Python遥感图像处理应用篇039 GDAL遥感图像角点检测(Harris、Shi-Tomasi、FAST、SIFT、SURF、ORB、MinEngen、Brisk)更新中……

Harris角点检测——python实现 文章目录1.实验原理1.1什么是角点1.2数学表达2.实验代码3.实验结果及分析3.1边缘多的场景3.2角点丰富的场景3.3纹理平坦的场景 1.实验原理 1.1什么是角点 角点就是极值点,即在某方面属性特别突出的点,是在某些属性上强度最大或者最小的孤立点、线段的终点。而对于图像而言,如图所示红点部分,即为图像的角点,其是物体轮廓线的连接点。 因此,在角点时,窗口向任意方向的移动都导致图像灰度的明显... 阅读详情

1.角点检测方法

遥感图像角点检测是一种用于识别图像中角点(也称为兴趣点)的方法,角点通常代表着图像中的显著特征点。以下是一些常用的遥感图像角点检测方法:

  1. Harris 角点检测算法:Harris 算法通过计算图像中每个像素的灰度变化量,并结合局部邻域的自相关矩阵,来判断该点是否为角点。

  2. Shi-Tomasi 角点检测算法:Shi-Tomasi 算法是对 Harris 算法的改进,它选取图像中最显著的角点,通过设置角点响应函数的阈值。

  3. FAST(Features from Accelerated Segment Test)角点检测算法:FAST 角点检测算法是一种基于像素强度的高速角点检测方法,通过利用圆周上像素的灰度变化快速确定角点。

  4. SIFT(Scale-Invariant Feature Transform)角点检测算法:SIFT 是一种局部特征描述符,其中包含了角点检测步骤,它可以在不同尺度和旋转下对角点进行检测。

  5. SURF(Speeded-Up Robust Features)角点检测算法:SURF 是一种快速且具有尺度不变性的图像特征描述符,其中包含了用于角点检测的步骤。

  6. ORB(Oriented FAST and Rotated BRIEF)角点检测算法:ORB 是一种基于 FAST 角点检测器和 BRIEF 描述符的算法,用于检测和描述图像中的角点。

  7. MinEigen (角点检测器):全称为 "Minimum Eigenvalue" 角点检测器。

    MinEigen 角点检测器是一种基于像素灰度值的方法,它使用了图像中的 Hessian 矩阵来检测角点。Hessian 矩阵描述了图像的局部结构信息,而最小特征值代表了灰度变化最明显的方向。MinEigen 角点检测器的工作原理如下:(1)对于图像中的每个像素点,构建一个局部窗口(通常是一个固定大小的正方形或圆)。(2)在窗口内计算 Hessian 矩阵。(3)计算 Hessian 矩阵的特征值,其中最小特征值表示该像素点的角点响应强度。(4)根据设定的阈值或其他规则来确定是否将该点标识为角点。(5)MinEigen 角点检测器相对于一些其他方法具有较好的响应速度,在计算上较为高效。它在许多计算机视觉应用中被广泛使用,如目标跟踪、图像拼接和三维重建等。

  8. BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中,提出来的一种特征提取算法,也是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性,较好的鲁棒性。在图像配准应用中,速度比较:SIFT>SURF>BRISK>FREAK>ORB,在对有较大模糊的图像配准时,BRISK算法在其中表现最为出色。

这些方法在遥感图像处理中常被广泛应用,可以用于目标检测、图像匹配、图像拼接等任务。根据实际需求和图像特征,选择适合的角点检测方法进行处理。不同的角点检测方法有各自的优缺点和适用条件,在实际应用中需要根据具体情况进行选择和调整参数

2.python实现代码及效果展示

2.1 Harris角点检测

代码函数:

get_img_Harris(inputimgfile,k=0.04,window_size=3,IsAllBands=True,band_num=1)

参数:k=0.04,window_size = 3,IsAllBands=False,band_num=1

IsAllBands=False,只计算band_num波段

IsAllBands=True,计算所有波段。

from osgeo import gdal
import numpy as np
from scipy.ndimage import convolve

#定义角点计算函
def get_Harris(image,k,window_size):
    # 运行 Harris 角点检测算法
    # 计算图像的梯度
    dx = np.gradient(image, axis=1)
    dy = np.gradient(image, axis=0)

