墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
388平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
遥感影像16位转8位编程
在遥感图像处理中，常常需要将16位的遥感影像转换为8位的灰度图像，以便于显示和分析。本文将介绍如何使用编程语言进行这样的转换，并提供相应的源代码。
我们可以使用Python编程语言来实现遥感影像的16位转8位的功能。下面是一个基于Python的示例代码：
import numpy as np
from skimage import exposure
# 读取16位遥感影像
image_16bit = np.load("path_to_input_image.npy")
# 将16位影像线性拉伸至0-65535的范围
p2, p98 Matlab读取、转换遥感影像到普通影像
通常我们是利用专业遥感影像处理软件如ENVI等来处理遥感影像。但是在处理小块遥感影像或者需要自己实现一些比较简单但envi上没有的功能，则需要自己编程实现，首要的一步就是读取遥感影像，本篇博客记录如何利用matlab读取遥感影像并将其转换为普通图像。
遥感影像处理入门：手把手教你从DN值到表观反射率的完整流程
本文提供了遥感影像处理的完整入门指南，手把手教你如何将原始DN值转换为具有物理意义的表观反射率。文章以Landsat、Sentinel-2等常见卫星数据为例，详细解析了辐射定标的核心公式、元数据参数提取方法，并提供了完整的Python代码实战流程，帮助读者彻底掌握遥感定量分析的基石技能。
C++结合OpenGL、GDAL与Qt实现海量遥感影像分块渲染框架
在图形学与地理信息系统领域，高性能渲染与海量数据处理是核心挑战。其基本原理在于通过GPU加速与动态数据调度，实现大规模空间数据的流畅可视化。这项技术的核心价值在于突破了传统单机处理能力的限制，使得在普通硬件上浏览与分析GB乃至TB级影像成为可能。典型的应用场景包括数字地球、GIS平台以及遥感影像分析系统。本文聚焦于利用C++集成OpenGL、GDAL和Qt三大组件，构建一个基于瓦片金字塔与生产者-消费者模型的遥感影像分块显示框架，深入探讨了异步加载、LRU缓存、坐标转换等工程实践中的关键问题与优化方案。
遥感影像数据处理—16位转8位
一旦打开了影像文件，我们就可以通过使用gdal.Dataset.ReadAsArray（）函数来读取影像数据。遥感影像数据通常以16位或32位存储，但在某些情况下需要将其转换为8位以便于显示、处理和存储。这篇文章将介绍如何使用Python和GDAL库将遥感影像数据从16位转换为8位。由于8位图像的像素值范围只能从0到255，因此我们需要计算16位图像中像素值的拉伸范围。最后，我们可以使用GDAL库将处理后的影像数据保存为新文件。这就是如何将遥感影像数据从16位转换为8位的全部过程。步骤4：计算拉伸范围。
《QGIS快速入门与应用基础》285：需求：加载 Landsat 8 遥感影像，制作真彩色/假彩色图
本文面向GIS零基础用户，详细讲解Landsat 8遥感影像在QGIS中的可视化处理全流程。文章首先对比主流遥感卫星数据源，推荐Landsat 8作为新手入门首选，解析其7个核心波段特性。重点介绍真彩色（自然色）和假彩色（植被突出）两种合成方法：真彩色采用可见光波段组合（RGB=波段4/3/2），假彩色则引入近红外波段（RGB=波段5/4/3）。通过对比表和图解说明二者的应用场景差异，真彩色适合政务底图制作，假彩色更利于植被监测分析。教程包含数据下载、波段组合、影像拉伸等完整操作步骤。
python：多波段遥感影像分离成单波段影像
在遥感图像处理中，我们经常需要将多波段遥感影像拆分成多个单波段图像，以便进行各种分析和后续处理。本篇博客将介绍一个用Python编写的程序，该程序可以读取多波段遥感影像，将其拆分为单波段图像，并保存为单独的文件。本程序使用GDAL库来处理遥感影像数据，以及NumPy库来进行数组操作。结果如下图所示，选中的影像为输入的多波段影像，其他影像分别为拆分后的多波段影像。
