1. PyPi 的用途Python 中我们经常会用到第三方的包，默认情况下，用到的第三方工具包基本都是从 Pypi.org 里面下载。
PyPI 是 Python Package Index 的首字母简写，其实表示的是 Python 的 Packag 索引，这个也是 Python 的官方索引。
需要先再本地环境安装 pip，然后如果要安装其他工具包的话就使用指令:
pip install <package name>
2.Python 包发布步骤2.1 创建目录结构创建一个测试项目，例如s22rgb,在该项目下，创建一个待发布的包目录，例如：s22rgb，并在该project_demo目录下，依次创建:setup.py、README.rst几项文件，此时目录结构为：
➜ project_demo tree.
├── README.rst
├── package_mikezhou_talk
│ └── init.py
└── setup.py
2.2 准备文件1、README.rst是关于项目的描述文件，一般包含怎样安装项目，怎样使用项目等。markdown ...
开源地址，如果对你有帮助，欢迎点个Star。
技术路线如下：
1.获取zip文件列表
2.for循环遍历运行，对单个zip解压
3.获取JP2格式的文件列表，jp2文件对应的是其他遥感卫星的tiff文件
4.GDAL读取jp2文件，numpy计算线性变换，这里使用百分之二的线性变换
5.重新组合为三波段矩阵，通过opencv保存为普通的jpg格式
win10 quick install and use:
pip install s22rgb -i https://pypi.python.org/simple
usage:
一个简单的深度学习模型，实现语义分割，将使用“第四届中国模式识别与计算机视觉大会”提供的数据。
对于许多遥感应用，我们使用经过处理的多视合成孔径雷达SAR图像。这些产品代表多个雷达图像的平均强度(或振幅)，以减少雷达斑点(多视图)。单视复杂single look complex (SLC)图像，代表来自返回雷达信号的所有信息的原始合成孔径雷达图像。SLC图像由复数形式的像素组成，不仅记录强度(从目标返回的微波信号的能量)，还记录信号的相位，相位由目标和雷达天线之间的距离决定。
给定SLC像素的复数:c = a +ib,其中:
i = \sqrt{-1}\\
c = \sqrt{a^2+b^2}表示合成孔径雷达强度图像，而相位角为:
\Psi = arctan(\frac{b}{a}) 干涉合成孔径雷达技术利用合成孔径雷达SLC图像中的相位信息进行地球和行星观测。合成孔径雷达干涉图显示了从近重复轨道拍摄的两幅合成孔径雷达图像中同一物体的相应像素之间的相位差。它将地形表示为干涉条纹。基于这一原理，InSAR技术被开发并成功地用于地形测绘和测量由地震、沉降、火山收缩和冰川流动引起的地形 ...
什么是遥感图像？遥感图像是数字图像的一个分支，主要用于观察和分析地球表面。随着技术的进步，遥感的应用已不再局限于地球，未来可扩展到其他星球，如火星或月球，用于地物识别（如探测矿藏或水资源）。遥感图像通过搭载在卫星、飞机或航天器上的传感器系统获取数据，无需直接接触目标物体或场景。与普通照片相比，遥感图像通常包含可见光谱以外的信息，能够深入分析地表特征、环境变化等。
数字图像的基础数字图像本质上是一个二维（2D）数字数组。数组中的每个单元称为像素（pixel），像素的亮度由数字（Digital Number, DN）表示。作为行和列组成的数据矩阵，数字图像通常被称为栅格数据（raster data）。像素的位置通过其行和列索引来定义。由于数字图像仅仅是数据矩阵，可以方便地对其进行数学运算，这些运算统称为数字图像处理（digital image processing）。
与普通图像（如手机拍摄的照片）相比，遥感图像的一个显著区别在于波段数量。普通彩色照片通常由红、绿、蓝（RGB）三个波段组成，而遥感图像的波段数量不固定。例如，美国的Landsat 8和欧盟的Sentinel-2卫星图像通常包 ...
