养乐多的博客

CSDN@_养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做Felzenszwalb超像素分割的代码。

本文将介绍使用Scikit-image库对单波段遥感图像做简单线性迭代聚类（Simple Linear Iterative Clustering，SLIC）的代码。SLIC也被视为一种超像素分割方法。

本文介绍了如何使用Python中的NumPy、Matplotlib和SciPy库进行谐波拟合，并对拟合结果进行残差分析。

本文将介绍如何使用GDAL库来读取单波段遥感影像数据，如何获取指定行列位置的像素的经纬度坐标，并根据像素行列数和经纬度坐标获取像素值。代码由python实现。

CSDN@_养乐多_本文记录了使用gdal、ras、numpy 库实现遥感时间序列数据逐像素处理的代码。并以求NADVI时间序列最大值为例。代码可扩展到其他多种对时间序列的处理，比如MK趋势分析，求时间序列中值、众数、标准差、和，时间序列拟合、异常检测、机器学习预测等多种应用中。

最近有粉丝问，如何将多个9波段的Aster影像tif文件转成numpy格式保存，然后输入网络进去训练。本文提供了两种思路和代码。结果如下图所示，

本文将介绍使用python编程语言，进行遥感数据时间序列最大值所对应的影像索引的代码。代码中使用了numpy和gdal，通过numpy广播机制实现时间序列最大值所对应的影像索引的计算，并以NDVI时间序列数据为例。代码方便易运行，逻辑简单，速度快。只需要输入单波段遥感数据，就可输出最大值所对应的索引的影像。输入输出如下图所示，

本文将介绍使用python编程语言，进行遥感时间序列数据最大值合成的代码。代码中使用了numpy和gdal，通过numpy广播机制实现时间序列最大值合成，并以NDVI时间序列数据为例。代码方便易运行，逻辑简单，速度快。只需要输入单波段遥感数据，就可输出最大值合成影像。输入输出如下图所示，

在本博客中，我们将介绍如何使用Scikit-Image来进行形态学轮廓特征提取（contour），并且提供一个示例代码，演示了如何在单波段遥感图像上应用这些方法。形态学轮廓特征提取是一种用于图像处理和分析的技术，旨在检测和描述图像中的对象的边界或外围轮廓。这些轮廓通常用于识别、分类和测量图像中的对象，以及分析对象的形状、大小和几何特征。结果如下图所示，

在本博客中，我们将介绍如何使用Scikit-Image来进行傅里叶变换特征提取（fourier），并且提供一个示例代码，演示了如何在单波段遥感图像上应用这些方法。傅里叶变换特征提取是一种数学工具，用于将图像中的细节、纹理和边缘信息以不同频率的方式呈现出来，帮助计算机更好地理解图像的模式和特征，用于图像处理、识别和增强。结果如下图所示，

在本博客中，我们将介绍如何使用Scikit-Image来进行梯度特征提取（gradient），并且提供一个示例代码，演示了如何在单波段遥感图像上应用这些方法。梯度特征是指用于表示图像中亮度或颜色变化的特征。它包括两个关键成分：梯度幅值和梯度方向。梯度幅值表示变化的强度，而梯度方向表示变化的方向。梯度幅值越大，表示变化越明显，而梯度方向指示了变化是向上、向下、向左、向右还是其他方向。结果如下图所示，

在本博客中，我们将介绍如何使用Scikit-image库进行单波段遥感图像的小波变换方法，特别是Gabor滤波器。我们将详细解释代码中的参数以及如何调整它们以满足不同需求。小波变换是一种数学工具，用于将信号分解成不同尺度和频率的成分。在遥感图像分析中，小波变换可以用于提取图像的局部特征，帮助识别纹理、边缘和其他有趣的结构。结果如下图所示，

尺度空间特征提取是一种处理图像的方法，旨在检测不同尺度下的特征和结构。这对于处理遥感图像非常有用，因为遥感图像通常包含各种尺度的信息，从微观结构到宏观地理特征。为了实现这一目标，我们使用高斯滤波器来模拟不同尺度的模糊效果，并在每个尺度上寻找图像中的关键特征点。

在遥感图像处理中，我们经常需要将多波段遥感影像拆分成多个单波段图像，以便进行各种分析和后续处理。本篇博客将介绍一个用Python编写的程序，该程序可以读取多波段遥感影像，将其拆分为单波段图像，并保存为单独的文件。本程序使用GDAL库来处理遥感影像数据，以及NumPy库来进行数组操作。结果如下图所示，选中的影像为输入的多波段影像，其他影像分别为拆分后的多波段影像。

养乐多_本文将介绍使用Scikit-image对遥感影像进行角点检测特征（corner）提取的一些方法及其代码。方法包括 Harris角点检测（corner_harris），Shi-Tomasi角点检测（corner_shi_tomasi），Foerstner角点检测（corner_foerstner），FAST角点检测（corner_fast）等。结果如下图所示，

养乐多_本文将介绍使用Scikit-image库中用于边缘检测特征提取的一些方法及其代码。方法包括 Canny边缘检测（canny），Sobel边缘检测（sobel），Scharr边缘检测（scharr）， Roberts边缘检测（roberts），Prewitt边缘检测（prewitt），Farid边缘检测（farid），Schmid边缘检测（schmid），Meijering边缘检测（meijering）等。

养乐多_本文将介绍使用Scikit-image对单波段遥感影像做形状特征提取的方法和代码。包括：腐蚀（erosion），膨胀（dilation），开运算（opening），闭运算（closing），形态学梯度（morphological gradient），白帽变换（top hat），黑帽变换（black hat），形态学骨架化（skeletonization），形态学重建（reconstruction）等。结果如下图所示，