Hypermesh二次开发实战：Tcl命令分类与常用函数详解（附避坑指南）
本文深入解析Hypermesh二次开发中Tcl命令的三大核心类别：界面命令、查询命令与修改命令。重点剖析了*createmark集合管理与hm_getvalue信息查询等关键函数的实战用法，并提供了避免Mark覆盖、生命周期管理等常见陷阱的实用指南，旨在帮助CAE工程师构建高效可靠的自动化前处理流程。
从零配置XDMA：手把手教你PCIe BAR与AXI总线的地址转换（基于Vivado2023）
本文基于Vivado2023，手把手教你配置XDMA IP核，深入解析PCIe BAR与AXI总线地址转换的核心原理。通过实战步骤，详细说明如何正确设置BAR参数（如32/64位、预取使能）及地址映射，确保主机能稳定访问FPGA侧寄存器与内存，是解决PCIe通信调试难题的关键指南。
Unable to negotiate with XXXX port 22: no matching host key type found. Their offer: ssh-rsa,ssh-dss
打开ssh_config此文件，滑动到最下面，新增自己git主机地址（这里我直接默认*）执行命令 git clone git@xxxxxxxxxxxxx.git。代码仓库已经添加了ssh公钥之后，克隆代码到本地时就报了这个问题。首先是找到git安装目录（根据自己安装时选项，找到这个目录）再进入ssh目录，找到 ssh_config 配置文件。配置完成后，保存配置文件后再次去clone代码。直接复制下面这一段到文件中最底部位置即可。然后进入 etc目录，找到ssh目录。终于可以克隆下来了。
用Python写个彩票小助手：自动生成双色球/大乐透号码并保存到桌面
本文介绍如何使用Python开发一个智能彩票助手，实现双色球和大乐透号码的随机生成与桌面文件保存功能。通过详细的代码示例，包括随机号码生成、文件操作、用户交互和错误处理，帮助Python初学者快速掌握实用工具开发技巧。
FreeRTOS笔记（十五）FreeRTOS总结
文章目录01 - 裸机和FreeRTOS区别1.1 - 裸机1.2 - FreeRTOS1.3 - 区别02 - 对FreeRTOS的感受03 - 推荐 上一文链接：FreeRTOS笔记（十四）[简] 软件定时器、事件组、任务通知 01 - 裸机和FreeRTOS区别 学完FreeRTOS，应该要自己总结一下FreeRTOS和裸机的区别，宏观上说，FreeRTOS是一个运行在裸机上的微内核，...
1. 迈进 SAP UI5 开发世界的第一步 - Hello World
SAP UI5 是一个用于开发企业级 Web 应用的前端框架，基于 HTML 和 JavaScript. 作为教程的第一步，我们需要了解最基础的 HTML 知识。 请大家在电脑上任意新建一个文件夹，将其命名，比如我取的名称为 Walkthrough. 进入 Walkthrough 文件夹，再新建一个文件夹名叫 01，代表本教程的第一个步骤。 进入 01 文件夹，新建一个 webapp 文件夹。这个名称是 web 应用约定俗成所使用的，大家都倾向于用这个名称，当然你要是想用其他名称也没有问题。......
YOLOv8自动驾驶系统 —— 夜间低光照条件 详细说明和完整代码
本文提出一种针对夜间低光照优化的自动驾驶车道保持系统方案，基于YOLOv8模型改进，包含三大核心技术：1.采用Retinex理论的多尺度低光增强算法，结合自适应伽马校正；2.改进YOLOv8的车道检测模型，通过夜间专用数据集训练，增加抗眩光处理；3.多传感器融合框架，整合可见光与红外图像。系统实现动态逆透视变换和参数调整，在Jetson Orin硬件上达到30ms级实时性能。测试显示在无照明、眩光干扰等极端场景下保持稳定，代码已开源。扩展方向包括V2X协同定位和自适应大灯联动控制。
UE5实现建筑剖切效果
UE5实现建筑剖切效果
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
6241
扫一扫
