图像镶嵌

resample为信号降采样处理，理解如下：B=resample(x,90,250);%采样从250Hz降到90Hz，如果250在前,就是插值从90到250,可以看B的长度,250Hz采样4000个数据等于90hz采样1440个数据,这就是降采样。resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值90变成250*9Hz然后抽取250变成速率90Hz。

Python-for-data-重新采样和频率转换 重新采样指的是将时间序列从一个频率转换到另一个频率的过程。 但是也并不是所有的采样方式都是属于上面的两种 pandas中使用resample方法来实现频率转换，下面是resample方法的参数详解： 将数据聚合到一个规则的低频上，例如将时间转换为每个月，"M"或者"BM"，将数据分成一个月的时间间隔。 每个间隔是半闭合的，一个数据只能属于一个时间间隔。时间间隔的并集必须是整个时间帧 默认情况下，左箱体边界是包含的。00:00的值是00：00到00：05间隔内的值 产生的时间序列按照每个箱体左边的时间戳被标记。 传递<span class="mark">label="right"</span>可以使用右箱体边界标记时间序列 向loffset参数传递字符串或者日期偏置 在金融数据中，为每个数据桶计算4个值是常见的问题： 通过<span class="girk">ohlc聚合函数</span>能够得到四种聚合值列的DF数据 低频转到高频的时候会形成缺失值 ffill() ：使用前面的值填充， limit 限制填充的次数

同样也是上一篇练习遇到的函数，感觉有点儿复杂，这里学习下。 DataFrame.resample(self, rule, axis=0, closed: Union[str, NoneType] = None, label: Union[str, NoneType] = None, convention: str = "start", kind: Union[str, NoneType] = None, loffset=None, base: int = 0, on=None, level=None) Resample time-series data Convenience method for frequency conversion and resampling of time series. Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword. 这个函数是针对时间序列，对DataFrame进行重构 关于 date_range 可以参考上一篇： pandas - date_range 我们先创建个数据 这里，主要是需要指定一个重构的规则 resample就是根据2D，2D表示就是2天，也就是根据2天重新构建DataFrame 我们这里就调用sum函数，将符合这个规则的元素求和 我们来观察index，原来是1-10，现在变成1,3,5,7,9，也就是间隔2天一组 label参数 指定，我们使用哪一个作为新的label closed参数 这个稍微有点儿奇怪 label的话，是说，我们重组了数据之后，会有多行记录进行合并，那应该取哪一行的label来显示呢？label就是用来指定这个的； 但是closed参数呢？ Which side of bin interval is closed. The default is ‘left" for all frequency offsets except for ‘M", ‘A", ‘Q", ‘BM", ‘BA", ‘BQ", and ‘W" which all have a default of ‘right". 我们再来看一下原始数据： 我们来试试closed参数 默认是 closed="left" 这里理解起来还是可以的，2天为一个间隔，label也默认是left 然后，我们来看看 closed="right" 这里，我就有点儿疑惑了，数据的重组是我在Excel中用颜色标出来的，这个我可以理解，但是这个label，为什么往前多取了一个 有点儿奇怪，我得捋一捋

使用resample函数。举个例子：B=resample(x，90，250)%，采样从250降到90，如果250在前，就是插值从90到250，可以看B的长度，250采样4000个数据等于90采样1440个数据。

三次样条插值直接用spline函数做。边界条件加在y的首尾，第一个表示y"(x0)，最后一个表示y"(xt)。如果不加边界条件，默认是not-a-knot边界条件（注意不是自然边界条件）自然边界条件的插值要用csape函数才能得到。如果用interp1，则只能使用spline函数的默认边界条件，即not-a-knot条件。下面是例子x=0:3:9;y=x.*cos(x);xx=linspace(0,9);plot(x,y,"o");%样本点hold on;plot(xx,interp1(x,y,xx,"spline"),"r");%interp1只能使用默认边界条件plot(xx,spline(x,[0 y 0],xx),"r:");%spline可以使用第一类边界条件，这里y"(0)=y"(9)=0pp=csape(x,y,"second");plot(xx,fnval(pp,xx))%第二类边界条件要用csape做，这里自然边界条件legend("样本点","默认边界条件","一阶导为0","自然边界条件","location","south")

