ENVI5.6去除遥感影像上的条纹

最新推荐文章于 2025-04-26 14:23:49 发布
最新推荐文章于 2025-04-26 14:23:49 发布
阅读量1.9k 收藏 13
点赞数 10
文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2301_81883895/article/details/136704256
版权

打开遥感影像出现下面这种条纹时，可以下载 landsat_gapfill工具将其去除

下载landsat_gapfill工具

链接：https://pan.baidu.com/s/1Q-340Rv57BiSwMzgSfiOMA 
提取码：ueo8 

1、将下载好的landsat_gapfill.sav工具打开，复制

2、打开ENVI5.6文件所在位置，找到extensions文件夹，粘贴进去

3、退出来右击ENVI5.6以管理员身份运行，在Toolbox搜索landsat_gapfill，双击打开

4、根据步骤选择输出文件位置及名称

最低0.47元/天 解锁文章
ENVI修复图像坏点扩展补丁
「 刘一哥与GIS的故事」
03-30 2963
在一些影像中，由于各种原因导致了坏点的存在，主要为0值、NaN、Inf等情况。在测绘单位，经常因为黑点（0值）或白点（255等值）的存在导致制图效果存在瑕疵。如图1所示，在一幅DEM数据的边缘存在一些值为0的像元。为了修复坏点，专门编写了ENVI扩展补丁：Fix_Bad_Points.sav，可以看下图的修复效果。修复原理：利用坏点周围有效值的均值赋予坏点，窗口大小可选。此补丁使用了分块处理技术，对于输入数据大小没有限制。
soft215@163.com,销售工程造价，建筑，工控，模拟分析，财务等商业版软件︻◣
热门推荐
toocad的专栏
11-23 2万+
soft215@163.com,销售工程造价，建筑，工控，模拟分析，财务等商业版软件︻◣⊿加密狗专业复制 ROCKEY6、深思4（可提供单机远程硬件复制）、彩虹天地（PDL、UDA、UMH、UMC、UMI、NH、MF）-硬件复制、阿拉丁、域天、蓝宇风全系列、 SUPPER圣天偌原狗改模块、试用狗注册等，注册机制作服务，提供程序OEM制作服务︻◣：soft215@163.com （感谢各位客户e_m
ENVI5.3 用landsat_gapfill工具去除遥感影像上的条纹
azhao100的博客
10-19 4820
ENVI5.3 去除遥感影像上的条纹，以及landsat_gapfill工具下载
Envi 去除 Landsat 黑条带插件 （适用于5.3）
11-21
此资源适用于各版本Envi，用于去除Landsat卫星03年后影像黑条带。 5.3版本用户解压文件后放在：~\Exelis\ENVI53\extensions目录下 4.x版本用户解压文件后放在：~\IDL71\products\envi4x\save_add 文件夹目录下会有相关同后缀插件，放错位置会导致无法使用。 压缩文件内包含两个文件：使用方法可以复制文件名直接搜索查看用法。 从USGS上下载的影像文件内若包含gap_mask，可以通过此工具之一达到较完美的修复。
利用ArcGIS去除Landsat 7 ETM+影像条带——解决方案集合
最新发布
gitblog_06770的博客
04-26 682
利用ArcGIS去除Landsat 7 ETM+影像条带——解决方案集合 【下载地址】利用ArcGIS去除Landsat7ETM影像条带解决方案集合 在处理Landsat-7 ETM+影像数据时，数据条带问题常常影响研究质量。本开源项目提供了一套基于ArcGIS的解决方案，帮助用户有效识别并去除影像中的坏条带，恢复数据的...
ENVI补丁+影像条带去除教程
03-13
利用ENVI补丁，对影像中存在的周期性扫描行条带噪声进行有效的去除，另附上详细教程！
遥感影像条带去除
10-28
代码可以去除加性条带噪声和乘性条带噪声，另外还有全局条纹去除。程序用环境星的HSI数据试验过，切实可行。
基于ENVI5.3的Landsat条带去除、辐射定标、大气校正
u010198950的博客
10-16 1万+
基于ENVI5.3的Landsat条带去除、辐射定标、大气校正坏带修复辐射定标大气校正 坏带修复 1.下载landsat_gapfill插件，放入“安装目录\Exelis\ENVI53\extensions”，重启ENVI 2. 加载拟处理文件（MTL.txt格式） 3.打开landsat_gapfill 4.选择存放位置并命名文件 5.选择处理文件 辐射定标 1.选择工具Radiometric Calibration 2.选择已修复坏带文件 3.修改参数，选择输出位置及命名文件 大气校正 1
基于ENVI的Landsat数据去条带插件
11-03
基于ENVI的的Landsat去条带插件，下载后直接复制到envi安装目录下的extensions文件夹下面(非经典版)或者save_add文件夹下（经典版）
非无人机的高光谱图像对病虫害作物的三维卷积神经网络分类技术
kkming的专栏
06-29 650
高光谱成像（HSI）是一种非破坏性和非接触式技术，提供有关物体结构和组成的有价值信息。它有能力获取有关农业作物化学和物理性质的详细信息。由于其光谱范围广，与多光谱或基于RGB的成像方法相比，HSI可以成为监测作物健康和生产力的更有效工具。随着这种成像工具在农业技术中的出现，研究人员可以更准确地解决与农业行业疾病和缺陷作物检测相关的问题。
去条带插件
08-19
ENVI去条带插件，非常给力！
HJ1A星全局法去条纹
06-26
HJ1A星条带比较多，数据如若不经去条带处理会出现影像无法使用的情况，此程序专门针对HJ1A星进行条带去除，快捷方便！
遥感图像条纹噪声去除：从图像分解的角度
03-30
条纹噪声的去除（去条纹）是遥感图像处理中的一个基本问题，对于后续应用具有重要的实践意义。 这些变分去斑方法取得了令人瞩目的结果，并引起了广泛研究的兴趣。 然而，它们中的大多数专用于从条纹图像中估计清晰的图像，在不考虑条纹的结构特征的情况下，非常关注图像本身，而条纹的结构特征很容易造成图像结构损坏，并在图像恢复中留下残留的条纹。 在本文中，我们平等地对待图像和条带分量，并将图像去块任务自然地转换为图像分解问题。 首先，我们将对条纹的结构特征进行详细分析，并提供有关遥感图像的先验知识。 然后，将它们合并，我们提出了一个基于低等级的单图像分解模型（LRSID），以将原始图像与条带成分完美分离。 这种对条带的低秩约束与以下事实完全匹配：只有部分数据矢量已损坏，而其他部分则没有损坏。 此外，我们进一步利用遥感图像的光谱信息，并将我们的2D图像分解方法扩展到3D情况。 已经对模拟数据和真实数据进行了广泛的实验，以验证所提出算法的有效性和效率。
