随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。
一个富有极客精神的团队,解决问题的第一步是能不能自己制造。 我们所知道的人工智能技术研究方向有机器视觉、语音识别、语义识别,赋予了机器“眼睛”、“耳朵”。今天,一起来了解一个探索人工智能嗅觉技术的公司——盗火者。 盗火者基于复式光谱仪开发的一系列物质探测产品,不仅能够有效检验假奶粉、假酒、假化妆品等物品,还能够对水体和大气进行监测。 一个班级共同创业 盗火者的创始人兼总经理陈明烨本科毕业于浙江大学,研究生毕业于复旦大学数学专业。毕业后在数据公司Opera Solutions、UBS Investment B
本文介绍我们在 NeurIPS 2023 上的新工作 《Binarized Spectral Compressive Imaging》
“机器学习正在材料研究的所有领域产生影响。”麻省理工材料研究实验室主任Carl V. Thompson说。
这些数据一般是或者含有地理真值,或者带有原始的观测数据、抑或没有经过过多的处理,覆盖范围较小,或有多种数据的覆盖,因此多用于科学研究。这里选择性地列出作者熟悉的一些参考数据供读者参考。
iZotope RX 10这是一个独特的独立应用程序,从头开始设计,以解决音频出现的各种问题。除了确保获得最佳效果的独特技术品质外,RX内置的强大工具还可以产生传统修复产品无法实现的高质量声音处理。这与全新的信号处理技术相结合,可提供更清洁,更自然和高质量的声音恢复。RX 长期以来一直是修复和抛光电影,电视,音乐,播客,视频游戏,示例库等声音的流行软件包。
今天给大家介绍的是中国科学院计算机研究所发表在Briefings in Bioinformatics上的一篇文章“pNovo 3: precise de novo peptide sequencing using a learning-to-rank ramework”。
BM3D(Block-matching and 3D filtering,3维块匹配滤波) 2007-TIP-Image denoising by sparse 3D transform-domain collaborative ltering
三维点云的语义分割3D Point Cloud Semantic Segmentation (PCSS)在计算机视觉以及机器人领域广泛的应用,随着深度学习技术的发展在点云的语义分割领域提供了新的可能性,并受到越来越多的关注,本文将着重的介绍这一主题的相关研究,首先从遥感领域和计算机视觉的角度概述三维点云的分割,并且结合已经发表的PCSS相关的文章作为研究基础,进行总结和比较,并且对传统的以及最新的点云分割技术进行回顾和比较,最后讨论了PCSS研究中重要的问题和有待解决的问题。
今天给大家介绍来自佛罗里达国际大学团队发表在Nature Computational Science上的文章,文章提出了一个名为HiCOPS的高性能计算(HPC)框架,可在分布式超级计算机上有效加速肽数据库搜索算法(从质谱数据中推导出肽),与现有的几个HPC框架相比,HiCOPS的搜索速度平均提高了十倍以上;并且HiCOPS中提出的核并行架构、技术和优化与搜索算法无关,可以进行扩展,从而加速现有和未来的肽数据库搜索算法。
最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比,热成像具有探测红外光谱中物体发出的热差的优点。相比之下,激光雷达和相机捕捉在可见光谱,和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先,利用生成式对抗网络,通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次,通过转换训练好的可见光光谱模型,采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现,通过域适应将源域的低层特征适应到目标域,平均平均精度提高了约10%。