重采样是指根据一类象元的信息内插出另一类象元信息的过程。合成，人类语音的人工合成。UTAU的合成器即工程设定里的Tool2(resample)，顾名思义即对音源文件进行变调变速的重采样引擎，很大程度上决定了合成声音的质量。UTAU是一款免费的音源制作软件。这款软件具有非常强大的歌声合成功能。

#python中的pandas库主要有DataFrame和Series类(面向对象的的语言更愿意叫类) DataFrame也就是#数据框(主要是借鉴R里面的data.frame)，Series也就是序列 ，pandas底层是c写的 性能很棒，有大神#做过测试 处理亿级别的数据没问题，起性能可以跟同等配置的sas媲美#DataFrame索引 df.loc是标签选取操作，df.iloc是位置切片操作print(df[["row_names","Rape"]])df["行标签"]df.loc[行标签,列标签]print(df.loc[0:2,["Rape","Murder"]])df.iloc[行位置,列位置]df.iloc[1,1]#选取第二行，第二列的值，返回的为单个值df.iloc[0,2],:]#选取第一行及第三行的数据df.iloc[0:2,:]#选取第一行到第三行（不包含）的数据df.iloc[:,1]#选取所有记录的第一列的值，返回的为一个Seriesdf.iloc[1,:]#选取第一行数据，返回的为一个Seriesprint(df.ix[1,1]) # 更广义的切片方式是使用.ix，它自动根据你给到的索引类型判断是使用位置还是标签进行切片print(df.ix[0:2])#DataFrame根据条件选取子集 类似于sas里面if、where ,R里面的subset之类的函数df[df.Murder>13]df[(df.Murder>10)&(df.Rape>30)]df[df.sex==u"男"]#重命名 相当于sas里面的rename R软件中reshape包的中的renamedf.rename(columns={"A":"A_rename"}) df.rename(index={1:"other"})#删除列 相当于sas中的drop R软件中的test["col"]<-nulldf.drop(["a","b"],axis=1) or del df[["a","b"]]#排序 相当于sas里面的sort R软件里面的df[order(x),]df.sort(columns="C") #行排序 y轴上df.sort(axis=1) #各个列之间位置排序 x轴上#数据描述 相当于sas中proc menas R软件里面的summarydf.describe()#生成新的一列 跟R里面有点类似df["new_columns"]=df["columns"]df.insert(1,"new_columns",df["B"]) #效率最高df.join(Series(df["columns"],name="new_columns"))#列上面的追加 相当于sas中的append R里面cbind()df.append(df1,ignore_index=True)pd.concat([df,df1],ignore_index=True)#最经典的join 跟sas和R里面的merge类似 跟sql里面的各种join对照merge()#删除重行 跟sas里面nodukey R里面的which(!duplicated(df[])类似df.drop_duplicated()#获取最大值 最小值的位置 有点类似矩阵里面的方法df.idxmin(axis=0 ) df.idxmax(axis=1) 0和1有什么不同 自己摸索去#读取外部数据跟sas的proc import R里面的read.csv等类似read_excel() read_csv() read_hdf5() 等与之相反的是df.to_excel() df.to_ecv()#缺失值处理 个人觉得pandas中缺失值处理比sas和R方便多了df.fillna(9999) #用9999填充 #链接数据库 不多说 pandas里面主要用 MySQLdbimport MySQLdbconn=MySQLdb.connect(host="localhost",user="root",passwd="",db="mysql",use_unicode=True,charset="utf8")read_sql() #很经典#写数据进数据库df.to_sql("hbase_visit",con, flavor="mysql", if_exists="replace", index=False)#groupby 跟sas里面的中的by R软件中dplyr包中的group_by sql里面的group by功能是一样的 这里不多说#求哑变量 dumiper=pd.get_dummies(df["key"])df["key"].join(dumpier)#透视表 和交叉表 跟sas里面的proc freq步类似 R里面的aggrate和cast函数类似pd.pivot_table()pd.crosstab()#聚合函数经常跟group by一起组合用df.groupby("sex").agg({"height":["mean","sum"],"weight":["count","min"]}) #数据查询过滤test.query("0.2将STK_ID中的值过滤出来stk_list = ["600809","600141","600329"]中的全部记录过滤出来，命令是：rpt[rpt["STK_ID"].isin(stk_list)].将dataframe中，某列进行清洗的命令删除换行符：misc["product_desc"] = misc["product_desc"].str.replace(" ", "")删除字符串前后空格：df["Make"] = df["Make"].map(str.strip)如果用模糊匹配的话，命令是：rpt[rpt["STK_ID"].str.contains(r"^600[0-9]{3}$")]对dataframe中元素，进行类型转换df["2nd"] = df["2nd"].str.replace(",","").astype(int) df["CTR"] = df["CTR"].str.replace("%","").astype(np.float64)#时间变换 主要依赖于datemie 和time两个包http://www.2cto.com/kf/201401/276088.html#其他的一些技巧df2[df2["A"].map(lambda x:x.startswith("61"))] #筛选出以61开头的数据df2["Author"].str.replace("<.+>", "").head() #replace("<.+>", "")表示将字符串中以”<”开头;以”>”结束的任意子串替换为空字符串commits = df2["Name"].head(15)print commits.unique(), len(commits.unique()) #获的NAME的不同个数，类似于sql里面count(distinct name)#pandas中最核心 最经典的函数apply map applymap