    # 计算角点响应函数
    Ix2 = dx ** 2
    Iy2 = dy ** 2
    Ixy = dx * dy
    Sx2 = convolve(Ix2, np.ones((window_size, window_size)))
    Sy2 = convolve(Iy2, np.ones((window_size, window_size)))
    Sxy = convolve(Ixy, np.ones((window_size, window_size)))
    det = Sx2 * Sy2 - Sxy ** 2
    trace = Sx2 + Sy2
    response = det - k * trace ** 2

    # 阈值化角点响应函数
    threshold = 0.01 * np.max(response)
    corner_map = np.zeros_like(image)
    corner_map[response > threshold] = 255
    return  corner_map
#k是角点响应参数
def get_img_Harris(inputimgfile,k=0.04,window_size = 3,IsAllBands=False,band_num=1):
    gdal.UseExceptions()
    # 读取影像数据
    dataset = gdal.Open(inputimgfile)
    band_nums=dataset.RasterCount  #波段数
    cols = dataset.RasterXSize
    rows = dataset.RasterYSize

    if IsAllBands==False:  #只计算指定第band_num波段的结果
        band = dataset.GetRasterBand(band_num)
        # 将波段数据加载到一个 NumPy 数组中
        image = band.ReadAsArray()
        corner_map = get_Harris(image, k, window_size)

        # 将结果保存为影像文件
        driver = gdal.GetDriverByName('GTiff')
        outimgfile = inputimgfile.replace('.tif', '_Harris_Band'+str(band_num)+'.img')
        output_dataset = driver.Create(outimgfile, cols, rows, 1, gdal.GDT_Byte)
        output_dataset.GetRasterBand(1).WriteArray(corner_map)

        # 设置投影和地理转换信息
        output_dataset.SetProjection(dataset.GetProjection())
        output_dataset.SetGeoTransform(dataset.GetGeoTransform())

        output_dataset.FlushCache()
        # 关闭数据集
        output_dataset = None
        dataset = None
        print("计算Harris角点已保存为:" + outimgfile)
    else:    #计算所有波段的Harris角点
        # 将结果保存为影像文件
        driver = gdal.GetDriverByName('GTiff')
        outimgfile = inputimgfile.replace('.tif', '_HarrisAllBands.img')
        output_dataset = driver.Create(outimgfile, cols, rows, band_nums, gdal.GDT_Byte)
        for i in range(1,band_nums+1):
            band = dataset.GetRasterBand(i)
            # 将波段数据加载到一个 NumPy 数组中
            image = band.ReadAsArray()
            corner_map = get_Harris(image, k, window_size)
            output_dataset.GetRasterBand(i).WriteArray(corner_map)

        # 设置投影和地理转换信息
        output_dataset.SetProjection(dataset.GetProjection())
        output_dataset.SetGeoTransform(dataset.GetGeoTransform())

        output_dataset.FlushCache()
        # 关闭数据集
        output_dataset = None
        dataset = None
        print("计算Harris角点已保存为:" + outimgfile)

if __name__=='__main__':
    inputimgfile=r'E:\2022桌面\lena_rs.tif'
    get_img_Harris(inputimgfile,k=0.04,window_size=3,IsAllBands=True)

效果:所有波段和第一波段效果图

原图

所有波段计算结果

 第一波段计算结果

2.2 Shi-Tomasi角点检测

和Harris方法类似

代码如下:

from osgeo import gdal
import numpy as np
from scipy.ndimage import convolve

#定义角点计算函
def get_Shi_Tomasi(image,window_size,threshold):
    # 运行 Harris 角点检测算法
    # 计算图像的梯度
    dx = np.gradient(image, axis=1)
    dy = np.gradient(image, axis=0)

    # 计算角点响应函数(Shi-Tomasi)
    Ix2 = dx ** 2
    Iy2 = dy ** 2
    Ixy = dx * dy
    Sx2 = convolve(Ix2, np.ones((3, 3)))
    Sy2 = convolve(Iy2, np.ones((3, 3)))
    Sxy = convolve(Ixy, np.ones((3, 3)))
    det = Sx2 * Sy2 - Sxy ** 2
    trace = Sx2 + Sy2
    # trace[trace < threshold] = threshold  # threshold
    trace[trace == 0] = np.finfo(float).eps  # 防止除以零
    response = np.minimum(det / trace, threshold)