在本教程中，我们将尝试了解机器学习中最重要的算法之一：随机森林算法。我们将看看是什么让随机森林如此特别，并使用 Python 在真实世界的数据集上实现它。 您可以在此处找到代码以及数据集。
集成学习集成方法是一种将来自多个机器学习算法的预测组合在一起以做出比任何单个模型更准确的预测的技术。由许多模型组成的模型称为集成模型。
集成学习主要分为两类：
Boosting 和 Bootstrap
1.BoostingBoosting 是指一组利用加权平均值将弱学习器变成更强学习器的算法。提升是关于团队合作的。每个运行的模型都决定了下一个模型将关注的功能。
顾名思义，提升意味着一个人正在向另一个人学习，这反过来又促进了学习。
2.BootstrapBootstrap 是指有放回的随机抽样。Bootstrap 使我们能够更好地理解数据集中的偏差和方差。自举涉及对数据集中的一小部分数据进行随机抽样。
Bagging 是一种通用过程，可用于降低那些具有高方差的算法的方差，通常是决策树。Bagging 使每个模型独立运行，然后在最后聚合输出而不优先于任何模型。
决策树的问题决策树对训练它们的特定数 ...
linux
未读处理目录的常用命令
sudo 代表是管理员
ls（英文全拼：list files）: 列出目录及文件名
cd（英文全拼：change directory）：切换目录
pwd（英文全拼：print work directory）：显示目前的目录
mkdir（英文全拼：make directory）：创建一个新的目录
rmdir（英文全拼：remove directory）：删除一个空的目录
cp（英文全拼：copy file）: 复制文件或目录
rm（英文全拼：remove）: 删除文件或目录
rm -rf 删除文件夹
mv（英文全拼：move file）: 移动文件与目录，或修改文件与目录的名称
git config --global user.name "ytkz11"
git config --global user.email "ytkz11@163.com"
删除原来的python
/usr/bin/
sudo rm -rf python
sudo ln -s /usr/local/bin/python3.5 /usr/bin/python
sudo ap ...
一个简单的深度学习模型，实现语义分割，数据将使用Kaggle的“云层分割卫星影像”。
以下是记录一下在jupyter notebook 上运行的结果
ffmpeg
未读Compress Size Of Vedioffmpeg -i input.mp4 -vcodec libx265 -crf 28 output.mp4
M4a Combine
ffmpeg -i "concat:first.m4a|second.m4a" -c copy out.m4a
FFmpeg 裁剪视频画面ffmpeg -i 1.mp4 -vf crop=480:250:0:40 -threads 5 -preset ultrafast -strict -2 outputname.mp4
m4a combine
ffmpeg -i "concat:0.m4a|1.m4a" -safe 0 -c copy out.m4a
合并左右 , 并且压低画质
ffmpeg -i 9.mp4 -i 10.mp4 -filter_complex hstack -crf 50 output.mp4
压低画质
ffmpeg -i 9.mp4 -crf 50 -threads 1 output.mp4
m4a to aac
ffmpeg -i in.m4a -acodec copy out.aa ...
在过去几年中，时间（图像频率）和空间分辨率（衡量图像的精细程度）呈指数级增长，航空航天业将继续以我们无法预测的方式发生变化。随着像素密度（每英寸像素数或 ppi）的增加，我们可以获得更清晰的图像和更重的数字图像文件。相反，随着像素密度的降低，我们会失去精度，但也会减少处理需求。这是当前数字图像分析中的一项基本权衡。
通过在农业等学科中使用遥感图像，我们能够以更有效的方式执行不同的任务：
检测植物病害
对土地覆盖（例如森林）和土地利用（例如农业）进行分类
通过识别大豆、玉米、小麦等不同作物来对作物类型进行分类。
通过计算特定区域作物的预期产量来估算作物产量
识别与健康作物争夺阳光和土壤养分的杂草
监测和预测土壤水分
评估除草剂、杀虫剂和杀菌剂的有效性
识别农作物和土壤中的污染物
监控播种过程的有效性
要了解这是如何工作的，我们必须首先先认识光谱图像。
看不见的看见作为人类，人眼只能看到电磁波谱的一小部分（我们称之为“可见光”），而事实是，几个世纪以来，我们只是通过一个小窗口来观察这个世界。
现代遥感图像可以测量各种波长，其中许多是我们肉眼看不见的 ...
