晓亮.-优快云博客

原创 10 C++中的循环控制语句（break 语句、continue 语句和goto 语句）

循环控制语句在C++中用于控制循环的执行流程，包括：break语句：用于终止当前循环语句的执行，并跳出循环语句体外。通常用于满足特定条件时结束循环。continue语句：用于跳过当前循环中的某些语句，继续执行下一次循环。通常用于特殊情况下，需要跳过某些循环迭代的情况。goto语句：与其他两种循环控制语句不同，goto语句可以直接跳转到程序中的任意一条语句进行执行。不过，使用goto语句可能会让程序难以阅读、理解和调试，因此应该尽量避免使用，除非在特殊情况时需要使用。下面我们来逐个学习。

2023-12-05 11:00:00 2164 1

原创 09 C++ 中的循环（while循环、do-while循环、for循环及嵌套循环）

C++中的循环指的是重复执行一段程序代码的结构。循环语句可以让程序重复执行某一段代码，直到满足某一条件，或者达到某一次数的执行次数。常见的循环语句有while循环、do-while循环和for循环。循环语句是C++语言中基本的控制结构之一，可以帮助程序员编写高效、简洁的程序。下面让我们来逐个学习。一、下面是使用C++ 中的循环注意事项总结：循环条件的控制：循环条件必须在循环内部得到更新和控制，否则将可能出现无限循环的情况。循环范围的控制：循环体内的代码必须正确、清晰地控制循环范围。

2023-12-04 11:04:31 2776

原创 08 C++中的运算符

运算符是用于执行操作的符号或关键字。在编程中，运算符用于执行各种数学和逻辑操作。c++中的运算符也是这样的，通过使用运算符，可以轻松地执行各种操作，从而完成任务。运算符是编程中非常重要的一部分，几乎在每个程序中都有使用。一、C++中常见的运算符有哪些？1.算术运算符：+（加）、-（减）、*（乘）、/（除）、%（取模）2.关系运算符：==（等于）、!=（不等于）、>（大于）、=（大于等于）、

2023-11-30 12:45:55 613

原创 07 C++中的常量及其定义

C++中的常量是不变的值，它们在程序运行期间不能被修改。常量可以是字面值（literal），也可以是通过定义常量来创建的符号常量。字面值常量可以是整型常量、浮点型常量、字符常量、布尔型常量和空指针常量。一、字面值常量整型常量：整型常量是指值为整数的常量，例如1、2、3等。整型常量可以有不同的表示方式，如十进制、八进制、十六进制等。浮点型常量：浮点型常量是指值为浮点数的常量，例如1.0、2.5、3.14159等。浮点型常量可以用科学计数法表示，如1.23E-4。字符常量：字符常量是指值为字符。

2023-11-29 11:35:31 1157

原创 06 C++中变量的作用域

C++中变量的作用域指的是变量可以被访问的范围，即变量在程序中存在的有效范围。不同作用域的变量具有不同的可见性和生命周期。在C++中，变量可以声明在不同的作用域，包括全局作用域、函数作用域和代码块作用域，也是全局变量、形式参数和局部变量。下面让我们来一起了解一下。一、在C++中，变量可以声明在不同的作用域，包括全局作用域、函数作用域和代码块作用域。

2023-11-28 11:26:40 138

原创 05 在C++中，什么是变量？变量有哪些类型？

变量是一个可以存储数据值的容器。在C++中，每个变量都有一个数据类型，该类型决定了变量可以存储的数据类型和范围。在C++中，变量是一个可命名的内存空间。变量可以存储不同类型的数据，并且可以在程序的不同部分使用。每个变量都有唯一的标识符，称为变量名。它可以在程序中使用，以表示存储在内存中的值或对象。变量的数据类型必须在声明时指定，以便编译器知道为该变量分配多少内存，并在必要时进行类型转换。变量在程序运行期间可以被修改，其值可以被读取并用于执行计算。

