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 ...
计算机编程语言流派间的关系
摘自网络
计算机编程语言的分类：
机器语言：二进制代码
汇编语言：面向机器的程序设计语言
高级语言：按转换方式可分为两类：1.编译型语言; 2.解释型语言**||****按照客观系统的描述可分为两类：1.面向过程语言; 2.面向对象语言****||****按照编程范型可分为：1.命令式语言; 2.函数式语言; 3.逻辑式语言; 4.面向对象语言**
三种语言的优缺点:
机器语言：可读性、可移植性差，编程繁杂。直接执行，速度快，资源占用少；
汇编语言：
*不同的处理器有不同的汇编语言语法和编译器，编译的程序无法在不同的处理器上执行，缺乏可移植性，难于从汇编语言代码上理解程序设计意图，可维护性差，即使是完成简单的工作也需要大量的汇编语言代码，很容易产生bug，难于调试，使用汇编语言必须对某种处理器非常了解，而且只能针对特定的体系结构和处理器进行优化，开发效率很低，周期长且单调。*
*能够保持机器语言的一致性，直接、简捷，并能像机器指令一样访问、控制计算机的各种硬件设备，如磁盘、存储器、CPU、I/O端口等。使用汇编语言，可以访问所有 ...
RS_GUI开发
2020年底，把之前自己做的遥感算法重新整理一遍，包括了多光谱的预处理：辐射定标、大气校正、几何校正、镶嵌匀色、图像增强、配准、SAR的处理等。最近开始学习GUI制作，想开发出一个简陋版的RS软件。
目前使用pyside2做界面，后端算法完成了辐射定标、大气校正、几何校正、镶嵌、配准等多光谱影像算法，适用影像：Landsat 8 、Sentinel 2、高分一号、高分二号、高分四号、高分六号、资源01-02D数据（只接触到以上数据，后续再补充）。
SAR的处理包括1A级生成2A级数据，SAR处理算法开发进行不下去的原因：雷达的知识过于专业，后续有时间再查找论文进一步加强理论知识后再进行开发相应模块（生成DEM、INSAR等）。
高光谱数据：缺少相关数据，无法进行。
基础的RS软件的功能基本实现（参考国外开源项目），包括影像缩小放大，坐标显示，波段合成显示等。后续想利用opengl做出一个旋转的球，把数据显示到该球上。
目前处于后端算法和界面逻辑的整合阶段。
辐射定标、大气校正模块，利用6S算法，整合了Landsat 8 、Sentinel 2、高分一号、高分二号、高分 ...
