- 博客(13)
- 收藏
- 关注
RSS订阅原创 《无人机高光谱数据预处理》学习总结
无人机高光谱数据预处理的核心是将原始采集的非标准化数据（CUB格式光谱立方体、JPG格式全色影像）转化为兼具光谱信息与地理空间信息的全景高光谱影像，主要涵盖辐射校正、几何校正、影像融合、拼接及冠层光谱提取等环节。2. “光谱-空间”融合的逻辑：全色影像提供纹理（空间）信息，高光谱影像提供光谱信息，二者的融合是实现“精准定位+精准光谱分析”的基础，Agisoft PhotoScan在这一环节起到了关键的“纽带”作用。
2025-11-23 21:53:10
450
原创 特征配准学习总结
特征配准是农业遥感数据处理的基础环节：只有实现多波段图像的精准对齐，后续的DSM生成、NDVI计算、蒸散量反演等农业参数分析才能保证精度——最终支撑“精准施肥、作物长势监测、产量预估”等精准农业应用。缺点：存在一定误匹配风险。特征提取是从图像中提取具有唯一性、稳定性的“特征点+描述子”（如SIFT的关键点与128维描述子），匹配则是通过描述子的距离计算找到不同图像中的对应点。• 操作逻辑：对k=2的kNN匹配结果，计算“最近邻距离/次近邻距离”的比值，设定阈值（通常0.4~0.7），比值越小则匹配越可靠；
2025-11-16 20:31:00
322
原创 特征降维学习总结
而基于遗传算法的波段选取更具实用性——将波段编码为“0/1”基因（1表示选中），通过编码、初始化种群、自适应选择、交叉/变异等步骤，筛选出既降维又保留物理意义的最优波段组合，避免了数学变换对光谱物理含义的破坏。首先通过BF匹配器（暴力遍历，适合小数据）或FLANN匹配器（快速近似近邻，适合大数据）完成特征匹配；基于健康/患病植株的分类场景，可计算二级指标：准确率（整体预测正确比例）、特异值（患病样本中预测正确比例）、召回率（健康样本中预测正确比例）、精确率（预测健康样本中实际健康的比例）；
2025-11-09 22:42:46
239
原创 高光谱数据特征降维学习总结
遗传算法源于对生物系统进化的计算机模拟，能进行自发式自然选择，常用于优选高光谱数据的特征波段，核心是通过“父代”波段的随机选择、交叉和突变等遗传操作产生新个体，经自然选择机制迭代，最终收敛于最适合环境的个体（即最优波段组合）。• 第一步变换：先通过估计噪声协方差矩阵来分离和调节数据噪声，减少波段间的相关性，涉及公式 D_N=U^TC_NU 、 I=P^TC_NP 、 P=UD_N^{-\frac{1}{2}} ，将图像数据映射到新空间，使变换数据带有单位方差且波段间不具相关性。
2025-10-26 22:07:05
450
原创 图像特征学习
3. 计算图像梯度值：分别计算水平和垂直方向梯度G_x(x,y)=H(x+1,y)-H(x-1,y)、G_y(x,y)=H(x,y+1)-H(x,y-1)，进而得到梯度幅值G_s(x,y)=\sqrt{G_x(x,y)^2+G_y(x,y)^2}和方向\theta=\arctan(\frac{G_y}{G_x})。HSV颜色空间：由A.R.Smith于1978年提出，更贴近人类视觉感知。均值公式：\mu=\frac{1}{MN}\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)
2025-10-19 21:53:57
260
原创 对遥感图像进行辐射校正
2）【Options】→【New window with plots】，在影像中找到相应的植被、水体、土壤位置，分别查看光谱曲线，将相应的.fst文件拖入新窗口中，得到植被、水体、土壤采样点在新建的窗口中同时绘制的光谱曲线；典型地物采样点光谱曲线图中，绿色为植被（对应图中像元位置为82,150），蓝色为水体（对应图中像元位置为243,284），棕色为土壤（对应图中位置为119,225）。视窗中可以识别场景中的若干特征，包括图像中间的西北－东南方向的长湖面，左侧的各类植被和在右侧的城市地区。
2025-09-28 22:00:37
309
原创 去噪声处理学习