2023-11-27 11:33:00 1348

原创 04 C++中的四种强制类型转换

隐式类型转换是编译器自动隐式进行的，需要在代码中体现，而显示类型转换由程序员明确指定。C++支持C风格的强制转换，但是C风格的强制转换可能带来一些隐患，让一些问题难以发现。const_cast下面对这四种转换操作的适用场景分别进行说明。类型转换是将一个数据类型的值转换为另一种数据类型的值。C++ 中有四种类型转换：静态转换、动态转换）、常量转换和重新解释转换。综上，在使用强制类型转换时，需要首先考虑清楚使用目的：static_cast：基本类型转换，低风险；

2023-11-26 10:00:04 312

原创 03 七种基本的 C++ 数据类型以及枚举类型

C++中的数据类型指的是变量或常量能够存储的数据类型。它在c++中有很重要的作用，比如：帮助编译器分配内存空间：不同的数据类型需要不同的内存空间来存储数据，因此定义变量时需要指定数据类型，以便编译器为变量分配适当的内存空间。指定变量的范围：不同的数据类型有不同的范围，数据类型的选择决定了变量所能存储的数值范围。指定变量的默认值：不同的数据类型有不同的默认值，数据类型的选择决定了变量未初始化情况下的默认值。下面，我们一起来学习一下C++中的基本数据类型。一、7种基本数据类型。

2023-11-25 11:42:54 726

原创 02 如何快速读懂一个C++程序

C++ 是一种高级编程语言，它具有丰富的特性，用于开发各种类型的应用程序。下面我们就来熟悉一下c++的基本知识，这可以帮助我们快速了解C++。一、以上就是今天要讲的内容，本文仅仅简单介绍了如何去读懂一个简单的c++程序，也讲解了一下c++的基本知识，后面需要学习的东西还有很多噢！

2023-11-24 11:33:05 1115

原创 01 第一个C++程序：Hello, World!

这是c++入门的第一个程序。一、配置c++环境我们要使用visual studio创建一个新的项目时，需要安装c++, 这里我没有安装c++，所以我们先去安装c++.进入安装页面，选择的桌面开发，然后点击修改即可等待安装完成。这节课很简单，大家可以对照操作一下。

2023-11-23 11:32:34 201

原创【CNN】深度卷积神经网络（AlexNet）是什么？如何实现AlexNet？

本文主要是介绍卷积神经网络中的深度卷积神经网络（AlexNet），它包含对深度卷积神经网络（AlexNet）一个简单的介绍，以及如何实现LeNet？读完这篇文章，你会对卷积神经网络（LeNet）有个基本的了解。

2023-05-14 11:00:00 7140

原创【CNN】卷积神经网络（LeNet）是什么？如何实现LeNet？

本文主要是介绍卷积神经网络中的一个最基本的模型：卷积神经网络（LeNet），包含对卷积神经网络（LeNet）一个简单的介绍，以及如何实现LeNet？读完这篇文章，你会对卷积神经网络（LeNet）有个基本的了解。

2023-05-13 15:06:43 6206

原创【主色提取】HSV 颜色空间与 RGB 颜色空间互相转化的公式和代码

RGB颜色使用的最多，分别为红色(R)，绿色(G)和蓝色(B)。HSV颜色中的H( hue) 表示色调，由颜色名称来辨别，如红、橙、绿，它用角度度量，从-180° 到 180°，或从 0°到 360°; S( saturation) 表示色度或饱和度，指颜色的深浅，例如同样是红色，也会因浓度不同分为深红和浅红，S 用百分比来度量，从 0% 到完全饱和的 100% ; V( value) 表示亮度，指颜色的明暗程度，通常用百分比来度量，从黑 0% 到白100% 。

2023-01-12 17:00:00 6392

原创【Python】如何使用python将一个py文件变成一个软件？

本文重点说如何将py文件转化为exe文件，也就是windows电脑可以打开的文件，实现起来还是非常简单的。主要使用到了PyInstaller这个第三方库，它能够在Windows、Linux、 Mac OS X 等操作系统下将 Python 源文件打包，通过对源文件打包， Python 程序可以在没有安装 Python 的环境中运行，也可以作为一个独立文件方便传递和管理，非常的nice哦。