养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做纹理特征提取的代码。包括：计算灰度共生矩阵（greycomatrix），计算局部二值模式（LBP）特征，计算方向梯度直方图（HOG）特征，使用Gabor滤波器提取纹理特征，计算图像纹理能量，在不同尺度上计算图像纹理特征，使用局部高斯模型拟合图像，根据灰度共生矩阵计算基于灰度级别的纹理特征，如对比度、相关性、能量等，在不同尺度上计算图像的颜色和纹理直方图，用于描述不同尺度上的纹理和颜色分布。结果如下图所示，

养乐多_本文记录了使用Scikit-image库对单波段遥感图像做颜色直方图特征提取的代码。

养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做特征提取的代码。方法包括：颜色直方图特征提取（histogram），纹理特征提取（texture） ，形状特征提取（morphology） ，边缘检测特征提取（edges） ，角点检测特征提取（corner） ，尺度空间特征提取（scale-space） ，小波变换特征提取（wavelet） ，梯度特征提取（gradient），傅里叶变换特征提取（fourier），形态学轮廓特征提取（contour）等。

养乐多_本文将介绍使用Scikit-image中的滤波函数对遥感影像做空间滤波的代码。滤波方法包括：中值滤波器，高斯滤波器，Sobel滤波器，Laplace滤波器，Scharr滤波器等。并将原始影像和结果影像绘制成图。结果如下图所示，

养乐多_本文记录了使用Scikit-image库的skimage.segmentation模块中的slic函数，进行超像素分割的代码。

本文记录了两个使用 python 语言和 GDAl 库对 TIF 数据重采样的代码脚本。一是将 TIF 遥感数据重采样到指定分辨率和坐标系。二是将一个 TIF 数据重采样到和另一个 TIF 数据的地理坐标系、投影和分辨率都一样。

本文将介绍使用 GDAL 库获取 TIF 影像的 NoData 区域并将其作为掩膜应用于另一个 TIF （所有波段或者单波段）数据。

本文记录了使用gdal快速将numpy数组保存为tif遥感影像的代码。

本文记录了读取文件夹里面的tif格式遥感时间序列数据，组成一个numpy三维数组的代码，以便后续矩阵运算，或者时间序列分析使用，代码使用python语言实现。

本文将介绍使用python中的GDAL库，以及红光波段和近红外波段两个单波段影像计算NDVI影像的方法和代码。并使用matplotlib库将NDVI绘制成图片。

本文将记录把时间序列中的空值或者-9999替换为该值最近的5个值均值的代码。该代码除了可以用于时间序列分析的预处理外，还可以用于遥感时间序列预处理中。结果如下图所示，

本文将介绍使用matplotlib库绘制遥感数据成图片的代码。

在本篇博客中，我们将探讨随机森林分类器在不同决策树数量下的性能，并绘制相应的图表进行可视化分析。

本文将介绍使用 python 语言运行随机森林分类的时候，特征数（1-10，间隔1）和袋外误差，并绘制了一个折线图，横坐标是随机特征数，纵坐标是袋外误差。

本文记录了运行随机森林分类算法的时候，每个随机决策树的分裂节点的Gini系数，并将其可视化，绘制成散点图，横坐标是决策树ID，纵坐标是节点ID，Gini系数使用点表示，不同大小的Gini系数颜色不一样。代码使用python语言实现。

本文将介绍使用 python 语言运行随机森林分类的时候，打印不同决策树数量下的out-of-bag （OOB）误差，（决策树数量为 0-300，递增数量1）。并且加了个绘图函数，将 OOB 误差绘制出来，横坐标是决策树数量，纵坐标是OOB误差。

本文记录了从Excel读取用于训练机器学习模型的自变量和因变量数据的代码。

本文记录了对遥感数据进行滑动窗口遍历的代码。使用python和numpy库。

本文记录了评估分类模型性能的常用指标ACC、AUC、ROC曲线的计算方法和代码。代码使用python实现。

分层抽样是一种统计学中常用的抽样方法，适用于样本中各类别比例相差较大的情况。这种抽样方法能够确保每个类别在样本中的比例与总体中的比例相同，从而避免样本偏倚。下面我们将以一段Python代码为例，介绍分层抽样的具体实现方法。首先，我们使用numpy库生成一个100行，31列的随机数组。其中，最后一列的值为0或1，用来表示数据的标签。接下来，我们根据数据的标签进行分层抽样。然后，我们根据索引随机选择70%的行，用于训练模型。

本文记录了使用python回归方法对输入特征做了预测，并绘制了预测值和真实值之间的相关性图。

在本文将介绍如何使用Python中的GDAL库读取和保存遥感数据。对于读取遥感数据，我们通过gdal.Open()函数打开遥感数据集，然后使用GetRasterBand()函数获取数据集中的波段信息，并使用ReadAsArray()函数将数据读取为numpy数组。对于保存遥感数据，我们使用GDAL库中的gdal_array.SaveArray()函数，将numpy数组保存为遥感数据。

本文记录了使用python语言和Pettitt突变检测算法检测遥感数据30年的NDVI时间序列中的突变时间（年份）的代码。Pettitt可以检测时间序列中最显著的突变点，其检测结果只有一个，相对MK突变检测更准确。p为显著性阈值，大于最大阈值的被视为最显著突变点。下图是本文实现的Pettitt突变检测方法检测得到的突变点以及满足的置信水平，第一栏为原始NDVI时间序列数据及突变点，从图中可以看出明显的突变位置，第2栏为统计量Ut及显著性水平p，可以看出该突变满足显著性水平p=0.001。