ENVI自带地物波谱库文件说明和查看（以ENVI5.3为例）一切地物，由于其种类和环境条件不同，反射和辐射电磁波的特征随波长而变化。通常用二维几何空间内的曲线表示，横坐标表示波长λ（或者波段序号），纵坐标表示反射率ρ（或者像素值），称为波谱曲线。地物波谱可以通过仪器测量，如波谱仪，也可以通过高光谱/超光谱图像上获取。 ENVI的波谱库文件是以图像文件格式保存，包括一个二进制的数据文件（后缀默认.s
一篇做人脸对齐的文章《Face Alignment by Explicit Shape Regression》使用了随机蕨来做人脸特征点的回归预测。先回想一下随机森林。随机森林是很多棵决策树组成的，每颗决策树使用部分的训练样本以及部分的训练特征，并在此特征空间内按信息熵增益从小到大（特征区别度从大到小）来进行分支。最后的分类结果由多棵决策树共同表决，给出lable。要理解随机蕨，需要了解两个部分，
1 更新日志2022.10.18更新1：新增 Random Sampling 参数，在样本像元数较多时，设置此参数为 Yes，可随机抽取部分样本用于训练从而缩短时间更新2：当样本像元数较多时，弹出如下提醒，选择“是”，可随机抽取部分样本用于训练从而缩短时间更新3：当某类别样本中像元个数为 0 时，将不参与模型训练更新4：支持非ENVI标准格式数据，会自动另存为临时ENVI格式数据，并在
转载
2024-05-05 17:21:40
338阅读
ENVI 5.0增加了Image Registration Workflow，它是一个全新的影像配准工作流，具有自动、准确、快速的特点。它将之前版本中繁杂的参数设置步骤集成到统一的面板中，并且增加了生成种子点的影像匹配参数设置项、Harris角点算子、匹配粗差踢除算子。在少量或者无需人工干预的情况下该影像配准工作流能快速而准确的实现影像间的自动配准。 功能详细操作过程 启
这里记录一下使用landsat5做随机森林分类的代码，理一下思路。很多内容都是到处找教程东拼西凑的，十分感谢各位大佬。导入研究区、制作标签首先加载研究区边界，查看需要分类时间的原影像。在影像上添加标签（目视解译）。点击左边这个像小气球似的地方，修改名称，选择feature，添加properties。我是添加了两个一个是label，是分类名，另一个是lc，也就是landcover，用数字做区分。&n
转载
2024-06-05 05:24:25
474阅读
个人感觉，相对于基于高斯过程的贝叶斯优化，基于随机森林的贝叶斯优化要好理解的多。 skopt里面实现了基于随机森林的贝叶斯优化，所以这里直接看看源码： 可以看到，其代理模型就是直接使用sklearn中的回归器；基于随机森林的贝叶斯优化原理上要好理解的多，比如我们对xgboost进行调参，随机初始化了10组超参数，然后交叉验证得到了10个auc，我
转载
2024-04-07 18:31:17
138阅读
融合方法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt等。ENVI里除了SFIM以外，上面列举的都有。 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。 Brovey
作者 | Edwin Lisowski编译 | CDA数据分析师XGBoost and Random Forest with Bayesian Optimisation在这篇文章中，我们将介绍带有贝叶斯优化算法的两种流行的算法即XGBoost和随机森林，并指出这些算法的优缺点。XGBoost(XGB)和随机森林(RF)都是集成学习方法，并通过组合各个决策树的输出(我们假设基于树的XGB或
转载
2024-07-05 14:52:33
403阅读
1．实习目的：理解叶面积指数（LAI）反演的各种方法，掌握LAI遥感反演的统计方法和过程， 能够利用实测数据和遥感数据建立LAI的统计反演模型并进行反演。2．实习内容：1）进行实测数据和遥感数据的匹配2）在EXCEL软件中计算植被指数、利用不同的植被指数，建立LAI反演的统计模型；3）利用实测数据进行验证；4）进行分类，提取出植被，利用最优统计模型对遥感数据进行反演3．实习步骤：3.3.1.寻找实
转载
2024-06-13 08:44:59
179阅读
RDO的发展 远程数据对象 (Remote Data Object ,简称RDO) 是位于 ODBC API 之上的一个对象模型薄层，它依赖 ODBC API、选定的 ODBC 驱动程序以及后端数据库引擎实现大部分的智能和功能，因此短小（大约 250 K）、快速、强健。 RDO具备基本的 ODBC 处理方法，所以可以直接执行大多数 ODBC API 函数。