您是想问实现索引结果位移的方法是什么吗？实现索引结果位移的方法是：1、使用resample()方法进行重采样可以使用loffset设置索引位移。2、传入参数loffset一个字符串或者偏移量，即可实现对结果索引的一些位移。

resample工具可以进行重采样，采样时把尺寸设置为1km就可以如果还不会请私信加我帮你！

解决方法：直接获取它全部的索引值强制改变 temp_volume_series.index = temp_time_series！

如果两个歌曲的采样率是不一样的，你可以看看另外那个歌【1】是什么格式的和采样率的。先导入不同那个【2】的歌曲。 再保存为【1】相同格式的采样率。那样子就可以同时使用的了一般的MP3格式是 44100HZ采样率的，。

imresize，该函数用于对图像做缩放处理。在matlab的命令窗口中输入doc imresize或者helpimresize即可获得该函数的帮助信息。函数功能该函数用于对图像做缩放

你就不会重新安装啊

同遇到问题，重采样为500M。但是不知道XY的大小怎么设置。还有单位是什么也不知道

cooledit2.0汉化后不能批量转换声音文件了,进行批量转换设置后运行批处理，结果出现提示框“Missing ‘RESAMPLE.XFM"module.cooledit can not change sample rates without this module.”有些伴奏在插入的时候显示的是要指定采样格式 确定了之后却还是不能插入。这是因为汉化的问题，汉化软件把原来的Resample.xfm文件损坏了。对策：安装时候先把原英文版的Resample.xfm文件拷贝出去，然后汉化，汉化完毕之后，复制过去覆盖汉化后的软件就好了。解决办法：1、安装Cool Edit Pro 2.0（先别打上汉化补丁）2、打开安装后的 Cool Edit Pro 2.0 所在文件夹，找到 “Resample.xfm”这个文件复制3、打上汉化补丁4、再打开 Cool Edit Pro 2.0 所在文件夹，粘贴刚才复制的 “Resample.xfm”覆盖上去好像说是因为汉化补丁破坏了“Resample.xfm”文件，所以有这个 BUG，因此再没汉化前先备份“Resample.xfm”，等汉化后再覆盖上原文件就可以了。如果已经汉化就要下载一个“Resample.xfm”来覆盖。

