深度学习
未读当水货13年了。。。 大学四年没谈过恋爱，全献给了游戏。谈恋爱哪里有开黑爽？至于学习，低分飘过不挂科就是胜利。当时的信念是，好不容易考上大学，以后注定是去工地的，不如趁着年轻多打一会游戏！
直到大三去野外实习，扛着全站仪在烈日下走了一周，看着磨破的脚底板和黑了三度的脸，我悟了：做测绘太累了，要不考研？
吭哧吭哧的翻开高数书从头开始学习微积分，英语单词从abandon开始背起来。
我那时候水到什么程度？直到开考前三个月，我才知道考研得先报学校再考试。仓促之下，为了求稳直接报了本校。没成想，这种“盲人骑瞎马”的搞法居然让我上岸了，继续在母校混了三年硕士。
工作第一年家里攒了为数不多的口罩，全给我塞进了大包。我就这样背着沉重的行囊，像个孤勇者一样杀到了广州。 入职第一天，组长丢给我一堆高分二号（GF-2）的原始数据。
“去，把这些图做了。” 我盯着屏幕发呆：什么是ENVI处理高分影像？ 在学校我只会在 Google Earth Engine (GEE) 里写两行 JavaScript 调现成的层，那种“点一下运行就出图”的快感让我产生了“我遥感很强”的错觉。
面对本地处理软件，我连大气校正 ...
啥是波段顺序？想象一下，一张遥感图像不是普通的照片，它有好多“层”——这些层叫“波段”（bands）。每个波段捕捉不同颜色的光，比如：
R（Red）：红色波段，帮你看植物的健康（因为健康的植物反射红光少）。
G（Green）：绿色波段，看植被覆盖。
B（Blue）：蓝色波段，帮分析水体或大气。
在电脑里，这些波段像三明治一样叠起来。最常见的有两种顺序：
RGB：红-绿-蓝（这是我们眼睛看照片的自然顺序，很多图片软件默认这个）。
BGR：蓝-绿-红（这是OpenCV这个流行库的习惯，因为历史原因）。
深度学习模型（比如用PyTorch或TensorFlow建的神经网络）在“学习”的时候，会记住这些层的顺序。比如，它会想：“第一层是蓝的特征，第二层是绿的……” 如果你训练时用BGR，但预测（就是用模型猜新图片）时喂它RGB，模型就懵了！它会把蓝当成红，绿当成蓝，结果当然乱七八糟，就像你把鞋子左右穿反了，走路肯定歪歪扭扭。
为啥训练和预测要一致？模型的“记忆”：模型不是随便猜的，它在训练时学的是特定顺序的图案。如果你换顺序，就等于给它看颠倒的地图——它能认出来才怪！
遥感数据的特殊性 ...
大家好，我是小白。很久没写公众号了。
今天聊一聊什么是遥感影像样本库及制作流程。
开门见山地说，深度学习需要的样本，我的理解是：指导计算机去识别、理解输入内容。。
主语是计算机，动词是 识别， 对象是 输入内容。
样本一般形式是 两两为一对 出现。
一、样本的基本组成
Image（原始影像）
就是我们的输入素材，遥感里一般是卫星 / 航拍 / 无人机拍摄的影像，格式多为 TIFF/GeoTIFF（带地理坐标），也可转 JPG/PNG。 我一般是滑窗分割为小瓦片转为png，大小一般是512x512。
Label（标注 / 标准答案）
是给计算机看的「正确答案」，文件格式主要分两类：
图片格式（掩码图）
文本格式（坐标 + 类别）
在语义分割，样本一般是图片+图片的形式。
在目标识别，样本一般是图片+文本的形式。
在语义分割也分为二分类和多分类。
二、不同任务的样本配对（遥感最常用）语义分割（像素级分类，如土地利用分类、水体提取）
形式：影像图 + 标注图（图片格式）
每个像素都对应一个类别，逐像素匹配。
目标检测（找位置 + 类别，如找建筑、车辆、桥梁、光伏板）
形式：影像图 ...
大家好，我是小白。今天分享一个轻量化脚本，只需配置路径和少量参数，就能基于 TIFF 影像 + SHP 矢量自动生成 YOLO-Seg 格式的分割样本，还能自动划分训练 / 验证集、生成标准 data.yaml 配置文件，开箱即用！
当然，前提是，要提前绘制好矢量。绘制矢量这个步骤很麻烦，费时费力，不在这里细说。
核心思路整个流程无需复杂操作，核心就 4 步：
矢量栅格化：将 SHP 矢量转为与 TIFF 影像尺寸、投影完全匹配的二值掩膜（有目标的区域为 255，背景为 0）；
滑窗分块：对大尺寸 TIFF 和掩膜按指定尺寸滑窗分块，支持重叠率设置；
标签生成：从掩膜中提取目标轮廓，归一化后生成 YOLO-Seg 格式标签（自动过滤小面积无效轮廓）；
数据集整理：随机划分训练 / 验证集，生成 YOLO 训练所需的 data.yaml 文件。
快速使用1. 配置参数只需修改代码末尾的 4 个核心路径 / 参数：
TIFF_PATH = r"你的大尺寸TIFF影像路径"
SHP_PATH = r"对应的SHP矢量文件路径"
OUTPUT_DIR = r"样本输出目录"
temp_ma ...