中南大学刘韶教授团队通过整合两个不同的分子网络,构建了 IMN4NPD 平台,可用于全面挖掘微量且结构特异性的天然药物药效成分。
在科学研究中,从方法论上来讲,都应先见森林,再见树木。当前,人工智能科技迅猛发展,万木争荣,更应系统梳理脉络。为此,我们特别精选国内外优秀的综述论文,开辟“综述”专栏,敬请关注。
在经典物理学中,光波穿过狭缝、小孔或者圆盘之类的障碍物时,不同波长的光会发生不同程度的弯散传播,再通过光栅进行衍射分光,形成一条条谱带。也就是说:空间中的一维信息通过镜头和狭缝后,不同波长的光按照不同程度的弯散传播,这一维图像上的每个点,再通过光栅进行衍射分光,形成一个谱带,照射到探测器上,探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段,一条线就对应一个谱面,因此探测器每次成像是空间一条线上的光谱信息,为了获得空间二维图像再通过机械推扫,完成整个平面的图像和光谱数据采集。
本文将基于 NIR soil 近红外光谱数据,运用 Python 语言进行数据处理,并通过图表直观反映预处理带来的变化。(数据集:后台回复 [ NIR soil ] 获取 )
华东理工大学/华东师范大学的李洪林教授/刁妍妍团队在Journal of Chemical Information and Modeling上发表文章:Enhancing Chemical Reaction Monitoring with a Deep Learning Model for NMR Spectra Image Matching to Target Compounds,报道了一个用于自动化学反应监测的深度学习模型MatCS。该模型旨在通过预测目标化合物的SMILES和核磁共振光谱(包括1H NMR和13C NMR)谱图之间的对应关系,实现对化学反应进程的自动监测。
让机器能像白天一样识别周围的环境,完成测距等一系列任务,对于自动驾驶等行业来说是革命性的突破。
文章:Optimising the selection of samples for robust lidar camera calibration
---- 新智元报道 编辑:好困 LRS 【新智元导读】清华大学、哈佛大学和苏黎世联邦理工学院等提出「多快好省」的高光谱图像重建方法 MST 及 MST++ 相继登上顶会。 话不多说,先上结果。 图1 MST 与 MST++ 与 SOTA 算法的对比图(横轴代表计算量,纵轴代表性能,圆半径代表参数量) 由上图可以得出,MST 与 MST++ 不仅消耗的计算量少,而且参数量也非常小。 如此看来,刷个 SOTA 入个顶会也是情理之中了——MST 被 CVPR 2022 接收,其改进版 MST++ 被
锐化功能应用平移锐化算法,将一幅图像(如大地遥感卫星多波段图像)的光谱细节与另一幅图像(如大地遥感卫星全色波段)的空间细节相结合。全色锐化算法在结合空间和光谱细节的具体方式上各不相同,因此精度也各不相同。如果精度至关重要,用户应查阅已发表的文献,以选择最适合其应用的算法。
遥感技术已成为研究和了解地球表面和大气的重要工具。ENVI软件是一款领先的软件包,为专业人员提供分析和处理遥感数据所需的必要工具。ENVI软件已被广泛应用于农业、地质、林业和城市规划等各个领域。本文将探索ENVI软件的特点和使用方法,并提供一个具体的使用案例,演示如何使用ENVI软件进行遥感数据分析。
中国科学院上海天文台研究员葛健带领的国际团队,通过深度学习方法,在斯隆巡天三期释放的数据中发现了 107 例宇宙早期中性碳吸收线。
