Python和Google Colab进行卫星图像二维小波变化和机器学习

news2024/11/13 22:46:00

2D 小波分解是图像处理中的一种流行技术,使用不同的滤波器将图像分解为不同的频率分量(“近似”和“细节”系数)。该技术对于各种图像处理任务特别有用,例如压缩、去噪、特征提取和边缘检测。

在本文中,我们将演示如何在 Google Colab 中使用 Python 下载高分辨率样本卫星图像,执行 2D 小波分解,可视化高频和低频分量,并使用逆小波方法重建图像,机器学习(ML)算法和耦合线性回归优化模型。为了提高 ML 模型的复杂性,我们将从输入中消除主要组件,并仅使用细节组件重新训练 ML 模型。在整个过程中,我们将评估每种方法在重建阶段的性能,并将 ML 模型的输出可视化。

目录

  1. 🌟简介
  2. 🌐 在 Google Colab 中下载卫星图像
  3. ⚙️ 应用小波分解
  4. 🔄 使用小波逆变换重建图像
  5. 🔄 使用 ML 算法重建图像
  6. 🔄 使用线性回归模型重建图像
  7. 🔄 使用耦合线性回归模型和优化算法重建图像
  8. 📈 评估不同的重建方法
  9. 🔃 使用没有近似系数的 ML 重建图像
  10. 📄 结论

🌟简介

小波分解的过程包括对图像应用一系列高通和低通滤波器,将图像分离成不同的频率分量。通常,分解分多个阶段完成,在每个级别生成一组近似系数和细节系数。近似系数代表图像的低频分量,而细节系数则捕获高频分量。

小波分解通常与其他技术(例如机器学习)结合使用,以增强图像的分析和处理。通过利用小波的多分辨率功能,研究人员和从业人员可以为各种图像相关任务开发更有效和高效的算法。

总体而言,小波分解已成为图像处理领域的重要工具,并在卫星图像分析、医学成像、信号处理等各个领域都有应用。如果您有兴趣探索 2D 小波分解和 ML 算法在无人机图像中缩小地表温度的主要应用之一

🌐 在 Google Colab 中下载卫星图像

第一步涉及找到下载高分辨率图像的方法。为此,强烈推荐使用 Google 地图的高分辨率航空和卫星图像,尤其是在城市地区。使用 Qiusheng Wu 创建的库可以简化此步骤。确保您已安装必要的组件,包括“segment-geospatial”、“leafmap”和“localtileserver”。接下来,定义所需感兴趣区域 (AOI) 的纬度和经度并继续绘制多边形:

%pip install segment-geospatial leafmap localtileserver
import os
import leafmap
from samgeo import SamGeo, tms_to_geotiff
m = leafmap.Map(center=[37.716956, -120.951107], zoom=20, height="800px")
m.add_basemap("SATELLITE")
m

 

bbox = m.user_roi_bounds()
image = "satellite.tif"
tms_to_geotiff(output=image, bbox=bbox, zoom=20, source="Satellite", overwrite=True)

在最后三行中,将感兴趣区域 (AOI) 的边界分配给“bbox”变量,设置输出名称,然后执行“tms_to_geotiff”以指定名称保存卫星图像,在本例中为“satellite” .tif”。

⚙️ 应用小波分解

为了对 2D 图像执行小波分解,我们将使用 Rasterio 库读取下载的图像,并使用 Daubechies 小波家族的一个成员(例如 db1)和“对称”模式实现 2D 分解。

Daubechies 小波是正交小波族,广泛应用于信号处理和图像压缩。“DB”后面的数字表示小波函数中消失矩的数量。小波的消失矩越多,它就越平滑。

另一方面,模式是指执行小波分解的具体方式。该模式可以确定如何计算小波系数以及分解过程如何处理图像的边缘和边界。不同的模式可能导致小波分解输出的变化,特别是在图像的边缘。

