使用Scikit-image进行单波段遥感影像的形状特征提取

最新推荐文章于 2025-12-18 14:23:27 发布
最新推荐文章于 2025-12-18 14:23:27 发布
阅读量159 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： 人工智能 计算机视觉 算法 Python
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/HackDashX/article/details/132749860
Python 专栏收录该内容
113 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍如何利用Scikit-image库对单波段遥感影像进行形状特征提取，包括边界长度、面积和紧凑度计算。通过这些特征，可以理解并分析地物的几何形状变化。

使用Scikit-image进行单波段遥感影像的形状特征提取

遥感影像是获取地球表面信息的重要工具之一。在遥感图像处理中，形状特征提取是一项常见的任务，它可以帮助我们理解和分析地物的几何形状及其变化情况。在本文中，我将使用Scikit-image库来提取单波段遥感影像的形状特征。

Scikit-image是一个用于图像处理和计算机视觉任务的Python库。它提供了许多功能强大的图像处理算法和工具。在本示例中，我们将使用Scikit-image来计算遥感影像中对象的形状特征，包括边界长度、面积、紧凑度等。

首先，我们需要安装Scikit-image库。可以使用以下命令来安装：

pip install scikit-image

安装完成后，我们可以开始编写代码。首先，导入所需的库和模块：

import skimage
from skimage import io, measure

接下来，我们需要加载遥感影像。假设我们有一幅名为"image.tif"的遥感影像，可以使用以下代码加载它：


                

                
                
        

    


  


        

                

                  

                  

                  了解本专栏
                  
                  
                    
                  订阅专栏 解锁全文
                   
                

        


    



                



	

		

			

				
					
python：使用Scikit-image对遥感影像进行形态学轮廓特征提取（contour）

				
			

			

				

					养乐多的博客
				

				

					10-28
					
					702
					
				

			

		

		

			
				
在本博客中，我们将介绍如何使用Scikit-Image来进行形态学轮廓特征提取（contour），并且提供一个示例代码，演示了如何在单波段遥感图像上应用这些方法。形态学轮廓特征提取是一种用于图像处理和分析的技术，旨在检测和描述图像中的对象的边界或外围轮廓。这些轮廓通常用于识别、分类和测量图像中的对象，以及分析对象的形状、大小和几何特征。结果如下图所示，

			
		

	



                

            
              



	

		

			

				
					
使用Scikit-Image进行遥感影像边缘检测

				
			

			

				

					PixelShadeZ的博客
				

				

					09-08
					
					334
					
				

			

		

		

			
				
边缘检测是遥感影像处理中常用的技术之一，它可以帮助我们提取图像中物体的轮廓和边界信息。在Python中，我们可以使用Scikit-Image库来进行遥感影像的边缘检测。本文将介绍如何使用Scikit-Image库进行遥感影像边缘检测，并提供相应的源代码示例。边缘检测是遥感影像处理中常用的技术之一，它可以帮助我们提取图像中物体的轮廓和边界信息。在Python中，我们可以使用Scikit-Image库来进行遥感影像的边缘检测。至此，您已经学会了使用Scikit-Image库对遥感影像进行边缘检测的基本方法。

			
		

	



              


  
              

                


	

		

			

				
					
python：使用Scikit-image对单波段遥感影像进行形状特征提取（morphology）

				
			

			

				

					养乐多的博客
				

				

					06-20
					
					1158
					
				

			

		

		

			
				
养乐多_本文将介绍使用Scikit-image对单波段遥感影像做形状特征提取的方法和代码。包括：腐蚀（erosion），膨胀（dilation），开运算（opening），闭运算（closing），形态学梯度（morphological gradient），白帽变换（top hat），黑帽变换（black hat），形态学骨架化（skeletonization），形态学重建（reconstruction）等。结果如下图所示，

			
		

	





	

		

			

				
					
python：使用Scikit-image库对单波段遥感图像做特征提取

				
			

			

				

					养乐多的博客
				

				

					06-20
					
					2878
					
				

			

		

		

			
				