借最近上课实习上机内容,来介绍MODIS数据相关方面内容。本部分主要包括了MODIS数据的简介和下载的问题。本篇是第一部分,MODIS的简介。主要分为三个部分:1.MODIS传感器简介及参数;2.MODIS产品及命名规则;3.MODIS的典型应用。 1.MODIS传感器简介及参数 首先来纠正件很容易被误解的事,MODIS是传感器而不是卫星,尽管我们平常称呼的时候更习惯叫MODIS数据(以传感器来称呼),Landsat数据(以卫星来称呼)。MODIS传感器的全称为中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer),主要搭载在Terra和Aqua星上。 Terrra的简介如下(摘自百度百科和遥感集市): EOS(Earth Observation System)卫星是美国地球观测系统计划中一系列卫星的简称。经过长达8年的制造和前期预研究准备工作,第一颗EOS的上午轨道卫星于1999年12月18日发射升空,发射成功的卫星命名为Terra(拉丁语“地球”的意思),主要目的是观测地球表面。它是一个用一系列低轨道卫星对地球进行连续综合观测的计划。它的主要目的是:实现从单系列极轨空间平台上对太阳辐射、大气、海洋和陆地进行综合观测,获取有关海洋、陆地、冰雪圈和太阳动力系统等信息;进行土地利用和土地覆盖研究、气候的季节和年际变化研究、自然灾害监测和分析研究、长期气候变率和变化以及大气臭氧变化研究等;进而实现对大气和地球环境变化的长期观测和研究的总体(战略)目标。EOS卫星轨道高度为距地球705公里,目前的第一颗上午轨道卫星(Terra)过境时间为地方时10:30am左右,一天最多可以获得4条过境轨道资料。 Terra卫星于1999年12月18日发射成功,Aqua卫星于2002年5月4日发射成功。Terra为上午星,从北向南于地方时10:30左右通过赤道,Aqua为下午星,从南向北于地方时13:30左右通过赤道。两颗星相互配合每1-2天可重复观测整个地球表面,得到36个波段的观测数据 EOS系列卫星上的最主要的仪器是中分辨率成像光谱仪(MODIS),其最大空间分辨率可达250米。 对应的MODIS传感器的简介如下(摘自百度百科和遥感集市): MODIS是当前世界上新一代“图谱合一”的光学遥感仪器,有36个离散光谱波段,光谱范围宽,从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。MODIS的多波段数据可以同时提供反映陆地表面状况、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息。可用于对地表、生物圈、固态地球、大气和海洋进行长期全球观测。中分辨率成像光谱仪(MODIS)最大空间分辨率可达250米,扫描宽度2330公里。MODIS是CZCS、AVHRR、HIRS和TM等仪器的继续。MODIS是被动式成像分光辐射计。共有490个探测器,分布在36个光谱波段,从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。 MODIS仪器的地面分辨率为250m、500m和1000m,扫描宽度为2330km。 在对地观测过程中,每秒可同时获得11兆比特的来自大气、海洋和陆地表面信息,日或每两日可获取一次全球观测数据。 MODIS参数(摘自百度百科和遥感集市) 空间分辨率——250 m (1-2波段);500 m (3-7波段);1000 m (8-36波段) 扫描宽度——2330km 时间分辨率——1天 光谱波段——36个离散光谱波段,光谱范围宽,从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖 。 轨道——705KM,降轨上午10:30过境,升轨下午1:30过境;太阳同步;近极地圆轨道 设计寿命——5年 2.MODIS产品及命名规则 按处理级别划分,可以分为以下5种: 0级产品:也称原始数据; 1级产品:指L1A数据,已经被赋予定标参数; 2级产品:经过定标定位后数据,本系统产品是国际标准 的EOS-HDF格式。包含所有波段数据,是应用比较广泛的一类数据。; 3级产品:在1B数据的基础上,对由遥感器成像过程产生的边缘畸变(Bowtie效应)进行校正,产生L3级产品; 4级产品:由参数文件提供的参数,对图像进行几何纠正,辐射校正,使图像的每一点都有精确的地理编码、反射率和辐射率。L4级产品的MODIS图像进行不同时相的匹配时,误差小于1个像元。该级产品是应用级产品不可缺少的基础; 5级及以上产品:根据各种应用模型开发L5级产品。
