稀疏数组

本文介绍了稀疏数组的概念,主要用于存储大量为0或相同值的数组。通过示例展示了如何将原始数组转化为稀疏数组,以及如何将稀疏数组还原为原始数组。转化过程包括统计非零元素,创建稀疏数组并存储非零值,还原过程则涉及从稀疏数组中恢复原始数组结构。这种方法在节省存储空间和提高效率方面具有优势。

稀疏数组

用法

场景

当一个数组中大部分元素为0,或者为同一个值的数组时,可以使用稀疏数组来保存该数组

处理办法

  • 第一行记录数组一共有几行几列,有多少个不同的值
  • 把具有不同值得元素的行列及值记录在一个小规模数组中,缩小程序规模

举例说明

原始数组

000220015
011000170
000-6000
00000390
91000000
00280000

稀疏数组

0678
10322
20615
31111
41517
523-6
63539
74091
85228

第0行:6行7列 8个特殊值

第1行:第0行第3列的值是22

第2行:第0行第6列的值是15

…以此类推

代码

//将一个m行n列的数组转化为稀疏数组
    public int[][] arrayToSparseMatrix(int[][] array,int m,int n)
    {
        //找出不为0的数所在的行和列存在 统计个数count
        int count=0;
        for(int i=0;i<m;i++)
        {
            for(int j=0;j<n;j++)
            {
                if(array[i][j]!=0)
                {
                    count++;
                }
            }
        }

        //系数数组的列数row=3 系数数组的行数为不为0的数count+1
        int[][] smArray=new int[count+1][3];
        //稀疏数组第一行储存共有几行几列 多少个非零数字
        smArray[0][0]=m;
        smArray[0][1]=n;
        smArray[0][2]=count;


        //当原数组不为0时,储存原数组的数到稀疏数组,用flag记录稀疏数组的下标
        int flag=1;
        for(int i=0;i<m;i++)
        {
            for(int j=0;j<n;j++)
            {
                if(array[i][j]!=0)
                {
                    smArray[flag][0]=i;
                    smArray[flag][1]=j;
                    smArray[flag][2]=array[i][j];
                    flag++;
                }
            }
        }

        //输出稀疏数组
        //printArray(smArray,count+1,3);
        return smArray;
    }

   
//将一个稀疏数组还原成原始数组
 public int[][] sparseMatrixToArray(int[][] smArray)
    {
        //原始数组的行数line为稀疏数组的第0行第0个元素的值
        int line=smArray[0][0];

        //原始数组的列数row为稀疏数组的[0][1]的值
        int row=smArray[0][1];

        //原始数组非零行的数目为smArray[0][2]
        int count=smArray[0][2];

        //定义原始数组
        int[][] array=new int[line][row];

        //原始数组全部元素赋值为0
        for(int i=0;i<line;i++)
        {
            for(int j=0;j<row;j++)
            {
                array[i][j]=0;
            }
        }
        //赋值原始数组的非零元素
        for(int i=1;i<count+1;i++)
        {
            array[smArray[i][0]][smArray[i][1]]=smArray[i][2];
        }
        //返回原始数组
        return array;
    }
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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