2023-01-10 19:46:18 16456 7

原创【主色提取】模糊C均值(FCM )聚类算法和彩色图像快速模糊C均值( CIQFCM )聚类算法

主色提取技术在伪装设计、伪装评估、图像分割、图像混合、图像检索、遥感图像分析、医学图像分析等领域有着广泛的应用。由Dunn 于1973年提出的FCM聚类算法由于其较高的聚类精度和相对广泛的适用性，而CIQFCM 就是 FCM 算法的改进。

2022-12-08 17:58:18 1655

原创【伪标签】半监督学习——如何将无标签数据与有标签数据放一起训练？

最近遇到一个问题，模型训练样本的数量太少了，然后有一个思路就是将一些有标签数据和无标签数据放一起训练模型，以此来提高模型的性能。查找了一些资料，本文就从理论上来阐述一下这样做的原理。

2022-09-22 22:25:03 1787

原创【TensorFlow】TensorFlow中的三种计算图

在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图。而在TensorFlow2.0时代，采用的是动态计算图，即每使用一个算子后，该算子会被动态加入到隐含的默认计算图中立即执行得到结果，而无需开启Session。

2022-09-15 09:30:57 1833

原创【TensorFlow】带你搞懂 TensorFlow 中的张量数据结构

Tensorflow的基本数据结构是张量Tensor。张量即多维数组。Tensorflow的张量和numpy中的array很类似。从行为特性来看，有两种类型的张量，常量constant和变量Variable.常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。

2022-09-10 08:00:00 690

原创【TensorFlow】环境配置-----TensorFlow 安装与配置

目前，Windows、Linux和MacOS 均已支持Tensorflow。本文将以Windows系统的安装为例。在安装Tensorflow前，我们要先安装Anaconda，因为它集成了很多Python的第三方库及其依赖项，方便我们在编程中直接调用。话不多说，下面我们一起来看看如何进行环境配置吧！

2022-09-09 13:50:23 6297

原创解决 AttributeError: module ‘keras.optimizers‘ has no attribute ‘RMSprop‘ 和‘Adam‘ 报错问题

解决 AttributeError: module 'keras.optimizers' has no attribute 'RMSprop' 和 AttributeError: module 'keras.optimizers' has no attribute 'Adam' 报错问题

2022-09-06 07:00:00 8371 4

原创 AttributeError: ‘Sequential‘ object has no attribute ‘predict_classes‘ 解决方法

今天使用 Tensorflow 2.6 训练了一个模型，在使用predict_classes(x_test[0:10]) 预测类别的时候报错：AttributeError: 'Sequential' object has no attribute 'predict_classes

2022-09-05 19:26:50 5385

原创【机器学习】算法改进——小批量和软更新

当构建好了强化学习的算法，我们还可以对算法进行一些改进，本文主要讲了两个改进。一个是小批量另一个是软更新。使用小批量，它可以加速强化学习算法，而且也适用于监督学习，加速监督学习算法；软更新，它可以帮助强化学习算法更好地收敛。

2022-09-02 14:24:38 3356 1

原创【机器学习】强化学习算法的优化

我们通过之前的学习知道了所谓的强化学习，关键就是学习到Q函数，也就是状态动作函数，然后使用它来选择好的行动。为了求得Q函数，我们-使用了深度学习和神经网络来训练模型学习Q函数。本文所讲的对于强化学习的优化，一是对改进神经网络框架；二是使用 ε-贪婪策略来改进算法。...

2022-08-28 20:23:16 3462

原创【机器学习】什么是连续状态空间？如何构建一个强化学习的算法以及构建强化学习算法中的一些问题

以上就是今天要讲的内容，本文主要讲解了如何去构建一个强化学习算法以及构建算法中存在的问题及如何去解决。首先介绍了什么是连续状态空间，这是构建强化学习算法必须理解的，然后介绍了构建一个强化学习算法的框架，重点就是找到策略Pi。随后提到了学习状态值函数的完整算法。

2022-08-21 11:04:14 3816

原创【机器学习】什么是随机马尔科夫决策过程？

马尔可夫决策过程是基于马尔可夫过程理论的随机动态系统的最优决策过程。马尔可夫决策过程是序贯决策的主要研究领域。它是马尔可夫过程与确定性的动态规划相结合的产物，故又称马尔可夫型随机动态规划，属于运筹学中数学规划的一个分支。...