小波分解后,原始图像将被划分为不同的频率分量。近似系数表示为cA,而cH、cV和cD分别称为水平、垂直和对角线细节系数。这些系数中的每一个都捕获有关水平、垂直和对角边缘的信息。图像分解后,将绘制每个子带:

import pywt
import rasterio
import numpy as np
import matplotlib.pyplot as plt

# Load GeoTIFF image
with rasterio.open('satellite.tif') as src:
    img = src.read(1)

# Perform 2D wavelet decomposition
coeffs = pywt.dwt2(img, 'db1', mode='symmetric')

# Extract detail and approximation coefficients
cA, (cH, cV, cD) = coeffs

# Plot the decomposed coefficients
fig, ax = plt.subplots(2, 2, figsize=(10, 10))
ax[0, 0].imshow(cA, cmap='seismic')
ax[0, 0].set_title('Approximation Coefficient')
ax[0, 1].imshow(cH, cmap='seismic')
ax[0, 1].set_title('Horizontal Detail Coefficient')
ax[1, 0].imshow(cV, cmap='seismic')
ax[1, 0].set_title('Vertical Detail Coefficient')
ax[1, 1].imshow(cD, cmap='seismic')
ax[1, 1].set_title('Diagonal Detail Coefficient')
plt.show()

在上图中,图像的主要部分已保持在近似系数内,而其余元素代表各种方向边缘特征。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1503164.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

XSS-Labs靶场1---11关

一、XSS环境搭建: [ 靶场环境篇 ] XSS-labs 靶场环境搭建(特别详细)_xss靶场搭建-CSDN博客 (该博主总结的较为详细,若侵权必删) 常用的xss攻击语句: 输入检测确定标签没有过滤后,为了显示存在漏洞&#…

Vue2 基础二常用特性

代码下载 表单操作 基于Vue的表单操作 input 单行文本textarea 多行文本select 下拉多选,multiple属性实现多选,多选时对应的 data 中的数据也要定义成数组radio 单选框checkbox 多选框,data 中的数据要定义成数组,否则无法实现…

C++ Qt开发:QNetworkInterface网络接口组件

Qt 是一个跨平台C图形界面开发库,利用Qt可以快速开发跨平台窗体应用程序,在Qt中我们可以通过拖拽的方式将不同组件放到指定的位置,实现图形化开发极大的方便了开发效率,本章将重点介绍如何运用QNetworkInterface组件实现查询详细的…

面试遇到了接口分析和测试用例分析题,该如何下手?

只要有软件产品的公司百分之九十以上都会做接口测试,要做接口测试的公司那是少不了接口测试工程师的,接口测试工程师相对于其他的职位又比较轻松并且容易胜任。如果你想从事接口测试的工作那就少不了对接口进行分析,同时也会对测试用例进行研…

el根据需求合并列

将 列分为 3 3 1 的格式 以下是vue代码&#xff1a; <el-table:data"dataSource":border"true":header-cell-style"{ font-weight: normal, text-align: center }":cell-style"{ text-align: center }"size"mini"style…

CODESYS双通气缸功能块(ST源代码)

博途PLC双通气缸功能块请参考下面文章链接: https://rxxw-control.blog.csdn.net/article/details/136415539https://rxxw-control.blog.csdn.net/article/details/136415539CODESYS 结构变量使用 https://rxxw-control.blog.csdn.net/article/details/126248829

NUMA简介

NUMA 1 什么是NUMA 早期的计算机&#xff0c;内存控制器还没有整合进 CPU&#xff0c;所有的内存访问都需要经过北桥芯片来完成。如下图所示&#xff0c;CPU 通过前端总线&#xff08;FSB&#xff0c;Front Side Bus&#xff09;连接到北桥芯片&#xff0c;然后北桥芯片连接到…

go语言添加代理

LiteIDE 工具->管理 https://mirrors.aliyun.com/goproxy/或https://goproxy.cn,direct 命令行 go env -w GOPROXYhttps://goproxy.cn,direct

找不到duilib.dll:是什么文件?如何解决

当你尝试打开某个程序软件时&#xff0c;你可能会看到一条错误信息&#xff0c;提示你缺失一个名为“duilib.dll”的文件。这个文件通常与程序开发中使用的UI框架相关&#xff0c;缺失它会导致程序无法正常运行。那么&#xff0c;如何解决这个问题呢&#xff1f;本文将为你提供…

Java项目:45 ssm004新生报到系统+jsp(含文档)