发邮件地址算了你到百度网盘下载吧提取码，见短信

用resample()，重新采样

画皮改编自原著同名篇章。简介暂缺。

在matlab中实现函数的抽样用法：一、dyaddown功能：对时间序列进行二元采样，每隔一个元素提取一个元素，得到一个降采样时间序列。 格式：y = dyaddown(x, EVENODD)当EVENODD=0时，从x中第二个元素开始采样（偶采样）；当EVENODD=1时，从x中第一个元素开始采样（奇采样）。 2.y = dyaddown(x)EVENODD缺省，按EVENODD=0二、dyadup功能：对时间序列进行二元插值，每隔一个元素插入一个0元素，得到一个时间序列。 格式：y = dyadup(x, EVENODD)当EVENODD=0时，从x中第二个元素开始采样（偶采样）；当EVENODD=1时，从x中第一个元素开始采样（奇采样）。 2.y = dyadup(x)EVENODD缺省，按EVENODD=0三、interp功能：对时间序列进行整数倍插值，使得时间序列曲线更光滑。 格式： 1.y = interp(x, r)在x中插入一些数据，使得插值后的序列y的长度为x的r倍。 2.y = interp(x, r, l, alpha)插值后得到的序列y的长度为x的r倍。 3.[y, b] = interp(x, r, l, alpha)插值后同时得到一个低通插值滤波器的系数，长度为2rl+1. 说明： x--时间序列 r--插入点的倍数 l--插值滤波器长度alpha--滤波器的截止频率，0<alpha<=1，假设原序列的采样频率之半为1，缺省时l=4，alpha=0.5.y--插值后得到的时间学列b--低通插值滤波器的系数，长度为2rl+1四、downsample功能：对时间序列重采样，在原时间序列中等间隔地取出一些项，得到新序列。 格式：1.y = downsample(x, n)从第一项开始，等间隔n对x采样，得到的序列为y。 2.y = downsample(x, n, phase)从第phase+1项开始，等间隔n对x采样，得到的序列为y，而0<=phase<n.五、decimate功能：对时间序列进行整数倍采样处理，使得时间序列的长度降低。 格式：1.y = decimate(x, r)将时间序列x的采样频率降低为原来的1/r，即length(y)=length(x)/r。在抽取之前，默认地采用了8阶chebyshevI型低通滤波器压缩频带。 2.y = decimate(x, r, n)采用n阶chebyshevI型低通滤波器。 3.y = decimate(x, r, ‘fir")采用30阶的FIR型低通滤波器来压缩频带，对时间序列进行整数倍抽取。 4.y = decimate(x, r， n, ‘fir")指定当对时间序列进行整数倍抽取的时候，采用n点FIR型低通滤波器来压缩频带，对时间序列进行整数倍抽取。 说明： x--时间序列 r--采样要降低的倍数n--指定所采用的chebyshevI型低通滤波器的阶数 ‘fir"--FIR滤波器六、resample功能：对时间序列进行重采样。 格式：1.y = resample(x, p, q)采用多相滤波器对时间序列进行重采样，得到的序列y的长度为原来的序列x的长度的p/q倍，p和q都为正整数。此时，默认地采用使用FIR方法设计的抗混叠的低通滤波器。 2.y = resample(x, p, q, n)采用chebyshevIIR型低通滤波器对时间序列进行重采样，滤波器的长度与n成比例，n缺省值为10.3.y = resample(x, p, q, n, beta)beta为设置低通滤波器时使用Kaiser窗的参数，缺省值为5. 4.y = resample(x, p, q, b)b为重采样过程中滤波器的系数向量。 5.[y, b] = resample(x, p, q)输出参数b为所使用的滤波器的系数向量。 说明： x--时间序列p、q--正整数，指定重采样的长度的倍数。n--指定所采用的chebyshevIIR型低通滤波器的阶数，滤波器的长度与n成比列。 beta--设计低通滤波器时使用Kaiser窗的参数，缺省值为5。

首先要知道你现在数据的投影类型，然后使用project工具尽心投影，投影为lambert投影。其次对数据进行重采样，使用resample工具进行，采样间隔设置为1km即可。