2022-08-18 14:54:01 782

原创【机器学习】带你轻松理解什么是强化学习中的贝尔曼方程

我们得到的总回报，在强化学习问题中有两个部分，第一部分是我们马上得到的奖励，然后第二部分是gamma γ 乘以我们从下一个状态开始获得的回报 Q(s',a')。这两部分组合在一起，即得到总回报，这就是贝尔曼方程的本质。...

2022-08-17 19:40:20 3990 2

原创【机器学习】带你轻松理解什么是强化学习中的状态动作函数？

强化学习中的状态动作函数Q(s,a)是一个非常重要的概念，再后面的贝尔曼方程中有所应用。本文主要来阐述一下什么是状态动作函数Q。

2022-08-16 20:21:51 1971

原创【机器学习】强化学习的概念及马尔科夫决策

强化学习算法的关键思想不是告诉算法每个输入x 的正常输出y 是什么，而是给它指定一个奖励函数，告诉它上面时候做的好，上面时候做的不好。算法的工作是自动找出如何选择好的动作。强化学习的目标是给定一个马尔科夫决策过程，寻找最优策略，策略就是状态到动作的映射，使得最终的累计回报最大。...

2022-08-13 15:35:42 2150

原创【机器学习】无监督学习中的基于内容过滤算法

基于内容过滤算法的使用比协同过滤算法使用的更频繁，多用于推荐系统中，基于内容过滤算法用到了神经网络，其中检索步骤和排名步骤两个步骤非常重要。检索物品组成列表，然后使用算法进行排名，最后再推荐给用户。...

2022-08-12 15:49:27 993

原创【机器学习】使用tensorflow 实现协同过滤算法

本文主要讲解如何使用tensorflow 来实现协同过滤算法，以及如何使用均值归一化来优化协同过滤算法和寻找相关特征。

2022-08-11 15:49:30 1255

原创【机器学习】无监督学习中的协同过滤算法（推荐系统）

在无监督学习中，协同过滤算法使用的还是很多的，比如我们常见的逛淘宝时，系统可以根据我们的浏览内容或者搜索词等给我们推荐商品、抖音每天推荐的短视频等。这些都是运用了无监督学习中的协同过滤算法。......

2022-08-08 16:44:20 1903

原创【Matplotlib】matplotlib库中 pyplot.scatter() 的使用

pyplot.scatter() 函数就是用来绘制散点图的。本文首先介绍了sctter()函数的各个参数，然后使用代码说明了几个常用参数的使用。

2022-08-08 07:00:00 6079

原创【Numpy】numpy.mean() 的用法

numpy.mean() 函数，顾名思义就是计算平均值的，不过它可以沿指定轴计算算术平均值。返回数组元素的平均值。

2022-08-06 20:18:52 16003

原创【Numpy】np.linalg.norm() 的用法（求范数）

linalg=linear+algebra ，也就是线性代数的意思，是numpy 库中进行线性代数运算方面的函数。使用 np.linalg 这个模块，可以计算范数、逆矩阵、求特征值、解线性方程组以及求解行列式等。本文要讲的 np.linalg.norm() ，就是计算范数的意思，norm 则表示范数。...

2022-08-06 19:52:35 21087

原创【机器学习】无监督学习中的异常检测算法及其原理

本文主要讲解了一个比较常用的无监督学习算法异常检测算法。首先介绍了什么是异常检测；使用高斯分布去处理误差；然后讲解了异常检测的算法以及如何去评估我们建立的异常检测模型的好坏。后面将异常检测和监督学习进行对比，说明了何时使用监督学习何时使用异常检测。最后说了一下异常检测应该使用什么样的特征，以及如何去改变特征等。...

2022-08-03 09:49:33 9199 1

原创【机器学习】聚类算法中的 K-means 算法及其原理

聚类（ clustering ）是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组为由彼此类似的对象组成的多个类的分析过程。K-means 算法是就是比较经典的聚类算法，使用较多，本文主要讲解了什么是K-means 算法，及其原理。......