项目介绍 技术栈&#xff1a;spring springMVC mybatis mysql 系统角色&#xff1a;管理员&#xff0c;学生 系统功能&#xff1a;个人中心&#xff0c;管理员信息&#xff0c;班级信息&#xff0c;学院信息&#xff0c;专业信息&#xff0c;消息通知&#xff0c;缴费信息&a…

让你秒会C语言冒泡排序

代码展示&#xff1a; 代码讲解&#xff1a; 一&#xff0c;代码目的&#xff1a; 将一个乱序的数组通过冒泡排序排成升序。 二&#xff0c;代码重点理解&#xff1a; 1&#xff1a;sz为元素个数&#xff0c;其必须和数组arr一起作为参数传给bubble_sort函数&#xff0c;…

【框架设计】MVC、MVP、MVVM对比图

1. MVC&#xff08;Model-View-Controller&#xff09; 2. MVP&#xff08;Model-View-Presenter&#xff09; 3. MVVM&#xff08;Model-View-ViewModel&#xff09;

基于SVM模型的网络入侵检测模型训练与评估(NSL-KDD数据集)

简介 针对网络安全领域的NSL-KDD数据集进行分类任务的预处理和模型训练、以及超参数调优。 数据预处理 读取并解析数据集&#xff1b;检查并删除指定列&#xff08;outcome&#xff09;的缺失值&#xff1b;对类别型特征&#xff08;protocol_type, service, flag&#xff0…

Stable Diffusion 模型下载:ZavyChromaXL(现实、魔幻)

本文收录于《AI绘画从入门到精通》专栏&#xff0c;专栏总目录&#xff1a;点这里。 文章目录 模型介绍生成案例案例一案例二案例三案例四案例五案例六案例七案例八 下载地址 模型介绍 作者述&#xff1a;该模型系列应该是用于 SDXL 的 ZavyMix SD1.5 模型的延续。主要重点是获…

21-Java观察者模式 ( Observer Pattern )

Java备忘录模式 摘要实现范例 观察者模式 ( Observer Pattern ) 常用于对象间存在一对多关系时&#xff0c;比如&#xff0c;当一个对象被修改时&#xff0c;需要自动通知它的依赖对象 观察者模式属于行为型模式 摘要 1. 意图 定义对象间的一种一对多的依赖关系&#xff…

先进电机技术 —— 伺服驱动器与变频器

一、变频器与伺服驱动器发展趋势 在近年来的技术发展中&#xff0c;变频器和伺服驱动器均呈现出显著的先进性提升和技术融合趋势&#xff0c;以下是一些主要的发展方向&#xff1a; ### 变频器的发展趋势&#xff1a; 1. **智能化与网络化**&#xff1a; - 高级变频器集成…

律师事务所案件管理新宠:Java+SpringBoot+Vue+MySQL实战

✍✍计算机编程指导师 ⭐⭐个人介绍&#xff1a;自己非常喜欢研究技术问题&#xff01;专业做Java、Python、微信小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目&#xff1a;有源码或者技术上的问题欢迎在评论区一起讨论交流&#xff01; ⚡⚡ Java实战 |…

STL之map容器代码详解

基础概念 简介&#xff1a; map中所有元素都是pair。pair中第一个元素为key&#xff08;键值&#xff09;&#xff0c;起到索引作用&#xff0c;第二个元素为value&#xff08;实值&#xff09;。所有元素都会根据元素的键值自动排序。 本质&#xff1a; map/multimap属于关…

js对象 静态方法和实例方法

求下面代码的输出结果&#xff1a; 首先先分析一下上面各函数&#xff1a; Person.say function(){console.log("a")} 第一个say()方法是定义在Person函数身上的&#xff0c;我们如果想使用这个方法&#xff0c;可以通过Person().say()来调用 this.say function()…

性能测试干2年,还不会这个技术点?

nmon是一种在AIX与各种Linux操作系统上广泛使用的监控与分析工具&#xff0c;记录的信息比较全面&#xff0c;结合nmon_analyzer工具产生数据文件与图形化结果。 nmon可监控的数据类型 内存使用情况、磁盘适配器、文件系统中的可用空间、CPU使用率等等数据信息 特点 ①占用…