服装网站建设策划书预期投入,动画设计思路怎么写,深圳定制专业网站,琼海市规划建设局网站遥感图像地物覆盖分类，数据集制作-分类模型对比-分类保姆级教程 在遥感影像上人工制作分类数据集采用python+gdal库制作数据集挑选分类模型(RF、KNN、SVM、逻辑回归)选择随机森林模型建模分类遥感图像预测在遥感影像上人工制作分类数据集
1.新建shp文件 地理坐标系保持和影像… 遥感图像地物覆盖分类，数据集制作-分类模型对比-分类保姆级教程 在遥感影像上人工制作分类数据集采用python+gdal库制作数据集挑选分类模型(RF、KNN、SVM、逻辑回归)选择随机森林模型建模分类遥感图像预测 在遥感影像上人工制作分类数据集
1.新建shp文件 地理坐标系保持和影像一致，面类型 2.打开属性表 3.添加字段 这里分类6类，点击添加值添加 添加完毕 开始人工选地物类型，制作数据集 开始标注，标注的时候可以借助谷歌地图来看 标记足够多的样本 打开面转栅格工具 设置nodata值为15
采用python+gdal库制作数据集
import csv
import numpy as np
import rasterio
import pandas as pddef readTif(fileName):try:dataset = rasterio.open(fileName)return datasetexcept rasterio.errors.RasterioIOError:print(f"文件 {fileName} 无法打开")return Nonenum_bands = 8
csv_head_name = [f'Band{i}' for i in range(1, num_bands + 1)] + ['Label', 'LabelName']
labels_name = {0: "水体", 1: "植被",2: "建筑",3: "裸地",4: "农田",5: "道路"}ori_dataset = readTif(orgin_path)
label_dataset = readTif(sample_path)if ori_dataset is not None and label_dataset is not None:label_matri = label_dataset.read(1)data_matri = ori_dataset.read()nodata_indices = np.where(label_matri != 15) # 获取所有非 nodata 的索引# 准备数据data = []for i in range(nodata_indices[0].size):row, col = nodata_indices[0][i], nodata_indices[1][i]label = label_matri[row, col]band_values = data_matri[:, row, col].tolist()label_name = labels_name.get(label, 'Unknown')band_values