假设滤波窗口宽度n=2m+1测量点用x表示，使用k-1多项式对窗口内的数据点进行拟合，拟合结果y表示。是指根据淋浴中各像素的值决定中心具体像素值的方法，是一种图像预处理的方式。先选定领域模板大小，然后把窗口内的像素值进行排序，把排序确定的像素中间值作为窗口选定的中心像素的具体值。采用空间域和频域的方式对图像进行去噪声处理。空间域针对的是图像本身像素值，通过一定数学关系直接对所处理图像的像素进行转换。SG平滑是一种基于多项式，移动窗口和最小二乘法拟合的平滑算子，能够提升光谱的平滑性，降低光谱信息中的干扰。
2025-09-11 13:29:29
161
原创 大气校正学习
Py6S是6S（Second Simulation of the Satellite Signal in the Solar Spectrum）模型的Python接口，支持大气校正参数计算。大气校正是指消除或减弱遥感图像中由大气散射、吸收等效应引起的辐射失真，以获得地表真实反射率的过程。大气的影响包括瑞利散射、气溶胶散射、水汽吸收等，校正后可提高遥感数据的定量分析精度。通过Py6S或外部RTM模型设置大气参数（如气溶胶类型、水蒸气含量）。应用6S或其他模型计算大气校正系数，将原始DN值转换为地表反射率。
2025-06-26 20:12:51
490
原创 辐射校正学习
辐射校正（Radiometric Correction）是遥感图像处理中的关键步骤，旨在消除传感器、大气、地形等因素对辐射值的影响，使图像数据更真实反映地物辐射特性。主要分为绝对辐射校正和相对辐射校正两类。
2025-06-19 21:57:49
1128
原创 图像几何校正
误差计算：计算每个控制点的残差（RMS Error），以评估校正精度。通常情况下，误差应控制在1个像元以内3。选择控制点：通过手动或自动方式选择地面控制点（GCPs），这些点在参考图像和待校正图像中均能准确识别1。几何校正的主要任务是将遥感图像从扫描坐标系转换到地图投影坐标系。插值方法选择：当添加的控制点数量较多时（如超过10个），建议使用2次多项式插值3。输出参数设置：定义输出图像的分辨率、投影类型等参数。
2025-06-12 23:28:14
278
原创 无人机遥感图像校正
例如，在ENVI中，几何校正过程分为五个主要步骤：打开数据文件、选择传感器校正模型、选择控制点、计算控制点误差以及设置输出参数。遥感图像校正是遥感数据处理中的重要环节，其目的是消除由于传感器、地球曲率、地形起伏等因素引起的几何变形。遥感图像校正主要包括辐射校正和几何校正两大类。：计算每个控制点的残差（RMS Error），以评估校正精度。：通过手动或自动方式选择地面控制点（GCPs），这些点在参考图像和待校正图像中均能准确识别。# DOS1校正公式: L_corrected = L - L_dark。
2025-06-05 22:30:00
824
原创 视屏学习总结
(2)最优定位准则：检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小；2，滤波（要注意滤波强度，滤波会使图像变模糊，图像太模糊会失去细节信息。但是滤波可以去除噪声点，也可以用边缘强化滤波强化边缘）(1)最优检测：算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；(3)检测点与边缘点一一对应：算子检测的边缘点与实际边缘点应该是一一对应。4，非极大值抑制（使边缘更清晰）5，双阈值(消去噪点，强化边缘)
2025-05-28 19:03:00
145
原创 图像内部的边缘检测和裁剪
边缘检测(Edge Detection)就是提取图像中的边缘点(Edge Point)。边缘点是与周围像素相比灰度值有阶跃变化或屋顶状变化的像素。边缘常存在于目标与背景之间、目标与目标之间、目标与其影子之间。在图像处理和图像分析中，经常要用到边缘(Edge)、边界(Boundary)、轮廓(Contour)等术语。一般来说，边缘指的是边缘点，它不能被称为边缘线。边界指的是图像中不同区域之间的分界线，比如不同灰度、不同颜色的区域之间的分界线，它是线而不是点，可以被称为边界线。
2025-05-28 17:38:56
964
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人