ETM+影像条带去除教程+ENVI补丁
12-30
ETM+影像条带去除教程+ENVI补丁， 还不错的。
遥感envi_去条带校正
12-18
遥感envi_去条带校正，非常实用的遥感图像处理方法
影像去条带插件
11-15
ETM+影像条带去除教程+ENVI补丁，里面有详细的处理步骤。
遥感问题：条带修复
hmei007的专栏
09-21 1万+
从国际科学数据服务平台上下载了一幅2011的影像数据，结果条带很严重。经谷歌，是因为Landsat-7 ETM+机载扫描行校正器故障导致2003年5月31日之后的图像都出现数据条带丢失。 修复方法有： A.差值修复：利用同一景影像完好的数据部分，地数据缝隙进行插值； B.回归修复：a.利用故障前的正常数据对数据缝隙进行填充；b.或者是利用多景（2-4）不同时相的异常数据生成一景缝隙填充的数据
HJ1A HSI二级产品去条纹过程，用全局去条纹法（三、全局去条纹&四、图像旋转回原来角度）
shirmizuizumi的博客
11-09 424
博主上传资源可以自行下载资源（这位博主的代码仍然是借鉴第一篇讲过的文章的全局去条纹算法），因为并非原创所以就不放上来了，如果你不会使用IDL进行处理可以私聊我或者关注我的闲鱼店（我的用户名贾抱琴当然需要一些小小的有偿），处理之后的效果大概就是这样了。最后的效果如图所示，两侧有黑边但不影响图像解译。（后续我会改善一下的博主的代码试试看能不能解决这两条黑边，有兴趣的话请继续关注这个专栏）最后一步，图像旋转回原角度就和第二步相似，只需要改变将角度从-15.3改为15.3即可，就不赘述了，这里放上第二步的地址。
粒子群算法python代码实例
03-06
粒子群算法（Particle Swarm Optimization，PSO）是一种优化算法，用于解决各种优化问题。下面是一个使用Python实现的粒子群算法的代码示例： ```python import random class Particle: def __init__(self, dim): self.position = [random.uniform(-5, 5) for _ in range(dim)] self.velocity = [random.uniform(-1, 1) for _ in range(dim)] self.best_position = self.position.copy() self.best_fitness = float('inf') def update_velocity(self, global_best_position, w, c1, c2): for i in range(len(self.velocity)): r1 = random.random() r2 = random.random() cognitive_component = c1 * r1 * (self.best_position[i] - self.position[i]) social_component = c2 * r2 * (global_best_position[i] - self.position[i]) self.velocity[i] = w * self.velocity[i] + cognitive_component + social_component def update_position(self): for i in range(len(self.position)): self.position[i] += self.velocity[i] if self.position[i] < -5: self.position[i] = -5 elif self.position[i] > 5: self.position[i] = 5 def evaluate_fitness(self): # 这里根据具体的优化问题来定义适应度函数 x, y = self.position[0], self.position[1] fitness = (x - 2) ** 2 + (y - 3) ** 2 if fitness < self.best_fitness: self.best_fitness = fitness self.best_position = self.position.copy() def particle_swarm_optimization(dim, num_particles, max_iterations): particles = [Particle(dim) for _ in range(num_particles)] global_best_position = None global_best_fitness = float('inf') for _ in range(max_iterations): for particle in particles: particle.evaluate_fitness() if particle.best_fitness < global_best_fitness: global_best_fitness = particle.best_fitness global_best_position = particle.best_position.copy() for particle in particles: particle.update_velocity(global_best_position, 0.5, 1, 2) particle.update_position() return global_best_position, global_best_fitness # 示例使用二维空间中的粒子群算法来求解(x-2)^2 + (y-3)^2 的最小值 best_position, best_fitness = particle_swarm_optimization(2, 50, 100) print("Best position:", best_position) print("Best fitness:", best_fitness) ``` 这段代码实现了一个简单的粒子群算法，用于求解二维空间中函数 (x-2)^2 + (y-3)^2 的最小值。代码中的参数可以根据具体问题进行调整。在每次迭代中，粒子根据自身的速度和位置更新策略来更新自己的位置，并根据新位置计算适应度值。全局最优解是所有粒子中适应度值最小的解。最后，算法返回全局最优解的位置和适应度值。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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