养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做特征提取的代码。方法包括：颜色直方图特征提取（histogram），纹理特征提取（texture）	，形状特征提取（morphology）	，边缘检测特征提取（edges）	，角点检测特征提取（corner）		，尺度空间特征提取（scale-space）		，小波变换特征提取（wavelet）		，梯度特征提取（gradient），傅里叶变换特征提取（fourier），形态学轮廓特征提取（contour）等。

			
		

	



		

			
		



	

		

			

				
					
python：使用Scikit-image对遥感影像进行尺度空间特征提取（scale-space）

				
			

			

				

					养乐多的博客
				

				

					10-28
					
					458
					
				

			

		

		

			
				
尺度空间特征提取是一种处理图像的方法，旨在检测不同尺度下的特征和结构。这对于处理遥感图像非常有用，因为遥感图像通常包含各种尺度的信息，从微观结构到宏观地理特征。为了实现这一目标，我们使用高斯滤波器来模拟不同尺度的模糊效果，并在每个尺度上寻找图像中的关键特征点。

			
		

	





	

		

			

				
					
python：使用Scikit-image库对单波段遥感图像做纹理特征提取（texture）

				
			

			

				

					养乐多的博客
				

				

					06-20
					
					2532
					
				

			

		

		

			
				
养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做纹理特征提取的代码。包括：计算灰度共生矩阵（greycomatrix），计算局部二值模式（LBP）特征，计算方向梯度直方图（HOG）特征，使用Gabor滤波器提取纹理特征，计算图像纹理能量，在不同尺度上计算图像纹理特征，使用局部高斯模型拟合图像，根据灰度共生矩阵计算基于灰度级别的纹理特征，如对比度、相关性、能量等，在不同尺度上计算图像的颜色和纹理直方图，用于描述不同尺度上的纹理和颜色分布。结果如下图所示，

			
		

	





	

		

			

				
					
python：使用Scikit-image库进行单波段遥感图像颜色直方图特征提取（histogram）

				
			

			

				

					养乐多的博客
				

				

					06-20
					
					2004
					
				

			

		

		

			
				
养乐多_本文记录了使用Scikit-image库对单波段遥感图像做颜色直方图特征提取的代码。

			
		

	





	

		

			

				
					
使用Scikit-image库进行遥感图像颜色直方图特征提取

				
			

			

				

					CyberNova的博客
				

				

					09-13
					
					220
					
				

			

		

		

			
				
在遥感图像处理中，颜色直方图是一种常用的特征提取方法，用于描述图像中的颜色分布情况。本文将介绍如何使用Python中的Scikit-image库来进行单波段遥感图像的颜色直方图特征提取。通过以上步骤，我们成功地使用Scikit-image库对单波段遥感图像进行了颜色直方图特征的提取。这些特征可以用于遥感图像分类、目标检测等应用中，帮助我们理解和分析遥感图像中的颜色分布情况。接下来，我们将使用Scikit-image库读取遥感图像并提取颜色直方图特征。运行上述代码后，将得到遥感图像的颜色直方图特征。

			
		

	





	

		

			

				
					
大模型学习基础（五） 强化学习（Reinforcement Learning，RL）初步

				
			

			

				

					qq_56095294的博客
				

				

					12-13
					
					410
					
				

			

		

		

			
				
前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。

			
		

	





	

		

			

				
					
以太联的自愈功能与看门狗机制解析

				
			

			

				

					suzhou_speeder的博客
				

				

					12-15
					
					1164
					
				

			

		

		

			
				
看门狗(Watchdog)是一种硬件或软件实现的定时器机制，其核心功能是监控系统或程序的运行状态，防止程序跑飞或陷入死循环。案例：车载以太网交换机通过硬件看门狗实时监测链路状态，若检测到链路中断(如3ms内未收到心跳包)，立即启用备用路径，确保刹车、转向等关键系统永不掉线。案例：某智能工厂的PLC(可编程逻辑控制器)采用软件看门狗，若主程序因干扰死机，看门狗机制自动重启PLC，恢复生产流程。三者协同工作，实现“设备-交换机-网络”三级自愈，显著提升网络可靠性、降低运维成本，并为企业数字化转型提供坚实基础。