    # 阈值化角点响应函数
    corner_map = np.zeros_like(image)
    corner_map[response > threshold] = 255
    return  corner_map
#k是角点响应参数
def get_img_Shi_Tomasi(inputimgfile,window_size = 3,threshold=0.01,IsAllBands=False,band_num=1):
    gdal.UseExceptions()
    # 读取影像数据
    dataset = gdal.Open(inputimgfile)
    band_nums=dataset.RasterCount  #波段数
    cols = dataset.RasterXSize
    rows = dataset.RasterYSize

    if IsAllBands==False:  #只计算指定第band_num波段的结果
        band = dataset.GetRasterBand(band_num)
        # 将波段数据加载到一个 NumPy 数组中
        image = band.ReadAsArray()
        corner_map = get_Shi_Tomasi(image,threshold, window_size)

        # 将结果保存为影像文件
        driver = gdal.GetDriverByName('GTiff')
        outimgfile = inputimgfile.replace('.tif', '_Shi_Tomasi_Band'+str(band_num)+'.img')
        output_dataset = driver.Create(outimgfile, cols, rows, 1, gdal.GDT_Byte)
        output_dataset.GetRasterBand(1).WriteArray(corner_map)

        # 设置投影和地理转换信息
        output_dataset.SetProjection(dataset.GetProjection())
        output_dataset.SetGeoTransform(dataset.GetGeoTransform())

        output_dataset.FlushCache()
        # 关闭数据集
        output_dataset = None
        dataset = None
        print("计算Harris角点已保存为:" + outimgfile)
    else:    #计算所有波段的Harris角点
        # 将结果保存为影像文件
        driver = gdal.GetDriverByName('GTiff')
        outimgfile = inputimgfile.replace('.tif', '_Shi_TomasiAllBands.img')
        output_dataset = driver.Create(outimgfile, cols, rows, band_nums, gdal.GDT_Byte)
        for i in range(1,band_nums+1):
            band = dataset.GetRasterBand(i)
            # 将波段数据加载到一个 NumPy 数组中
            image = band.ReadAsArray()
            corner_map = get_Shi_Tomasi(image,threshold, window_size)
            output_dataset.GetRasterBand(i).WriteArray(corner_map)

        # 设置投影和地理转换信息
        output_dataset.SetProjection(dataset.GetProjection())
        output_dataset.SetGeoTransform(dataset.GetGeoTransform())

        output_dataset.FlushCache()
        # 关闭数据集
        output_dataset = None
        dataset = None
        print("计算Harris角点已保存为:" + outimgfile)

if __name__=='__main__':
    inputimgfile=r'E:\2022桌面\lena_rs.tif'
    get_img_Shi_Tomasi(inputimgfile,threshold=0.01,window_size=3,IsAllBands=False)

2.3 FAST角点检测

代码

"""
Edward Rosten和Tom Drummond在2006年发表的“Machine learning for high-speed corner detection”文章中提出了一种FAST特征,
并在2010年对这篇论文作了小幅度的修改后重新发表。FAST的全称为Features From Accelerated Segment Test。Rosten等人将FAST角点定义为:
若某像素点与其周围领域内足够多的像素点处于不同的区域,则该像素点可能为角点。也就是某些属性与众不同,考虑灰度图像,
即若该点的灰度值比其周围领域内足够多的像素点的灰度值大或者小,则该点可能为角点。
FAST算法比其他已知的角点检测算法要快很多倍,但是当图片中的噪点较多时,它的健壮性并不好,而且算法的效果还依赖于一个阈值tt。
而且FAST不产生多尺度特征而且FAST特征点没有方向信息,这样就会失去旋转不变性。
"""
from osgeo import gdal
import numpy as np
from skimage.feature import corner_fast

def get_img_FAST(inputimgfile,outimgfile,band_num=1):
    gdal.UseExceptions()
    # 读取影像数据
    dataset = gdal.Open(inputimgfile)
    band = dataset.GetRasterBand(band_num)
    cols = dataset.RasterXSize
    rows = dataset.RasterYSize
    # 将波段数据加载到一个 NumPy 数组中
    data = band.ReadAsArray(0, 0, cols, rows)

