01-简单的基于SVM的SAR海冰分离-Arcgis制作数据集标签

目录

一、GF-3影像的预处理

二、ENVI打开后裁剪

三、Arcgis打开裁剪后的tiff文件

1、新建shp文件

2、矢量数据转栅格数据

栅格数据向矢量数据(shp)转换

3、栅格图像导出为TIF格式


一、GF-3影像的预处理

参考之前的博文。

此影像针对ERDAS处理后的,做了5*5的Refined Lee滤波。

二、ENVI打开后裁剪

去除陆地,后续可能会更新基于Python的陆地掩膜,会更精确。

三、Arcgis打开裁剪后的tiff文件

1、新建shp文件

右下角点击目录

在相对应文件夹下(建议和提取的影像放在同一个文件夹下)右键,新建,shapefile

给shp命名,选择面数据,确定

弹出对话框,确定

选择工具箱,如果快捷没有,在地理处理中双击(必需先定义投影,否则后续的面积统计会有误差)

数据管理工具- 投影和变换- 定义投影 双击

选择新建的shp

坐标系: - 投影坐标系- UTM- WGS 1984 – Northern… -选择相应的分度带(WGS 1984 UTM Zone xxN)

 分度带计算:百度相应位置的经度,然后找到分度带,待右下角出现√即完成

开始编辑

选择创建要素

 在属性中修改ID,不同标签的ID要不同。

2、矢量数据转栅格数据

①、打开ArcToolbox→“Conversion Tools”(转换工具)→“To Raster”(转为栅格)→“Polygon to Raster”(面转栅格),由于要进行转换的矢量数据是面要素,所以这里选择面转栅格工具,在日常矢量转换栅格的操作中,可以根据shp数据的要素类型来选择“Point/Polygon/Polyline to Raster”(点/面/线转栅格)。

②、在“Input Features”(输入要素)选择需要转换的矢量数据;“Value field”(字段)选择转换时新生成栅格值所依据的矢量数据中的属性字段的值;“Output Raster Dataset”(输出栅格数据集)设置输出栅格数据储存的目标路径;在“Cell assignment type”(像元分配类型)中有“CELL_CENTER”(与像元中心重叠的面要素决定着分配给像元的属性)、“MAXIMUM_AREA”(像元中具有最大面积的单个要素决定着分配给像元的属性)、“MAXIMUM_AREA”(如果像元中有多个要素具有相同的值,则合并这些要素的面积。像元中具有最大面积的合并要素决定着分配给像元的值)三种类型,此处我们选择“CELL_CENTER”;“Priority field”(优先级字段),此处默认为None,也可以根据数据处理的需要来设置;“Cellsize”(像元大小)中用数字大小来限制栅格像元大小,也可以通过点击后方的文件浏览按钮来借助某一个已有的栅格文件来定义新生成栅格像元的大小,使新生成栅格像元大小与已有的栅格文件像元大小相同。

③、单击“OK”(确定),完成操作。 

 附:

栅格数据向矢量数据(shp)转换

 ①、打开ArcToolbox→“Conversion Tools”(转换工具)→“From Raster”(由栅格转出)→“Raster to Polygon”(栅格转面)。打开窗口。

②、在“Input raster”(输入栅格)中,下拉菜单选择要转换的栅格数据;在“Field”字段中选择Value(默认);在“Output polygon features”(输出面要素)中设置输出的目标路径和名称;勾选“Simplify polygons”(简化面),可以简化面状矢量数据的形状。

③、单击“OK”(确定),完成操作。

3、栅格图像导出为TIF格式

①、右键栅格图像->数据->导出数据

②、设置:位置、名称、格式,点确定即可

  • 5
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
credit-card的svm数据集是一个用于信用卡欺诈检测的数据集。该数据集收集了来自不同持卡人在两天内发生的信用卡交易数据。数据集包括了一系列特征变量,如交易金额、交易时间、交易地点等,并且每个交易都有标记,标记为0代表正常交易,标记为1代表欺诈交易。 SVM(支持向量机)是一种常用的机器学习算法,它可以进行有监督的分类和回归任务。在credit-card的svm数据集中,可以使用SVM算法来训练一个分类模型,以便将正常交易和欺诈交易进行有效区分。 首先,需要将数据集划分为训练集和测试集。训练集用于训练模型,测试集用于评估模型性能。然后,需要对特征变量进行预处理,例如标准化或归一化,以确保特征的尺度统一。 接下来,可以选择合适的SVM分类器,并使用训练集进行训练。SVM算法的核心思想是将高维特征映射到一个更高维的空间,并找到一个最优的超平面,以最大化正常交易和欺诈交易之间的间隔。训练过程将根据数据集中的标记不断更新分类器的参数,使其能够更好地区分正常交易和欺诈交易。 最后,使用测试集评估模型的性能。可以使用一些评估指标,如准确率、精确率、召回率等来衡量模型的效果。根据评估结果,可以对模型进行调整和改进,以提高欺诈检测的准确性和效率。 总之,credit-card的svm数据集可以用于构建一个用于信用卡欺诈检测的SVM分类模型,通过对交易数据进行训练和预测,帮助银行和金融机构及时发现和防止信用卡欺诈行为的发生。
评论 5
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