点击上方↑↑↑“OpenCV学堂”关注我来源:公众号 机器之心 授权 加州大学欧文分校的这项研究,让我们更期待未来更先进的彩色夜视仪。 在一些军事大片中,士兵头戴夜视仪搜索前进似乎是少不了的场景。使用红外光在黑夜中观察的夜视系统通常将视物渲染成单色图像。 图源:flir.com 不过,在最近的一项研究中,加州大学欧文分校的科学家们借助深度学习 AI 技术设计了一新方法,有了这种方法,红外视觉有助于在无光条件下看到场景中的可见颜色。 研究共同一作、加州大学欧文分校工程师、外科医生和视觉科学家 Andrew
Osco, L. P., Junior, J, M., Marques Ramos, A, P., de Castro Jorge, L, A., Fatholahi, S. N., Waterloo, O. C., de Andrade Silva, J., Matsubara, E. T., Gonçalves, W. N., Li, J. (2021) A Review on Deep Learning in UAV Remote Sensing. https://arxiv.org/abs/2101.10861
本文介绍Max-Planck生物化学研究所计算系统生物化学研究组的Jürgen Cox近期发表在Nature Biotechnology的综述Prediction of peptide mass spectral libraries with machine learning。最近开发的机器学习方法用于识别复杂的质谱数据中的肽,是蛋白质组学的一个重大突破。长期以来的多肽识别方法,如搜索引擎和实验质谱库,正在被深度学习模型所取代,这些模型可以根据多肽的氨基酸序列来预测其碎片质谱。这些新方法,包括递归神经网络和卷积神经网络,使用预测的计算谱库而不是实验谱库,在分析蛋白质组学数据时达到更高的灵敏度或特异性。机器学习正在激发涉及大型搜索空间的应用,如免疫肽组学和蛋白质基因组学。该领域目前的挑战包括预测具有翻译后修饰的多肽和交联的多肽对的质谱。将基于机器学习的质谱预测渗透到搜索引擎中,以及针对不同肽类和测量条件的以质谱为中心的数据独立采集工作流程,将在未来几年继续推动蛋白质组学应用的灵敏度和动态范围。
Aqua AIRS 第 3 级光谱出射长波辐射 (OLR) 月报 (AIRSIL3MSOLR)
本文来自OSA Publishing,演讲者是郑州大学的Xiaomin Liu,题目是”基于压缩结构光场图像进行多信息融合深度估计“。
摘要:氮(N)是植物自养的重要特征,是影响陆地生态系统植物生长的主要养分,因此不仅具有根本的科学意义,而且还是作物生产力的关键因素。对冠层氮浓度(N%)进行及时的非破坏性监测需要快速且高度准确的估算,通常使用400-2500 nm光谱区域中的光谱分析法对其进行量化。然而,由于冠层结构混杂,从冠层光谱中提取一组有用的光谱吸收特征来确定N%仍然具有挑战性。深度学习是一种统计学习技术,可用于从冠层光谱中提取生化信息。我们评估了一维卷积神经网络(1D-CNN)的性能,并将其与两种最新技术进行了比较:偏最小二乘回归(PLSR)和高斯过程回归(GPR)。我们利用8年(2009年至2016年)整个新西兰的奶牛场和丘陵农场的大型,多样化的田间多季节(秋季,冬季,春季和夏季)光谱数据库(n = 7014)来开发特定季节和特定于频谱区域(VNIR和/或SWIR)的1D-CNN模型。独立验证数据集(未用于训练模型)的结果表明,一维CNN模型提供的准确度(R2 = 0.72; nRMSE%= 14)比PLSR(R2 = 0.54; nRMSE%= 19)和GPR(具有R2 = 0.62;nRMSE%= 16)。基于1D-CNN的特定季节模型显示出明显的差异(测试数据集为14≤nRMSE≤19),而测试数据集的所有季节组合模型的性能仍然更高(nRMSE%= 14)。全光谱范围模型显示出比特定光谱区域模型(仅VNIR和SWIR)更高的准确性(15.8≤nRMSE≤18.5)。此外,与PLSR(0.31)和GPR(0.16)相比,使用1D-CNN得出的预测更精确(不确定性更低),平均标准偏差(不确定区间)<0.12。这项研究证明了1D-CNN替代传统技术从冠层高光谱光谱中确定N%的潜力。