python
未读大家好，我是小白。今天这篇文章就来讲一讲如何把自己写的.py 文件做成全局可用的本地库。
一、核心原理：Python 模块搜索机制在开始之前，先了解下 Python 的模块搜索规则：当你执行import module_name时，Python 会按以下顺序查找模块：
内置模块（如sys、os等）
sys.path列表中的目录（包括当前脚本目录、PYTHONPATH 环境变量指定目录、Python 安装目录下的 site-packages 等）
如果找不到，就会抛出ModuleNotFoundError
我们的目标就是把自己的模块所在路径添加到 Python 的搜索路径中，或者直接放到它本来就会搜索的目录里。
二、方案一：简单粗暴 —— 直接放入 site-packages（适合快速测试）这是最直接的方法，适合临时测试或简单脚本的复用，原理就是把你的模块放到 Python 默认的第三方库目录里。
操作步骤：
找到 site-packages 目录
import numpy # 任意第三方库均可
print(numpy.__file__)
输出类似C:\Users\用户名\App ...
大家好，我是小白。OPENCV是一个实用的库，很多传统的算法都可以通过它进行调用。
今天这篇文章就来讲一讲OpenCV Python ，顺便把 OpenCV Python 绑定的历史、包的区别、常见错误原因、推荐安装方式全部说透。
一、OpenCV 简介与 Python 绑定的历史OpenCV（Open Source Computer Vision Library）是一个由 Intel 在 1999 年发起的开源计算机视觉库，现在由 OpenCV.org 基金会维护。目前最新稳定版是 OpenCV 4.12.x。
OpenCV 最开始是用 C++ 写的，后来提供了 Python 绑定，让 Python 开发者也能轻松使用。
关键历史节点：
OpenCV 1.x 时代（2000-2008）：Python 绑定模块名叫 cv，导入方式是 import cv。那个时候的接口比较原始，函数名也比较长。
OpenCV 2.0（2009 年）：大重构！C++ 接口全面现代化，Python 绑定也彻底重写。新绑定的模块名定为 cv2，导入方式变成 import cv2（或 from cv2 im ...
GDAL（Geospatial Data Abstraction Library）是一个开源的地理空间数据转换库，常用于处理栅格（Raster）和矢量（Vector）数据。在栅格影像处理中，NoData 值用于表示无效或缺失的数据区域（如背景或无效像素）。有时，我们需要移除这些 NoData 值，以适应特定的数据分析或可视化需求。
下面是具体代码：
from osgeo import gdal
import sys
def remove_nodata(out_path):
# 以可写模式打开输出影像
out_ds = gdal.Open(out_path, gdal.GA_Update)
if out_ds is None:
raise Exception(f"无法以可写模式打开输出影像：{out_path}")
# 检查 GDAL 版本（可选，推荐 >= 3.1 以支持 DeleteNoDataValue）
print("GDAL 版本:", gdal.__version__)
su ...
我其实会的技能是很杂的，BOSS直聘是我一直保存手机的app，时不时看看不同的岗位的需求是什么。是的，我有一颗想跳槽的心，这也是我会的技能是很杂的原因。正如我从测量工作跳槽到遥感领域工作一样，至今我还记得怎么快速摆正三脚架。
今天我又看了下boss直聘的岗位，我一般不止是看遥感相关的，我还会看其他岗位。因为我是想跳槽的，跳槽到别的行业。
做遥感只是在吃老本。不过好在2025年，我大半年的时间都是在做深度学习和遥感结合的工作，我不在这里写过多与现工作相关的内容。这里只记录我在业余时的学习记录。
在业余时间，我依然会写一写公众号，并且在2026年我会选择一项技能点 好好学习，可能是三维重建，可能是嵌入式，至于具体深入学到什么程度，现在我还没想好。
现在我的现状很尴尬，这里会一些，那里会一些。这导致了我认为自己是学艺不精。小时候就听说过：学海无涯苦作舟。实际上我每天都在接触新的东西，真的是学不完。学不完也是指我的心太野了。
2025年，我写了两三个发明专利，其实也发明专利比写论文要简单太大。只要你有思路，只要你的思路能用代码实现，加上你的思路有创新，那么这样的思路就能变成发明专利。2026 ...
用 Python 把矢量等高线转成栅格网格——顺便聊聊乐高地形模型空间数据主要有矢量和栅格两种形式。矢量擅长精确描述点、线、面，比如城市边界、道路或等高线；栅格则用规则的网格像素来表示，每个像素带一个值，常用于高程、温度之类的连续数据。实际分析时，经常需要把两者结合起来，比如把矢量等高线转成高程栅格。
今天拿杭州为例，演示怎么用 Python 把等高线（矢量）转成规则网格（栅格），最后再离散化成几个高度级别——这样就能想象用不同颜色的乐高砖来搭一个迷你杭州地形模型了。整个过程主要靠 GeoPandas 和 OSMnx，代码简单，几分钟就能跑通。
数据准备杭州公开的等高线数据不太好找，我这里用一个常见的替代方案：从公开 DEM（数字高程模型）生成等高线，或者直接用开源高程数据。这里为了演示方便，我们先用 OSMnx 下载杭州市行政边界，然后假设有一份等高线数据（实际项目可以从自然资源部门或开源平台获取 DEM 后生成）。
先看边界：
import osmnx as ox
import matplotlib.pyplot as plt
# 下载杭州市行政边界
city = ox.geoc ...