    # 运行 FAST 角点检测算法
    corners = corner_fast(data,12,threshold=0.025)

    # 创建一个和原始影像相同尺寸的二值图像,将角点标记为白色
    result = np.zeros((rows, cols), dtype=np.uint8)
    # result[corners] = 255
    corner_indices = np.transpose(np.nonzero(corners))  # 转换为整数索引
    for idx in corner_indices:
        result[idx[0], idx[1]] = 255

    # 将结果保存为影像文件
    driver = gdal.GetDriverByName('GTiff')
    output_dataset = driver.Create(outimgfile, cols, rows, 1, gdal.GDT_Byte)
    output_dataset.GetRasterBand(1).WriteArray(result)

    # 设置投影和地理转换信息
    output_dataset.SetProjection(dataset.GetProjection())
    output_dataset.SetGeoTransform(dataset.GetGeoTransform())

    output_dataset.FlushCache()
    # 关闭数据集
    output_dataset = None
    dataset = None
    print("计算FAST已保存为:" + outimgfile)

if __name__=='__main__':
    inputimgfile=r'E:\2022桌面\lena_grey.jpg'
    #检测图片格式
    outimgfile = inputimgfile.replace('.jpg', '_3FAST.img')
    get_img_FAST(inputimgfile, outimgfile,band_num=1)

2.4 SIFT角点检测

2.5 SURF角点检测

2.6 ORB角点检测

遥感图像目标检测研究综述 阅读详情

相关推荐

FAST角点检测python实现及基于opencv实现 (角点检测、非极大值抑制)

FAST角点检测python实现及基于opencv实现(角点检测、非极大值抑制)

xiaohuolong的博客 4711

【OpenCV-Python】教程:4-2 Harris角点检测

上一章节中,我们看到在图像中每个方向变化都很大的区域就是角点,一个早期的尝试是由 Chris Harris & Mike Stephens 在1998年的论文 A Combined Corner and Edge Detector 完成的。所以现在称之为 Harris 角点检测。他讲这些思想转换为数学公式形式,通过寻找不同方向上位移的亮度差异。E(u,v)=∑x,yw(x,y)[I(x+u,y+v)−I(x,y)]2 E(u,v)=\sum\limits_{x,y}w(x,y) [I(x+u,y+v)-I

2069

利用卫星影像进行海岸线提取

渤海(Bohai Sea),是中国最北的近海,是中华人民共和国的内海,同时也属于内水范畴。海岸线全长约3800公里。东西宽约346公里,南北长约550公里。面积约8万平方公里,平均深度18米。渤海是一个近封闭的内海,东面以辽东半岛的老铁山岬经庙岛至山东半岛北端的蓬莱岬的联线与黄海分界。其它三面环陆,北,西,南三面分别与辽宁、河北、天津和山东三省一市毗邻。根据地形地貌,渤海可分辽东湾、渤海湾、莱州湾、中央浅海盆地和渤海海峡5部分。

yokon的博客 2209

遥感影像预处理之~自动配准

方法一、ArcGIS Pro 利用ArcGIS Pro的自动配准 查看控制点表可以看到自动打了49个点,还是均匀分布于影像的 局部结果如下图所示,然后另存为新的栅格即可。 总结:首先进行自动配准,如果不好的话,可再次进行自动配准,然后打开控制点表格,删除误差比较大的点,边删边看下自动配准的怎么样,基本都能达到满意的结果。 方法二、Python(arosics包) arosics作者github arosics使用手册 根据使用手册安装arosics及相关依赖库 纸上得来终觉浅,实践一下: impor

GeoSuper的博客 5207

python实现对遥感影像经纬度获取并实现海陆分离

经纬度1秒误差在30m左右,1度🟰3600秒,如果遥感影像的分辨率大 比如(1m,或者2m)想实现海陆分离不能根据经纬度坐标了,这时候建议裁剪所需区域手动标记制作掩膜。tif图像自带经纬度信息,因此可以使用gdal包获取经纬度信息然后对相应像素点负值操作。结果:(1m分辨率,可以看到,误差很大,没法用)500m分辨率 MODIS效果就好多了。