			
		

	





	

		

			

				
					
数据分析Agent白皮书：揭秘Data x AI的底层逻辑与未来关键

				
			

			

				

					LyAGent的博客
				

				

					12-18
					
					609
					
				

			

		

		

			
				
《2025数据分析Agent白皮书》指出，数据分析Agent正成为AI落地的核心形态，实现从"人人分析"到"人人消费"的转变。白皮书系统解析了其技术架构（包括Query/Document/DeepAnalyze三大Agent能力）、行业实践（能源/制造/零售等领域）及落地路径，强调需突破数据准度、分析深度与消费广度三大挑战。未来，数据分析Agent将深度融入业务流程，推动"洞察即行动"的自动化决策模式。该技术有望彻底改变企业数据消费方式，使数据智能

			
		

	





	

		

			

				
					
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战

				
			

			

				

					Lab4AI的博客
				

				

					12-17
					
					570
					
				

			

		

		

			
				
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。

			
		

	





	

		

			

				
					
Transformer架构的原理是什么？

				
			

			

				

					SACKings的博客
				

				

					12-15
					
					727
					
				

			

		

		

			
				
对于“Thinking”这个词，它的输出向量可能包含了90%它自己的信息和10%“Machines”的信息。而对于“Machines”，它的输出可能包含了70%它自己的信息和30%“Thinking”的信息。Transformer 架构的原理是理解现代大模型（如 GPT、BERT、T5 等）的基石。正是因为这些原理上的优势，Transformer才取代了RNN和CNN，成为了当今AI大模型时代的统治性架构。的（打乱输入顺序，输出可能不变），它没有内置的位置概念。Q·K 然后Softmax。

			
		

	





	

		

			

				
					
AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量

				
			

			

				

					itwangyang520的博客
				

				

					12-14
					
					1177
					
				

			

		

		

			
				
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。

			
		

	





	

		

			

				
					
神经网络基础

				
			

			

				

					m0_54291751的博客
				

				

					12-17
					
					612
					
				

			

		

		

			
				
归回问题用的最多的损失函数:    **Smooth L1;**+ 分类问题用的最多的损失函数： ****(也可以用于二分类);```python# 1. 加载csv文件数据集.data = pd.read_csv('data/手机价格预测.csv')# print(data.head())	# 查看前五行数据# data.info()			# 查看数据是否有缺失值# 2. 获取x特征列 和 y标签列.# 3. 把特征列转成浮点型.

			
		

	





	

		

			

				
					
深入NVIDIA Nemotron-3：高效准确的技术、工具与数据深度解析

					
最新发布

				
			

			

				

					专注于人工智能领域的小何尚
				

				

					12-18
					
					745
					
				

			

		

		

			
				
摘要：NVIDIA Nemotron-3技术解析 NVIDIA Nemotron-3系列模型为构建专业AI智能体提供了突破性解决方案。该系列采用创新的混合Mamba-Transformer MoE架构，结合状态空间模型(Mamba)的长序列处理能力、Transformer的精确推理和MoE的高效计算，支持高达100万token的上下文处理。模型通过NeMo Gym多环境强化学习框架训练，使智能体掌握复杂任务执行能力。技术亮点包括：1)混合架构实现超长上下文推理；2)开源RL训练环境支持智能体开发；3)原生支

			
		

	





	

		

			

				
					
nl2sql技术实现自动sql生成之Spring AI Alibaba Nl2sql

				
			

			

				

					疾风sxp的博客
				

				

					12-15
					
					966
					
				

			

		

		

			
				
上一节我们在介绍了自然语言转sql的基本思路，今天我们通过实操来解决这一技术实现，通过Spring AI Alibaba开源的nl2sql框架进行这块技术的讲解。

			
		

	





	

		

			

				
					
开发跨行业技能迁移匹配工具，输入现有技能+目标行业，AI分析可迁移能力，推荐适配岗位+补全学习路径，助力职场转型。

				
			

			

				

					2301_82202864的博客
				

				

					12-16
					
					518
					
				

			

		

		

