程需注意版本匹配（x86/x64、Debug/Release）和路径设置，不同配置需单独配置。文章提供了清晰的步骤说明和参考链接，帮助开发者快速搭建OpenCV开发环境。

原创 三度学学习过程记录

本文记录了作者在2025年9月至12月期间系统学习光学相关知识的历程。为弥补工作中成像高光谱应用的理论短板，作者密集研读了《颜色信息工程》《高等色度学》等十余本专业书籍，内容涵盖三度学、物理光学、傅里叶光学等领域。学习过程中经历了从兴趣盎然到压力倍增的心态变化，并因长时间电子阅读导致眼疲劳改用Kindle。作者整理了包括黑体辐射曲线、余弦校正等实用网络资源，最终完成了阶段性学习目标。这段"恶补"经历让作者深刻体会到基础学科知识在工作中的重要性，建议在校生应重视专业课程学习。

原创 AI智能体入门指导(扣子)

其实半年前也尝试过使用国外的平台构建智能体，但学习门槛比较高，还有一些知识的欠缺、外加没什么时间等原因就搁置了，最近才拾起来。最近看了一些智能体的应用，深深的被震撼到了。想入门学一些智能体的制作，但网上的教程太零散，要么就是卖课。今天终于搜到一个不错的智能体开发平台，不用翻梯子，学习门槛也低，适合新手入门，这个平台就是。想要做一些复杂的智能体，可以区模板或社区看看，可以看到别人的工作流是怎么制作的。通过上面的例子，大概了解了智能体的简单制作。

原创 推荐两个学习微积分的网站

推荐两个适合初学者的微积分学习网站：Paul's Online Notes（https://tutorial.math.lamar.edu/）提供系统性的代数与微积分教程，包含详细案例和推导；BetterExplained（https://betterexplained.com/calculus/）则通过生动举例和图解，以通俗易懂的方式讲解概念。这两个网站相辅相成，前者侧重理论推导，后者注重直观理解，搭配使用能有效提升学习效果。

原创 轻便型遥感影像标注软件zeyoo

软件下载： https://ai.zeyuxu.com/zeyoo。

原创 遥感常用指数汇总

https://davemlz-espectro-espectro-91350i.streamlit.app/

原创 推荐两个有趣的统计可视化网站

该网站也是以可视化和交互式的方式向大家呈现统计学，主要有6个章节：基础概率论、进阶概率论、概率分布、统计推断：频率学派、统计推断：贝叶斯学派和回归分析。目前有：大数定理、贝叶斯定理、凯利公式、统计陷阱和经典趣题五个模块。点击贝叶斯定理，可以看到该定理的理论知识、应用案例以及人生启示录。网址：https://seeing-theory.brown.edu/cn.html。网址：https://probability.visualized.fun/这两个网站都很有趣，感兴趣可以看看哦。

原创 python 图片融合HSV/IHS/PCA

HSV可进行RGB图像到HSV色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回RGB色度空间。输出的RGB图像的像元将与高分辨率数据的像元大小相同。利用IHS变换进行融合，通过正反变换矩阵操作，用高分辨率图像的第一波段替换低分辨率图像，以达到融合效果。结果如下：左边是高分辨率，中间是低分辨率，右边是融合图像。

原创 pyinstaller打包fastapi遇到的各种bug及解决

如果要写一个 Python 项目，打包成 exe 运行（方便在没有 Python 的电脑上使用），需要打包出的根目录结构美观，没有多余的、杂乱的依赖文件在那里碍眼，而且需要在发现 bug 时，能够修改里面的代码后，无需再次打包，就能正常运行，该怎么做呢？如果仍然报错，可能是 PyInstaller 未正确打包某些 DLL（如 vcruntime140.dll、msvcp140.dll）。复制到pyinstaller.exe同文件夹下，并修改pyinstaller产生的。Windows 致命异常错误代码。

原创 颜色一致性指数

原创 基础的色彩学

原创 CFIHL: 水培生菜的多种叶绿素 a 荧光瞬态图像数据集

本文介绍了水培生菜幼苗 ChlF 数据集。该数据集包含不同栽培状态下 ChlF 的各种瞬态图像，并带有标注，标记了整个生菜冠层投影的位置。该数据集大小约为 1.3 G。数据集包含 300 多组图像，每组包含十张瞬态 ChlF 图像。

原创 Python 高光谱分析工具（PyHAT）

Python 高光谱分析工具（PyHAT）为光谱应用提供数据处理、分析和机器学习功能。它包含一个图形用户界面，无需编写任何代码即可直接分析数据。或者，导入到代码里直接调用。

原创 探索 LiDAR 栅格数据中的不确定性(python)

主要是针对阴天和晴天获取的雷达数据的不确定性进行查看，预期是这两次收集之间没有任何变化。

原创 HypPy高光谱图像处理工具包(python)

工具包：https://github.com/wimhbakker/hyppy。高光谱 Python（HypPy）是由特温特大学开发的一系列工具集合。HypPy 采用了 ENVI 文件格式作为图像格式。

原创 根据 LiDAR 株高数据计算植被生物量

本文基于。

原创 基于地形数据计算山体阴影

山体阴影用于可视化给定指定光源的表面上每个像素的假设照明值（从 0 到 255）。要计算山体阴影，需要照明源的天顶（高度）和方位角，以及地形的坡度和坡向。其中所有角度均以弧度为单位。

原创 yaml读取写入常见错误 (‘cannot represent an object‘, 117)

后面发现它只支持基本的数据类型，对于自定义对象或某些复杂对象（如 NumPy 数组、自定义类实例等），不知道如何序列化。是因为PyYAML 库，默认情况下。出现这个问题一直没找到原因，后面把。需要加载所有文档，可以使用。只会加载第一个文档。

原创 基于pysptools实现端元提取及无监督光谱分类

本文通过一个光谱分解示例来对 SERC文件进行，使用PySpTools包进行，绘制光谱，并使用(Spectral Angle Mapping)和(Spectral Information Divergence)对光谱端元进行。