机器之心报道 编辑:杜伟 加州大学欧文分校的这项研究,让我们更期待未来更先进的彩色夜视仪。 在一些军事大片中,士兵头戴夜视仪搜索前进似乎是少不了的场景。使用红外光在黑夜中观察的夜视系统通常将视物渲染成单色图像。 图源:flir.com 不过,在最近的一项研究中,加州大学欧文分校的科学家们借助深度学习 AI 技术设计了一新方法,有了这种方法,红外视觉有助于在无光条件下看到场景中的可见颜色。 研究共同一作、加州大学欧文分校工程师、外科医生和视觉科学家 Andrew Browne 表示,「世界上很多地方都以人
液相色谱与质谱联用(LC-MS)是代谢组学中最受欢迎的分析平台之一。尽管基于LC-MS的代谢组学应用程序种类繁多以及分析硬件的发展,但是LC-MS数据的处理仍然遇到一些问题。最关键的瓶颈之一是原始数据处理,LC-MS原始数据通常由成千上万的原始MS质谱图组成;每个光谱都有其自己的序列号,并且该数目随保留时间(RT)的增加而增加。这些数据通常包含数千个信号,使得手动数据处理几乎变得不可能。当前用于自动LC-MS数据处理的流程通常包括以下步骤:(1)检测感兴趣区域(ROI);(2)检测色谱峰,然后对其进行积分;(3)所有样品的峰匹配(分组);(4)通过注释相应的加合物和碎片离子将属于同一代谢物的峰聚类为一组。
今天,我们将一起研究如何检测建筑物周围的植被表面。在这个过程中,我们将展示如何构建合适的数据集。植被检测是一种简单且实用的工具,来帮助我们判断人口稠密地区的生活质量。
PCA-Principle Component Analysis 主成分分析
用谱功率密度(Spectral Power Distribution ),SPD来描述光在不同波长的分布,就是光源在不同波长的功率分布
谱匹配是质谱法中最常用的化合物鉴定方法。然而,谱库的覆盖范围、谱匹配精度以及匹配速度等方面的问题限制了化合物鉴定的效率。那么,有无可能在扩大谱库覆盖范围的情况下,同时保证搜库速度与谱匹配准确度呢?近日,中南大学的卢红梅团队建立了百万规模的计算EI-MS库。在此基础上,提出了一种超快速准确的质谱匹配方法(FastEI)。
近年来,随着卫星技术的发展和深度学习的火热,基于深度学习的遥感影像智能解译得到了前所未有的关注,并已成功应用于建筑物变化检测、SAR影像船舶检测、道路提取、多光谱影像分类等任务中。高精度、高速度、自动化的特点为其带来广阔的发展前景。
今天为大家介绍的是来自Yujin Zhang,Jun Jiang,Yi Luo和Wei Hu团队的一篇论文。论文介绍了一个用于预测分子光谱的深度学习模型“DetaNet”。准确高效的分子光谱模拟对物质发现和结构鉴定至关重要。然而,传统的依赖量子化学的方法成本高,效率低。为了解决这个问题,研究者们开发了DetaNet模型,它能够以更高的效率和准确性预测分子光谱。
前面几篇博客介绍了基于Landsat这一多光谱遥感图像数据的多种地表温度(LST)反演方法,大家可以参考博客1[1]、博客2[2]、博客3[3];那么接下来,我们就将基于比多光谱数据可以说是更进一步的高光谱卫星数据——大名鼎鼎的Hyperion数据,进行多种其他地表参数的反演。其中,在此之前可以先了解一下国内外主流的星载高光谱传感器及其平台的相关信息[4]。
俄勒冈州立大学eMapR 实验室的Justin Braaten撰写的文档、应用程序和 API ,由Robert Kennedy 博士指导
数字工厂、数字农业乃至数字社会的发展,正成为人类社会不可逆转的趋势。而数字化的“核心”之一,即数据的采集环节,则高度依赖着传感器的性能。