张蔡辉 2403

Python遥感图像处理应用篇(三十一):Python+GDAL实现遥感图像平移、旋转

根据该函数的参数,要实现图像的平移,其实我们只需要修改图像的左上角起始点坐标就能够实现了,比如我们将图像向东易懂5000m,向南移动5000m,那么,我们是需要将图像六元组中的第一个和第四个要素平移一定距离就行了。Y坐标方向是负值,所以我们向南移动就是-5000m,向东移动就是+5000m。元组是不可变的,所以我们需要将元组转换为列表,更改列表,然后将列表转换回元组。运行环境:windows10 pycharm python3.7.7。GDAL 中,GeoTransform是一个六个元素的元组。

soderayer的博客 1972

基于Python-OpenCV的角点检测、直线检测、椭圆检测、矩形检测

基于Python-OpenCV的角点检测、直线检测、椭圆检测、矩形检测

weixin_41837701的博客 3485

Python实现Harris角点检测算法及完整源码

Harris角点检测算法的核心思想是:对于一幅图像中的局部区域,在不同方向上移动一个小的位移量,如果这个位移量引起的图像灰度变化大,则说明该区域存在角点。具体地,我们可以根据一定的公式计算每个像素点的响应值,然后选取响应值最大的像素点作为角点。该算法可以在图像中检测到角点,这些角点可以用于图像匹配、跟踪、三维重建等领域。本文将介绍如何使用Python实现Harris角点检测算法,并提供完整的源代码。本文介绍了如何使用Python实现Harris角点检测算法,并提供了完整的源代码。

BUG?不存在的! 1063

基于Python的地理遥感图像批量处理----读取数据

用于读取批量结构重复的数据 读取shp文件指定属性的数据到excel 常用于 按年/月/日的shp文件数据 代码: import shapefile, os, openpyxl, time if __name__ == '__main__': # shp文件夹路径 shpMapFolder = r'Z:\1992-2018shape' excelFileMap = r'Z:\地类面积统计 - shape.xlsx' sheep = wb[wb.sheetnames[

肉猫子打包のBlog 850

基于Python的GDAL高分变率遥感影像配准算法

(1)基于SIFT与Ransac算法完成两景高分辨率遥感影像特征特征提取以及几何变换进行配准。 (2)为避免同名点过大区域错误配准,可进行影像的分块配准,需要注意的是两景影像保证行、列数一致。 (3)因数据上传限制,data文件夹里有两个高分二号融合影像(0.8米)的样例数据供大家参考学习。 (4)main.py为主函数,设置两期影像的路径和输出位置运行即可。

用VASPKIT+Quantum Espresso高效绘制能带图:从K点路径生成到可视化全流程

本文详细介绍了如何整合VASPKIT与Quantum Espresso(QE)软件,构建一套高效的能带计算与可视化工作流。通过VASPKIT自动化生成高对称K点路径,结合QE完成自洽与非自洽计算,并利用gnuplot绘制发表级能带图。该流程极大提升了材料电子结构研究的效率与可重复性,是进行DFT能带计算的实用指南。

weixin_29294975的博客 164

BRISK与ORB对比

后两张效果就不好了,ORB的参数还要到features2D中修改,具体如何修改还要慢慢尝试,得到最佳值。   #include #include "brisk/brisk.h" #include #include #include #include #include #include #include //standard configuration fo

xuguozhi0124的专栏 3803

GPU算力租用平台推荐

阿里云作为中国领先的云计算服务提供商,提供了丰富的GPU云服务器实例,包括NVIDIA Tesla V100、A100等多种高性能GPU型号。阿里云GPU云服务器适用于深度学习、科学计算、图形渲染等多种场景,能够满足不同用户的计算需求。

hong161688的博客 8182

OpenCV —— 角点检测之 Harris 角点检测、Shi-Tomasi 角点检测、FAST 角点检测

Harris 角点检测实现原理OpenCV 函数优化GFTT 在图像处理和计算机视觉领域,兴趣点(inter points),也被称作关键点(key points)、特征点(feature points)。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图,而是选择某些特殊的点,然后对它们进行局部有的放矢地分析。如果能检测到足够多的这种点,同时它们的区分度很高,并且可以精确定位稳定的特征,那么这个方法就具有实用价值。 图像特征类型可以被分为如下三种: 边缘

