遥感大辞典_常用遥感名词词典

原标题:常用遥感名词词典

ArcGIS

遥感即遥远感知,是在不直接接触的情况下,对目标或自然现象远距离探测和感知的一种技术.一般指的是电磁波遥感。

本文一共分三大部分:

① 遥感影像相关名词

② 遥感平台相关名词

③ 电磁波&波谱相关名词

方便大家快速查看

遥 感 影 像 相 关

No.01

全景摄影机影像

全景摄影机影像是由一条曝光隙沿旁向扫描而成,对沿旁向倾斜一个扫描角Ө后,以中心线成像的情况。

No.02

扫描式传感器影像

扫描式传感器获得的图像属于多中心投影,每个像元都有自己的投影中心,随扫描镜的旋转和平台的前进来实现整幅图像的成像。

No.03

全景畸变

由于地面分辨率随扫描角发生变化而使红外扫描影像发生畸变,这种畸变通常称为全景畸变。

No.04

采样

空间坐标数字化称为采样。

No.05

量化

图像灰度的数字化称为量化。

No.06

影像图各格式

BSQ格式:按照波段记载数据文件,在这种格式的CCT磁带中,每一个文件记载的是某一个波段的图像数据。

BIL格式:一种按照波段顺序交叉排列的遥感数据格式,BIL 格式与BSQ格式相似。

TIFF格式:标签化文件格式(TIFF)是Aldus公司与微软公司合作开发的一个多用途可扩展的用于存储栅格图像的文件格式。TIFF不仅能很多好地处理黑白灰度,彩色图像。而且还支持对图像像素值的许多数据压缩方案。

BMP格式:基于Windows操作系统的图片格式。Windows作为图片的标准格式,并且内含了一套支持BMP图像处理的APT函数。

No.07

图像文件管理

图像文件管理包括各种格式的遥感图像或其他格式的输入,输出,存储以及图像文件管理等功能。

No.08

遥感图像的构像方程

指地物点在图像行的图形坐标(x,y)和其它地面对应点的大地坐标(X,Y,Z)之间的数学管理。

No.09

传感器坐标系

S-UVW——S为传感器投影中心,作为传感器坐标系的坐标原点,U轴的方向为遥感平台的飞行方向,V轴垂直于U,W轴则垂直于U、V平面,该坐标系描述了像点在空间的位置。

No.10

地面坐标系

O-XYZ——主要采用地心坐标系统。当传感器对地成像时,Z轴与原点方向一致,XY平面垂直于Z轴。

No.11

图像(像点)坐标系

O-XYF——(x,y)为像点在图像上的平面坐标,f为传感器成像时的等效焦距,其方向于S-UVW方向一致。

No.12

遥感图像几何变形

指原始图像上各地物的集合位置、形状、尺寸、方位等特征在参照系统的表达要求不一致时产生的变形。

No.13

扫描式传感器影像

全景摄影机影像是由一条曝光隙沿旁向扫描而成,对沿旁向倾斜一个扫描角Ө后,以中心线成像的情况。

No.14

几种误差

静态误差:再成像过程中,传感器相对于地球表面呈静止状态是所具有的各种变形误差。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,关于遥感影像分类,我可以为你提供一些实现随机森林遥感图像分类的Python代码。下面是一个简单的例子,希望能够帮到你。 ```python from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split from osgeo import gdal import numpy as np # 读取遥感影像数据 ds = gdal.Open('image.tif') cols = ds.RasterXSize rows = ds.RasterYSize bands = ds.RasterCount # 读取每个像素的值 data = [] for band in range(1, bands+1): band_data = ds.GetRasterBand(band).ReadAsArray(0, 0, cols, rows).astype(float) data.append(band_data.flatten()) data = np.array(data).transpose() # 读取分类标签 label_ds = gdal.Open('label.tif') label_data = label_ds.GetRasterBand(1).ReadAsArray(0, 0, cols, rows).flatten() # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data, label_data, test_size=0.3, random_state=42) # 训练随机森林模型 clf = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) clf.fit(X_train, y_train) # 预测分类结果 y_pred = clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print('Accuracy:', accuracy) ``` 这段代码中,我们使用了`sklearn`库中的`RandomForestClassifier`来实现随机森林分类器,使用`gdal`库读取遥感影像数据和分类标签。代码中的`n_estimators`和`max_depth`参数可以根据具体的数据集进行调整,以获得更好的分类效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值