参考高程值有问题了，重采样分辨率调高一点U0001f60a

对，就用zlib压缩，挺不错的；或者是转换成JPEG后再转也行

区间[0,1]上的均匀分布随机数的系统函数R=rand(n)R=rand(m,n)，产生m*n阶均匀随机矩阵

import pandasas pd import numpyas np pd.set_option("display.width", 100000) pd.set_option("display.max_columns", 10000) pd.set_option("display.max_rows", 100000) df = pd.read_csv(r"D:igData手机终端销售统计.csv", header=0) # 将订单日期转成日期格式 df["订单日期"] = pd.to_datetime(df["订单日期"]) # 将订单日期设置成索引 df = df.set_index("订单日期") # 统计2020年的数据 print(df["2020"].head(10)) # 按年、月阶段统计 print(df["2019-12":"2020-01"]) # 统计具体某一天的数据， 新手这里一定注意，如果统计具体一天的数据，一定加loc，我这这里踩坑了 print(df.loc["2020-01-31"]) # 这里统计具体某一天到某一天的数据 print(df["2019-12-06":"2019-12-06"]) df_period = df.to_period("M") print(type(df_period)) print(type(df_period.index)) # 按照月份统计 print(df_period.head(10)) # 按季度统计 print(df.to_period("Q")) # 按年统计 print(df.to_period("A")) print(df_period.index.asfreq("A")) print(df_period.index.asfreq("A-JAN")) print(df_period.index.asfreq("Q")) df_period.index.asfreq("Q-SEP") print(df_period.index.asfreq("M")) print(df_period.index.asfreq("B", how="start")) print(df_period.index.asfreq("B", how="end")) # 按周对数量进行汇总 print(df["数量"].resample("w").sum().head()) # 按月汇总，默认每个月的最后一天，如果想要按照每个月的第一天展示日期，df.resample("M")， “M”改成“MS” print(df.resample("M").sum().head(10)) # 按照季度统计，默认每个季度的第一天 print(df.resample("QS").sum().head()) print(df.resample("AS").sum()) print(df.resample("AS").sum().to_period("A")) print(df.resample("Q").sum().to_period("Q")) print(df.resample("M").sum().to_period("M"))

resample。resample是软件Pandas中进行索引结果位移的一个程序指令，在该软件的设定中，想要达到相同效果，需要使用resample()方法进行重采样。

touchdesigner怎么导入模型？答案如下：首先第一步先点击打开设置按钮，然后帐户管理在页面点击账号安全中心进入即可完成！

　相同之处，两者都是resampling的方法，都是在数据集较小的时候常用的方法。　　不同之处，我觉得主要存在于亮点：　　其一，两者的目的不同。CV主要用于model selection，例如KNN中选多大的K，使得估计的test error比较小。而Bootstrap主要用来看选定的model的uncertainty，例如参数的标准差多大。　　其二，两者的resample方法不同。在k fold CV中，把原始数据集分成k等分（各等分之间没交集），每一次validation中，把其中一份作为validation set，剩余的作为training set。而在Bootstrap中，并不区分training和validation set，并且在resample中，是允许replacement的，即同一个sample可以重复出现。

看不到图，怎么回答，在晚上搜一下cool edit pro教材

Python-for-data-移动窗口函数 本文中介绍的是 ，主要的算子是： 统计和通过其他移动窗口或者指数衰减而运行的函数，称之为 移动窗口函数 <style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style> 2292 rows × 3 columns rolling算子，行为和resample和groupby类似 rolling可以在S或者DF上通过一个window进行调用 <style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style> 2292 rows × 3 columns 指定一个常数衰减因子为观测值提供更多的权重。常用指定衰减因子的方法：使用span（跨度） 一些统计算子，例如相关度和协方差等需要同时操作两个时间序列。 例如，金融分析中的股票和基准指数的关联性问题：计算时间序列的百分比变化pct_change() <style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style> 在rolling及其相关方法上使用apply方法提供了一种在移动窗口中应用自己设计的数组函数的方法。 唯一要求：该函数从每个数组中产生一个单值(缩聚)，例如使用rolling()...quantile(q)计算样本的中位数

这两个不是滤波器,而是重采样(改变采样频率), 虽然它们都使用了低通滤波器来防止重采样过程中的混叠现象. 至于这些低通滤波器(FIR)的具体参数,可以看HELP中的介绍. 比如 interp的:The length of the FIR lowpass interpolating filter is 2*l*r+1.The number of original sample values used for interpolation is 2*l.Ordinarily, l should be less than or equal to 10. The original signal is assumed to be band limitedwith normalized cutoff frequency 0≤alpha≤1,where 1 is half the original sampling frequency (the Nyquist frequency).The default value for l is 4 andthe default value for alpha is 0.5.