			
				
/ 每项可迁移技能+5分。`).join('') : '<div class="result-item">无缺失核心技能，可直接尝试转型！coreSkills: ['项目规划', '风险管控', '资源协调', '敏捷开发', ' stakeholder管理'],coreSkills: ['用户画像', '交互设计', '可用性测试', 'Figma/Sketch', '设计思维'],coreSkills: ['SQL', 'Excel高级函数', '数据可视化', '统计分析', '业务理解'],

			
		

	





	

		

			

				
					
基于偏最小二乘算法（PLS）的多输出数据回归预测

				
			

			

				

					2508_94230129的博客
				

				

					12-14
					
					315
					
				

			

		

		

			
				
PLS算法可以理解为是主成分分析（PCA）和多元线性回归（MLR）的结合体。它能够在处理自变量存在多重共线性的情况下，有效地进行回归建模。在多输出数据回归场景中，PLS可以同时对多个因变量进行建模预测，挖掘自变量和多个因变量之间的潜在关系。通过以上Matlab代码，我们完成了基于PLS算法的多输出数据回归预测的基本流程，从数据准备、建模到预测。PLS算法在处理多变量、多重共线性的数据时有着独特的优势，希望大家在实际项目中可以尝试应用它，挖掘数据背后的潜在规律。

			
		

	





	

		

			

				
					
如何在Scikit - Image中实现图像特征提取？

				
			

			

				

					11-20
				

			

		

		

			
				
Scikit - Image库提供了多种图像特征提取的方法，具体如下：
1. **颜色直方图特征提取（histogram）**：用于描述图像中的颜色分布情况，常用于遥感图像处理中对单波段遥感图像的特征提取 [^4]。
```python
from skimage import io
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = io.imread('your_image.jpg', as_gray=True)

# 计算颜色直方图
hist, bins = np.histogram(image.ravel(), bins=256, range=[0, 256])

# 显示直方图
plt.plot(hist)
plt.show()
```
2. **纹理特征提取（texture）**：可以帮助分析图像表面的纹理信息。
```python
from skimage.feature import greycomatrix, greycoprops
from skimage import data
import numpy as np

# 读取图像
image = data.camera()

# 计算灰度共生矩阵
glcm = greycomatrix(image, distances=[5], angles=[0], levels=256, symmetric=True, normed=True)

# 计算对比度
contrast = greycoprops(glcm, 'contrast')
print(contrast)
```
3. **形状特征提取（morphology）**：用于分析图像中物体的形状。
```python
from skimage import data, morphology
import matplotlib.pyplot as plt

# 读取图像
image = data.camera()

# 进行开运算
opened = morphology.opening(image, morphology.disk(5))

# 显示结果
plt.imshow(opened, cmap='gray')
plt.show()
```
4. **边缘检测特征提取（edges）**：可以找出图像中的边缘信息。
```python
from skimage import feature, data
import matplotlib.pyplot as plt

# 读取图像
image = data.camera()

# 进行Canny边缘检测
edges = feature.canny(image)

# 显示结果
plt.imshow(edges, cmap='gray')
plt.show()
```
5. **角点检测特征提取（corner）**：能够找到图像中的显著特征点，对于遥感图像分析和应用非常有用 [^3]。
```python
from skimage.feature import corner_harris, corner_peaks
from skimage import data
import matplotlib.pyplot as plt

# 读取图像
image = data.camera()

# 进行Harris角点检测
corners = corner_harris(image)
coords = corner_peaks(corners)

# 显示结果
plt.imshow(image, cmap='gray')
plt.plot(coords[:, 1], coords[:, 0], 'ro', markersize=3)
plt.show()
```
6. **尺度空间特征提取（scale - space）**：在不同尺度下分析图像特征。
7. **小波变换特征提取（wavelet）**：可用于图像的多分辨率分析。
8. **梯度特征提取（gradient）**：分析图像的梯度信息。
9. **傅里叶变换特征提取（fourier）**：将图像从空间域转换到频域进行分析。
10. **形态学轮廓特征提取（contour）**：提取图像中物体的轮廓信息。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      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