本文约4500字,建议阅读8分钟 本文将为各位读者呈现相关系列成果。 近年来,为了突破传统光学研究的局限性,光学与物理学交叉领域的一个新兴技术超光学出现,并且展现出巨大的市场前景。在这门技术高速发展的过程中,人工智能凭借自身强大的能力,起到了重要的推动作用,那么二者究竟碰撞出了何种火花? 关键词:AI 超光学 超表面 在我们生活的世界之中,光扮演了核心的角色。也正因为光的重要性和独特性,伽利略、牛顿、麦克斯韦、爱因斯坦等科学巨人都曾致力于光的研究,可以说,光学研究已经拥有悠久的历史。然而随着技术的发展、人
本期分享的内容,为一本厚度为235页的学习资料。内容包括高光谱遥感、高分辨率影像处理、计算智能及其在遥感影像处理中的应用、影像处理工程、遥感应用和模式分析与机器学习等。很适合遥感领域的学生学者去学习和加深对遥感领域的理解,资料供分为18章节,每一章都值得研究和学习,章节内容包括研究概述、研究意义、应用、已取得的成、发展前景和入门资料的推荐等。该学习资料本人强烈推荐学习,希望能够本次料能够开阔你的事业并激发你的学习兴趣。(资料为张良培团队(张良培、钟燕飞、沈焕锋、黄昕、罗斌、夏桂松、杜博、张洪艳、袁强强和张乐飞等)在其主页上公布的主要研究方向介绍。)
显着性是图像的突出部分,我们的大脑会特别关注这个部分。上图突出了我们在看到一个场景或图像时会注意到的部分。例如,大家有没有曾经在看广告的时候被一些特别的内容吸引,为此我们还特意停下来多看了一会儿?这就是广告的显着性,即使让我们可以一眼看到广告,也会被他吸引。
近年来,人们对深度学习方法在图上的扩展有着浓厚的兴趣,由此一个新的研究热点——图神经网络(GNN)应运而生。图神经网络在算法推理能力上有着不可估量的潜力,甚至有望成为下个AI拐点。
前一段时间,有司机冒充赵薇老公到公证处通过人脸识别技术办理了委托公证证明,以委托人的身份卖掉了赵薇家一处价值千万的豪宅。这条新闻不禁让人们对于人脸识别的准确性和安全性持怀疑态度。 对比现在的生物识别技术:指纹、人脸和虹膜,他们的误识率分别在 0.4%、2.5% 和 0.0001%。相较前两者而言,虹膜识别误识率可低至百万分之一。 在上周雷锋网接触了一家虹膜识别技术的创业公司——聚虹光电,其创始人宫雅卓在上海交通大学读博士时便开始研究虹膜识别,在这个领域已经有 15 年的经验。 几年前他们攻克了中国人黑色虹膜
计算的发展为探索天然产物的潜在多样性提供了新手段,揭示了其药物研发方面的新潜力。 与此同时,人工智能方法同样也突飞猛进,在生物活性预测和药物设计领域都取得了很大的进展。本文介绍一篇发表于9月11日的综述。主要介绍了当前天然产物领域AI的发展以及面临的挑战。
高质量的现场测量是卫星数据产品验证、算法开发和许多气候相关调查的先决条件。因此,NASA 海洋生物处理小组(OBPG)维护着一个本地海洋和大气原位数据存储库,以支持其定期科学分析。SeaWiFS 项目最初开发了这一系统 SeaBASS,用于对辐射测量和浮游植物色素数据进行编目,以开展校准和验证活动。为了便于收集全球数据集,根据 NASA 研究公告 NRA-96 和 NRA-99,利用 SIMBIOS 计划参与者收集的海洋和大气数据对 SeaBASS 进行了扩充,这在最大限度地减少空间偏差和最大限度地提高数据采集率方面提供了很大帮助。存档数据包括表观和固有光学特性、浮游植物色素浓度的测量值,以及其他相关海洋和大气数据,如水温、盐度、受激荧光和气溶胶光学厚度。数据的收集使用了许多不同的成套仪器,如剖面仪、浮标和手持式仪器,并在包括船舶和系泊设备在内的各种平台上进行制造。
数据介绍及数据其他操作详见此博客 ENVI5.3.1使用Landsat 8影像进行预处理及分析实例操作
在构建机器视觉系统时,开发人员可以选择众多知名公司的商用软件包。然而,在选择这类软件时,重要的是理解这些软件提供的功能、支持的硬件以及如何轻松地配置这样的软件,以解决特定的机器视觉任务。
在为你的产品开发最适合的机器视觉系统时,需要考虑很多因素,以下列出开发过程中需要考虑的一些问题:
领取专属 10元无门槛券
手把手带您无忧上云