如果不想慢慢花时间找软件出错的原因的话 两种选择一、重装该软件可以以解决这个问题二、可以多装一个 格式工厂 ，专门用来转换声音、视频格式，用法简单，下载安装快捷就当作是个备用软件，格式工厂支持多种音频、视频格式的转换，着急要这个音频文件的话就先装一个吧

resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值9变成 250*9Hz然后抽取25 变成速率 90Hz

resample为信号降采样处理，理解如下：B=resample(x,90,250); %采样从250Hz降到90Hz，如果250在前,就是插值从90到250,可以看B的长度,250Hz采样4000个数据等于90hz采样1440个数据,这就是降采样。resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值90变成 250*9Hz然后抽取250变成速率 90Hz。

resample为信号降采样处理，理解如下：b=resample(x,90,250);%采样从250hz降到90hz，如果250在前,就是插值从90到250,可以看b的长度,250hz采样4000个数据等于90hz采样1440个数据,这就是降采样。resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值90变成250*9hz然后抽取250变成速率90hz。

resample函数，help一下，有详细介绍。

resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值9变成250*9Hz然后抽取25变成速率90Hz

调用函数resample（）就可以了resample为信号降采样处理，理解如下：B=resample(x,90,250); %采样从250Hz降到90Hz，如果250在前,就是插值从90到250,可以看B的长度,250Hz采样4000个数据等于90hz采样1440个数据,这就是降采样。

　　在ArcMap中执行以下步骤。　　加载需要重采样的影像，在工具箱中找到重采样工具：　　ArcToolBox--DataManagementTools--Raster--RasterProcessing--Resample;　　在弹出界面中选择需要重采样的影像，设置输出路径和名称;　　将分辨率改为需要的大小，默认值是输入影像的分辨率，数值等于其分辨率(以米为单位)大小;　　选择重采样的算法，系统提供的算法依次为：最近邻法，双线性差值，立方(三次)卷积，多数重采样。3S处理技术http://www.dsac.cn/Software?cate=13744，上面有一些实用的技巧、方法

CoolEditPro2不一致的采样率的原因是设置错误导致的，解决方法步骤如下：1、首先重新安装CoolEditPro2.0（先别打上汉化补丁）。2、打开安装后的CoolEditPro2.0所在文件夹，找到“Resample.xfm”这个文件并复制。3、然后打上汉化补丁并打开CoolEditPro2.0所在文件夹，粘贴刚才复制的“Resample.xfm”覆盖上去即可解决CoolEditPro2不一致的采样率的问题。