wiki上有简单的说到， environment varibles are a set of dynamic named values that can affect the way running processes will behave on a computer。 也就是说环境变量为进程的运行提供了一个环境，比如shell这个进程就会使用PATH这个环境变量来搜寻可执行文件。不
Class Overview 提供环境变量的访问。Summary Constants MEDIA_BAD_REMOVAL：破坏性移除，感觉是。在未关机状态下拿下SD卡，并不返回这个常量。 MEDIA_CHECKING：正在扫描SD卡，不知道什么情况下是这样的，在手机开机状态下，放入SD卡，并不返回这个常量。 MEDIA_MOUNTED：此状态表示SD卡正常使用，并能rea
转载
2024-04-24 09:03:34
35阅读
在监督分类或者挖掘决策树规则时，需要选择训练样本，训练样本的好坏直接影响分类精度。因此ENVI提供了分析样本质量的工具：Compute ROI Separability，计算样本可分离性。问题来了为了提高分类精度，有时会在多光谱图像中增加其他波段，如NDVI、非监督分类结果、PCA变换结果等等。那么问题来了，使用ROI Tool中的Compute ROI Separability计算样本可分离性时
转载
2024-03-22 13:42:33
413阅读
在集成学习原理小结中，我们讲到了集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。 随机森林是集成学习中可以和梯度提升树GBDT分庭抗礼的算法，尤其是它可以很方便的并行训练，在如今大数据大样本的的时代很有诱惑力。
城市绿地在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的一个重要指标。此外，城市绿地的空间分布格局与其生态效应有着密切的关系。因此，必须客观、准确地掌握城市绿地信息。传统的城市绿化调查主要通过基层单位上报统计数据和实地抽样调查完成，资金和人力投入大，时间周期长。数据受人为影响较大且精度低，缺乏空间统计分析功能。随着航天遥感技术的发展，高分辨率遥感图像在国内已经得到
转载
2024-07-19 15:22:53
69阅读
本文源自一个客户的需求：“我想对影像的纬度求余弦值，但是坐标值不是存在像素值中，这个该如何做”。1.生成方法ENVI中可以根据需要生成特定类型、大小、规律的随机数据，在toolbox中，选择/Raster Management/Generate Test Data，弹出界面如下图：Generate Image Parameters面板其中第一项中列出可以生成如固定值、水平渐变值、垂直渐变值、均匀分
转载
2024-08-15 00:13:24
411阅读
随机森林简介如果读者接触过决策树(Decision Tree)的话，那么会很容易理解什么是随机森林。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习(Ensemble Learning)方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵就可以叫做森林了，这样的
参考原文档：sklearn中Random Forest参数调优_sklearn rf系数-本文从实践的角度对RF做一个总结。重点讲述scikit-learn中RF的调参注意事项，以及和GBDT调参的异同点。1、scikit-learn随机森林类库概述在scikit-learn中，RF的分类类是RandomForestClassifier，回归类是RandomForestRegressor。当然RF
转载
2024-08-23 15:38:57
187阅读
1.自定义坐标系（北京54、西安80、2000坐标系）1.1 内容介绍1.1.1 地理投影的基本原理常用到的地图坐标系有2种，即地理坐标系和投影坐标系。 地理坐标系是以经纬度为单位的地球坐标系统，地理坐标系中有2个重要部分，即地球椭球体（spheroid）和大地基准面（datum）。由于地球表面的不规则性，它不能用数学公式来表达，也就无法实施运算，所以必须找一个形状和大小都很接近地球的
工具说明基于随机森林算法实现影像监督分类。源码来源于ENMAP-BOX v2.1.1并对其进行封装，方便在ENVI下使用。工具引用基于此工具进行科学研究，请引用：van der Linden, S.; Rabe, A.; Held, M.; Jakimow, B.; Leitão, P.J.; Okujeni, A.; Schwieder, M.; Suess, S.; Hostert, P. T
转载
2024-05-08 10:00:10
248阅读