2022-08-02 14:00:00 7010

原创【Matplotlib】plt.figure()、plt.subplot() 、plt.subplots() 、plt.xticks() 、plt.xlim()和 plt.grid() 六个函数的使用

Matplotlib是Python中的一个库，它是数字的-NumPy库的数学扩展。本文注意讲解了其中的 plt.figure()、plt.subplot()、plt.subplots()、plt.xticks()、plt.xlim()和plt.grid()六个函数的使用。

2022-08-01 19:26:31 34755

原创【机器学习】什么是决策树模型？如何去构建决策树？何时使用决策树？何时使用神经网络？

本文从决策树出发，第一部分讲解了什么是决策树模型，了解了一些决策树的基本概念；第二部分提到了如何确定在决策树节点使用什么特征，其中介绍了熵的概念、什么是信息增益，以及如何使用信息增益去构建决策树；第三部分讲到了独热编码，以及在决策树中的应用；第四部分讲了如何使用决策树解决回归问题；第五部分介绍了如何使用多个决策树，其中提到了有放回抽样、随机森林算法、xgboost算法；第六部分重点讲了什么时候去使用决策树，讲决策树与神经网络做了个比较。...

2022-07-24 11:02:55 8629 3

原创【机器学习】什么是学习曲率？如何解决模型中方差和偏差问题？什么是迁移学习？什么是模型的精确率和召回率？

本文主要讲解了如何构建机器学习系统，首先说明了说明是学习速率，接着讲解了解决神经网络模型中的方差和偏差问题，简单说了机器学习开发的迭代循环，如何去进行误差分析等。重点阐述了什么是迁移学习和神经网络模型中精确率和召回率问题，以及机器学习项目的完整周期。...

2022-07-19 07:30:00 923

原创【机器学习】如何去评价一个神经网络模型的好坏？什么是交叉验证数据集？偏差和高差对模型的影响？

本文主要讲了如何去评估一个模型的性能，可以使用交叉验证数据集的训练方法，通过偏差和方差对模型进行诊断等，通过这些，我们可以对模型进行选择。后面还讲到了正则化对偏差和方差的影响以及如何去制定一个用于性能评估的基准去评价模型性能。......

2022-07-18 19:42:40 5493

图像分类数据集（Fashion-MNIST）

Fashion-MNIST是一个经典的图像分类数据集，由Zalando Research创建。该数据集包含了10个类别的灰度图像，每个类别有6000个训练样本和1000个测试样本，共计70000张图像。这些图像展示了各种服装物品，包括T恤、裤子、套头衫、连衣裙、运动鞋、高跟鞋、外套、踝靴、背包和手提包。 Fashion-MNIST数据集是作为MNIST数据集的替代品而创建的，因为在MNIST数据集被广泛使用后，人们逐渐发现需要更具挑战性的图像数据集来评估新的算法和模型。Fashion-MNIST数据集的成为了一个流行的基准数据集，用于测试图像分类算法的效果。 ------超过70,000张图像可以提供更多的训练和测试数据，以及更好的泛化能力。 ------每个图像的大小为28x28像素，使得训练和测试速度更快，同时也降低了模型过拟合的风险。 ------数据集包含多种类别的衣物图像，可用于训练多分类模型。

2023-04-21

遥感资料（六）+新型遥感技术及应用+机载LiDAR技术、点云数据处理、雷达影像干涉测量

这次分享的资源是关于机载LiDAR技术和雷达影像干涉测量的，包含了三个内容，分别是机载LiDAR技术、点云数据处理和雷达影像干涉测量。它们有以下特点：机载LiDAR技术是指利用机载激光雷达系统，通过发射和接收激光脉冲，测量地物的距离和反射率，从而获取地物的三维信息。它可以提供高精度、高密度、高分辨率的点云数据，适用于各种地形和地物的测绘。点云数据处理是指对机载LiDAR技术获取的点云数据进行预处理、分类、滤波、配准、重建等操作，以提取地物的几何和属性信息。它可以利用不同的算法和软件，实现点云数据的质量控制和信息提取。雷达影像干涉测量是指利用两幅或多幅具有一定空间基线的雷达影像，通过干涉原理，计算地物的相位差和高程差，从而获取地物的形变和高程信息。它可以提供高精度、高灵敏度、大范围的形变和高程数据，适用于地震、滑坡、沉降等灾害监测。