遥感图像一景的范围往往很大，占用存储空间多，对其进行操作时运算速度慢。为了减少工作量，加快计算机运算速度，我们往往根据需要裁剪出想要的图像范围即可。按照ERDAS 实现图像分幅裁剪的过程，可以将图像分幅裁剪分为两种类型: 规则分幅和不规则分幅。图 3. 40 Resample 对话框3. 3. 2. 1 规则分幅裁剪(Rectangle Subset IMAGE)规则分幅是指裁剪图像的边界范围是一个矩形，通过左上角和右下角两点的坐标，就可以确定图像的裁剪位置，整个裁剪过程比较简单。ERDAS 图标面板菜单条: Main→Data Preparation→Data Preparation 菜单→选择 SubsetIMAGE→开 Subset IMAGE 对话框(图 3. 41);ERDAS 图标面板工具条: 点击 Data Prep 图标→打开 Data Preparation 菜单→选择 Sub-set IMAGE→打开 Subset IMAGE 对话框(图 3. 41)。在 Subset IMAGE 对话框中需要设置下列参数:→输入文件名称(Input File): xh20000528. IMG;→输出文件名称(Output File): xh000528_subset. IMG;→坐标类型(Coordinate Type): Map;→裁剪范围(Subset Definition): 输入 ULX、ULY、LRX、LRY;→输出数据类型(Output Data Type): Unsigned 8 bit;→输出统计忽略零值: Ignore Zero in Output Stats;→输出像元波段(Select Layers): 1: 6(表示选择从第1 波段到第7 波段)，4，3，2(表示选择 4，3，2 四个波段);→OK(关闭 Subset IMAGE 对话框，执行图像裁剪)。图 3. 41 Subset IMAGE 对话框说明: ①在上述图像裁剪过程中，裁剪范围是通过直接输入左上角坐标和右下角坐标定义的。此外，还可以通过两种方式定义裁剪范围: 其一是应用查询框(Inquire Box)，然后在 Subset IMAGE 对话框中选择 From Inquire Box 功能; 其二是应用 AOI，然后在 Sub-set IMAGE 对话框中选择 AOI 功能，打开 AOI 对话框，并确定 AOI 区域来自图像视窗即可。②输出波段的选择: 一种是用冒号表示从第几波段到第几波段，另外一种是用逗号隔开表示仅仅选择这几个波段。3. 3. 2. 2 不规则分幅裁剪(Polygon Subset IMAGE)不规则分幅裁剪是指裁剪图像的边界范围是个任意多边形，无法通过左上角和右下角两点的坐标确定图像的裁剪位置，而必须事先生成一个完整闭合多边形区域，可以是一个 AOI多边形，也可以是 ArcInfo 的一个 Polygon Coverage。针对不同的情况采用不同裁剪过程。(1)AOI 多边形裁剪(Polygon AOI Subset IMAGE)首先在视窗中打开需要裁剪的图像，并应用 AOI 工具绘制多边形 AOI，可以将多边形AOI 保存在文件中(* . AOI)，也可以暂时不退出视窗，将图像与 AOI 多边形保留在视窗中，然后，在 Subset IMAGE 对话框中需要设置下列参数:→输入文件名称(Input File): Lanier. IMG;→输出文件名称(Output File): Lanier_sub. IMG;→应用 AOI 确定裁剪范围: 点击 AOI 按钮;→打开选择 AOI(Choose AOI)对话框(图 3. 42);图 3. 42 Choose AOI 对话框→在 Choose AOI 对话框中确定 AOI 的来源(AOI Source): Viewer 或 AOI File(如果选择 AOI File，则需要浏览找到此前的* . AOI 文件);→输出数据类型(Output Data Type): Unsigned 8 bit;→输出统计忽略零值: Ignore Zero in Output Stats;→输出像元波段(Select Layers): 1: 6(表示选择从第1 波段到第7 波段)，4，3，2(表示选择 4，3，2 四个波段);→OK(关闭 Subset IMAGE 对话框，执行图像裁剪)。(2)ArcInfo 多边形裁剪(Polygon Coverage Subset IMAGE)如果按照行政区划边界或自然区划边界进行图像的分幅裁剪，往往是首先利用 ArcInfo或 ERDAS 的 Vector 模块绘制精确的边界多边形(Polygon)，然后以 ArcInfo 的 Polygon 为边界条件进行图像裁剪。若是对地形图的内框范围进行裁剪，需要借助其他软件如 Map-GIS 生成标准内框设定裁剪范围。对于这种情况，需要调用 MapGIS 和 ERDAS 其他模块的操作分两步完成。图 3. 43 生成 1∶5 万单线内框第一步: 在 MapGIS 的投影变换子系统中根据四幅图像的左下角经纬度分别生成 4 个标准 1∶5 万单线内框(图 3. 43)。第二步: 选择标准椭球，如图 3. 44 所示。图 3. 44 选择椭球体第三步: 对生成的标准内框进行投影转换，如图 3. 45 所示。图 3. 45 对内框进行投影转换第四步: 选择投影转换的内框文件，如图 3. 46 所示。图 3. 46 选择投影文件或目录第五步: 设置输入坐标系类型和投影类型、比例尺分母、及坐标单位、投影带类型及投影带号，如图 3. 47 所示。图 3. 47 设置输入坐标系类型和投影类型第六步: 设置输出坐标系类型和投影类型、比例尺分母及坐标单位、投影带类型及投影带序号，如图 3. 48 所示。第七步: 在 MapGIS 的输入编辑中按照生成的内框新建一个工程，将四个单线分别进行拓扑，如图 3. 49～ 图 3. 51 所示。图 3. 48 设置输出坐标系类型和投影类型图 3. 49 设置新建工程的地图参数图 3. 50 在新建工程中加载内框文件图 3. 51 对内框进行拓扑第八步: 文件转换，在 MapGIS 的文件转换中将拓扑好的文件(* . WP)转成 Shp 文件格式，如图 3. 52 所示。第九步: 矢量栅格化，将 Shp 格式的单线内框进行矢量栅格化，栅格化得到的图像，用 IMAGE Command Tool 命令重新赋一次投影信息。再进行 Mask 掩膜处理，得到用内框裁剪的图像，如图 3. 53，图 3. 54 所示。第十步: 查看矢量栅格化结果，如图 3. 55 所示，图中没有投影信息。第十一步: 加载投影信息，如图 3. 56，图 3. 57 所示，此时加载的投影信息需要和地形图校正时需要的信息一致。第十二步: 查看附有投影信息的文件，如图 3. 58 所示。第十三步: 进行掩膜操作，执行图像裁剪，在 Mask 掩膜对话框中设置需要裁剪的图像文件以及膜文件、输出文件类型等，如图 3. 59，图 3. 60 所示。通过上述过程可以得到内框范围内的地形图。图 3. 52 将* . WP 文件转换为* . Shp 文件图 3. 53 矢量栅格化菜单图 3. 54 Vector to Raster 对话框3. 3. 2. 3 使用 AOI 定义裁剪范围，提取出区域范围第一步: 在视图窗口分别打开 Shp 格式的内框，选择单个区域保存为 AOI 文件，用AOI 定义区域范围。然后用 Subset 进行裁剪，得到用内框裁剪的图像，如图 3. 61～ 图3. 64 所示。两种方法比较:1)用 Mask 掩膜方法进行裁剪，需要重新附加投影信息，裁剪结果占用的磁盘空间较少，过程较复杂。图 3. 55 矢量栅格化结果图 3. 56 IMAGE Commands 对话框2)使用 AOI 定义裁剪范围时，可以减少附加投影信息的过程，但是裁剪结果占用的磁盘空间并没有减少，过程较简单。图 3. 57 选择投影类型图 3. 58 附有投影信息的文件图 3. 59 掩膜工具图 3. 60 Mask 对话框

