在这封信中，我们提出一种概率测度，以评估具有多个基本事实的机器分割。 该措施旨在自适应地评估从分段中提取的结构信息。 这会在分割的每个点上引起局部相似性评分，然后可以按照原则上的信息论方法将其累积为整个分割的全局相似性评分。 实验是根据来自伯克利细分数据库和我们自己的数据库的基准图像进行的。 结果表明，所提出的方法可以忠实地反映分割的感知质量。
2021-03-02 19:05:36
128KB
1
常见的数据集良心整理！！，下载即可得！注：dsi含在dso文件夹中
图像篡改检测常见的数据集（casia1\casia2以及ground truth mask\coverage\nist16\dso\dsi\columbia）
2021-02-10 16:09:44
78B
Highest point on ground profile calculator.zip
2021-01-28 00:29:58
12KB
高光谱遥感数据集是遥感领域中的一个重要资源，尤其在环境监测、地球科学、农业分析、矿物识别等多个领域有着广泛的应用。本数据集主要包括两个知名的高光谱图像样本：Indian Pines和Pavia University。
1. **高光谱成像**：
高光谱成像是遥感技术的一种，它能够捕捉到连续的光谱信息，覆盖可见光、近红外和短波红外等波段。相比于传统的多光谱成像（通常只有几个窄波段），高光谱成像提供数百个甚至上千个波段，可以更精细地分辨地物特性。
2. **Indian Pines数据集**：
这是一个经典的高光谱图像数据集，源自美国印第安纳州的一个农田地区。该数据集包含145x145像素的图像，涵盖220个光谱波段。此外，还提供了地面真实信息（ground truth），包括16种不同的土地覆盖类别，如玉米、大豆、草地等。这对于分类算法的训练和评估至关重要。
3. **Pavia University数据集**：
Pavia University数据集源自意大利帕维亚市的一张卫星图像，尺寸为610x340像素，包含了91个光谱波段。数据集包含了9个不同的地面类别，如混凝土、草、树等，同样提供了精确的地面真实信息，用于分类和目标检测的研究。
4. **数据集内容**：
压缩包内的"HSI_Dataset"可能包含了原始高光谱图像文件，以及对应的地面真实标签文件。这些文件通常以矩阵形式存储，每一行代表一个像素，每一列对应一个光谱波段。同时，"readme.txt"文件可能包含了关于数据集的详细说明，包括数据采集的设备信息、每个类别的描述、数据预处理方法等。
5. **应用与研究**：
高光谱遥感数据集主要用于开发和测试各种遥感图像处理技术，如光谱分类、目标检测、异常检测和混合像素分解。研究人员会使用这些数据集来验证算法的性能，通过比较不同算法在相同数据上的表现，推动高光谱图像处理技术的发展。
6. **挑战与未来方向**：
高光谱遥感面临的挑战包括高维度数据的处理、光谱混叠问题、噪声干扰以及对地物的精细识别。未来的研究可能会聚焦于深度学习方法在高光谱图像分析中的应用，以及如何利用多源数据提高分类精度和地物识别能力。
高光谱遥感数据集是遥感和图像处理研究的重要工具，对于理解和掌握高光谱成像技术及其应用具有重要意义。通过不断探索和优化算法，我们可以更好地利用这些数据集，服务于环境保护、城市规划和资源管理等多个领域。
2019-12-21 21:06:10
43.43MB
1
《Ray Tracing from the Ground Up》, chapter16, shadow。所有代码移植到Codeblocks。同时包含个人的测试图形。
2019-12-21 20:07:57
1013KB
1
20170218：将chapter 15：Specular Reflection（Phong）相关的代码移植上来，并生成chapter 15对应的图形；
20170217：将《ray tracing from the ground up》的部分代码移植到CodeBlocks。生成的图形对应书本chapter 14: Lights and materials；
2019-12-21 18:51:12
1.27MB
1