2023-04-20

遥感资料（五）+高分辨率卫星遥感应用+高分辨率卫星遥感技术应用趋势、城市规划、基础数据更新、地震灾害救援和重建

这次分享的资源是关于高分辨率卫星遥感技术的应用，包含了四个内容，分别是高分辨率卫星遥感技术应用趋势、高分辨率遥感技术用于城市规划、高分辨率遥感技术用于地震灾害救援和重建和高分辨率遥感技术用于基础数据更新。它们有以下特点：高分辨率卫星遥感技术应用趋势介绍了高分辨率卫星遥感技术的发展历程和现状，以及未来的发展方向和挑战。它可以帮助读者了解高分辨率卫星遥感技术的概念和特点，以及其在各个领域的应用前景。高分辨率遥感技术用于城市规划介绍了高分辨率遥感技术在城市规划中的作用和价值，以及具体的应用案例和方法。高分辨率遥感技术用于地震灾害救援和重建介绍了高分辨率遥感技术在地震灾害救援和重建中的作用和价值，以及具体的应用案例和方法。它可以帮助读者了解如何利用高分辨率遥感技术获取地震灾区的实时情况和损失评估，以及如何进行灾后恢复和重建的规划和监测。高分辨率遥感技术用于基础数据更新介绍了高分辨率遥感技术在基础数据更新中的作用和价值，以及具体的应用案例和方法。

2023-04-20

遥感资料（四）+遥感图像解译+目视解译、传统计算机解译方法、决策树分类、面向对象分类、神经网络分类、卷积神经网络分类法

这次的资源是关于遥感图像解译的，包含了六个内容，分别是目视解译、传统计算机解译方法、决策树分类、面向对象分类、神经网络分类和卷积神经网络分类法。它们有以下特点：目视解译是指利用人的视觉和认知能力，通过观察遥感图像的形状、大小、颜色、纹理、位置等特征，判断图像上的地物类型和属性。它是最早和最基本的遥感图像解译方法，但也受到人为因素和主观性的影响。传统计算机解译方法是指利用计算机对遥感图像进行自动或半自动的处理和分析，通过设置阈值或规则，将图像分割成不同的区域或类别。决策树分类是指利用一系列的判断条件，将遥感图像中的每个像元按照一定的顺序和逻辑分配到不同的类别中。面向对象分类是指将遥感图像分割成具有相似特征和意义的对象，然后对每个对象进行分类。它可以充分利用图像中的空间信息和语义信息，但也需要合理的分割方法和分类标准。神经网络分类是指利用人工神经网络模拟人脑的学习和记忆能力，通过训练样本来调整网络参数，实现对遥感图像的分类。卷积神经网络分类法是指利用卷积神经网络提取遥感图像中的特征，并通过全连接层或其他层来实现分类。它可以自动学习图像中的高层次特征，并具有强大的泛化能力。

2023-04-20

遥感资料（三）+遥感图像融合+遥感数据融合方法、遥感与非遥感数融合方法、融合质量评估

这次的资源是关于遥感图像融合的，包含了四个内容，分别是影像融合概述、遥感数据融合方法、遥感与非遥感数据融合方法和融合质量评估。它们有以下特点：影像融合概述介绍了什么是影像融合，为什么要进行影像融合，以及影像融合的基本原理和分类。它可以帮助读者了解影像融合的基本概念和目的。遥感数据融合方法介绍了常用的遥感数据融合方法，包括空间域、变换域和特征域等方法。它可以帮助读者了解不同的数据融合方法的原理和优缺点。遥感与非遥感数据融合方法介绍了如何将遥感数据与其他类型的数据（如GIS数据、DEM数据等）进行有效的融合，以提高信息的完整性和精度。它可以帮助读者了解多源数据融合的技术和应用。融合质量评估介绍了如何对影像融合的结果进行客观和主观的评价，以判断影像融合是否达到预期的效果。它可以帮助读者了解影像融合的评价指标和方法。