学无止境 9448

400G光模块测试全攻略:从PCS层到CMIS合规的避坑指南

本文为网络设备测试工程师和光通信研发人员提供了一份详尽的400G光模块测试实战指南。文章深入剖析了从PCS层信号完整性、FEC容限到CMIS管理接口合规性测试的全流程,并分享了ANLT协议分析、SerDes眼图调试以及系统级流量压力测试中的核心技巧与常见避坑点,旨在帮助读者构建一套高效、精准的测试体系,确保高速光模块的可靠性与性能。

weixin_29300931的博客 218

Modscan32连接上了却没数据?一文拆解所有报错(从“Device NOT CONNECTED”到“Checksum Error”)

本文深入解析Modscan32连接异常问题,从状态栏报错到数据异常,提供系统化的诊断思路和解决方案。涵盖物理层问题、配置参数错位、端口占用冲突等常见故障,帮助工程师快速定位和解决Modbus通信中的各类错误。

weixin_30384217的博客 402

详解SIFT、SURF和ORB特征点检测和描述算法

本文主要对SIFT、SURF和ORB特征点检测和描述算法进行详细的学习和比较。

重点记录机器人和自动驾驶相关领域的技术,尤其是计算机视觉,视觉SLAM等,不仅有前言文献或必备算法的学习,也会有实际应用的点滴经验 9744

Coze视频混剪智能体工作流,1小时制作100条带货混剪视频,全平台通用

摘要:本文介绍如何利用Coze智能体工作流一键生成全平台带货混剪视频。该工作流支持双视频素材查重处理、智能文案重塑、画面重组等核心功能,通过多节点协同实现批量生产。系统可自动下载视频、提取字幕、生成新脚本,并完成剪辑合成,支持飞书表格批量操作。该工作流已在iThinkAi扣子团队空间开放复制使用,帮助用户高效制作爆款带货视频。

ai979290的博客 1088

基于Python手动实现Harris角点检测

基于Python手动实现Harris角点检测算法

weixin_46585836的博客 4398

《AgentScope-Java 深入浅出教程》第3章 消息系统(Message)

在 AgentScope 中,消息(Msg)是最核心的数据结构。│ 消息的作用 ││ ││ │ 用户输入 │ ────────────┐ ││ ▼ ││ │智能体通信│ ◄────► │ 消息对象 │ ◄────► │ LLM API │ ││ ▲ ││ │ ││ │ 历史存储 │ ────────────┘ ││ │用户输入:封装用户的问题和指令智能体输出:封装智能体的回复和工具调用智能体通信:在多智能体系统中传递信息LLM API 交互:转换为 LLM 可理解的格式历史存储。

步子哥的博客 232

yolov8x-p2 实现 tensorrt 推理

yolov8x-p2, tensorrt 实现.

J。 2274

遥感影像自动配准

基于SIFT的光学遥感影像自动匹配及配准(Python版) 基础SIFT算法只适用于光学遥感影像 代码如下: import numpy as np #导入库 from cv2 import cv2 MIN_MATCH_COUNT = 10 #最少匹配数 path1=r’E:\Vscode\NewData\Paper1Data\image\3\GF21024.tif’ #参考影像路径 path2=r’E:\Vscode\NewData\Paper1Data\image\3\ZY31024.tif’

qq_37770754的博客 2804

YOLOv8【第十一章:视频追踪与流处理篇·第6节】BoT-SORT 改进:结合相机运动补偿(CMC)提升追踪稳定性!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 720

遥感图像处理中常用的python操作

本章节主要参考《python地理空间分析指南》第六章。 文章中的所有操作都可以在ENVI中完成,这里只提供一个图像处理的思路。 一、图像波段变换 波段变换最常用的地方就是进行图像显示,例如使用假彩色图像以凸显植被信息。图像波段变换即将图像波段的组合顺序重新排列并显示的方法,主要使用GDAL库。下面以一个例子进行实验,首先给出数据的下载地址: http://git.io/vqs41 打...

QQ704630835的博客 3万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

GDAL常见的一些问题

gdal常见问题,便于之后进行查找,快速解决

xiaotiig的博客 2362

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 187
上一篇: Python遥感图像处理应用篇038 GDAL 遥感图像特征提取(统计特征图)
下一篇: Win10系统中GPU深度学习环境配置记录
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6104粉丝 270原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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