2023-04-20

遥感资料（二）+遥感图像增强+点运算、空间域滤波、频率域滤波、彩色增强和简单代数运算

这次的资源是关于遥感图像增强的，包含了五个内容，分别是点运算、空间域滤波、频率域滤波、彩色增强和简单代数运算。它们有以下特点：点运算是指对影像中每个像元的灰度值进行单独的变换，如直方图均衡化、灰度拉伸等，可以改善影像的对比度和亮度。空间域滤波是指对影像中每个像元及其周围一定范围内的像元的灰度值进行综合的变换，如图像平滑、图像锐化等，可以消除或减弱影像中的噪声、条纹等干扰因素，也可以突出或增强影像中的边缘、细节等特征。频率域滤波是指将影像从空间域转换到频率域，对影像中不同频率成分进行处理，然后再转换回空间域。频率域滤波可以有效地消除或减弱影像中的噪声、条纹等干扰因素，也可以根据不同目的选择性地保留或抑制影像中的高频或低频成分。彩色增强是指利用影像中不同波段之间的光谱信息进行处理，突出或提取某些特定的地物或现象。彩色增强包括波段组合、波段比值、波段运算、光谱特征变换等。彩色增强可以显示不同地物的光谱特征，消除大气、地形等因素的影响。简单代数运算是指对单个或多个波段的影像进行加减乘除等基本数学运算，得到一个新的影像，以实现某些特定目的。

2023-04-20

程序员简历模板+Java+本科毕业生

这次的资源是关于程序员简历模板，包含了Java程序员简历模板3个，计算机本科毕业生求职简历模板1个，软件测试岗位求职简历模板1个。下面我提几点写建立是要注意的事项，希望对大家有所帮助。 1简历模板要简洁美观，字体和样式要统一，避免过多的花哨和华丽1。可以选择使用Word版、在线版、Markdown版或LaTeX版等格式，根据个人喜好和投递渠道选择合适的方式。 2简历内容要突出重点，针对不同的职位和公司进行定制，突出自己的优势和亮点，避免使用通用的模板或者复制粘贴别人的内容。简历内容要真实可信，不要夸大或虚假自己的技能和经验，尽量提供量化的数据和证明，如项目链接、代码仓库、获奖证书等。 3简历内容要清晰有序，按照基本信息、教育背景、工作经验、项目经历、技能特长、自我评价等模块进行组织，每个模块要突出关键词和核心信息，使用列表、表格等方式进行排版。 4简历内容要精简适度，一般不超过两页A4纸，尽量避免冗余和无关的信息，如照片、家庭情况、兴趣爱好等。对于工作经验和项目经历，要突出自己的角色和贡献，使用STAR法则（Situation、Task、Action、Result）进行描述。

2023-04-20

遥感资料（一）+影像校正+辐射误差、几何误差+学习了解

遥感图像校正是指对遥感影像进行预处理，消除各种因素引起的辐射误差和几何畸变，使影像能够真实地反映地物的光谱特征和空间位置。遥感图像校正主要包括辐射校正和几何校正两个方面。辐射校正是指将影像的原始灰度值（DN值）转换为大气层顶或地表的反射率或辐亮度，消除传感器本身、大气、太阳高度角、地形等因素对辐射传输的影响。辐射校正的方法有辐射定标、大气校正、地形校正等。几何校正是指利用地面控制点或其他参考影像，建立影像与地图或其他影像之间的几何变换关系，通过空间插值和亮度插值，将影像上的像元映射到正确的平面坐标位置。几何校正的方法有从影像到地图的校正、从影像到影像的配准、正射校正等。遥感影像的镶嵌是指将多幅具有相同或不同分辨率、不同时间、不同传感器获取的遥感影像拼接成一幅完整的影像，消除重叠区域和缝隙，提高影像的连续性和完整性。遥感影像的镶嵌需要先进行几何校正，然后进行色彩平衡、边界融合等处理。遥感图像校正是遥感数据处理和应用的重要基础，它可以提高遥感数据的质量和精度，为后续的信息提取和分析提供可靠的数据源。

2023-04-20

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人