采样点增益是指在模拟信号采样过程中，由于采样时序与信号本身的时序不完全匹配，导致采样结果中出现了噪声。采样点增益可以通过在数字信号处理中应用FIR滤波器来减小。通过滤波器设计，可以得到一个滤波器系数向量，利用这个向量可以对信号进行滤波处理，从而消除掉采样点增益所带来的影响。在Matlab中，可以使用fir1函数来设计FIR滤波器。该函数可以根据用户指定的滤波器类型、滤波器阶数和截止频率等参数，自动生成滤波器系数。然后，可以使用filter函数将信号与滤波器系数进行卷积，得到滤波后的信号。需要注意的是，采样点增益是由于采样时序与信号本身的时序不匹配而产生的噪声，因此在采样过程中应尽可能保证采样时序与信号时序的匹配度，以减小采样点增益对信号的影响。此外，在信号处理过程中也可以采用其他方法来消除噪声，例如小波变换、自适应滤波等。

尺寸，分辨率和格式......像素与它有什么关系？您是否根据其百万像素数量购买相机？您在网上分享照片时遇到问题吗？即使屏幕看起来很棒，您的打印质量是否也会看起来质量低？像素和字节（图像大小和文件大小），质量和数量，大小和分辨率之间似乎存在很多混淆。因此，让我们回顾一些基础知识，让您的生活更轻松，工作流程更高效，图片的大小也符合预期用途。此图像的大小为72 xpi时750×500像素，保存为压缩JPG，为174kb。让我们来看看这意味着什么。分辨率与大小相同吗？最大的误解之一来自解决方案的概念。如果这是你的情况，相信我，你并不孤单。问题在于解决方案可以涉及很多事情，其中两个与手头的问题有关。此外，我将解释这两个分辨率概念，但它们有一个共同点，我需要首先澄清。它们都与像素有关。您可能已经听过很多关于像素的信息，至少在您购买相机时是这样。这是市场上最有用和最有价值的规格之一，所以我将从那里开始。什么是像素？数码照片不是一件不可分割的东西。如果你放大得足够远，你会发现你的图像就像是由小瓷砖组成的马赛克，在摄影中称为像素。这些像素的数量及其分布方式是您需要考虑的两个因素来理解分辨率。像素数第一种分辨率是指像素数，即形成照片的像素数。为了计算这个分辨率，你只需使用与任何矩形区域相同的公式;将长度乘以高度。例如，如果您的照片在水平面上有4,500像素，而在垂直尺寸上有3,000张，则总共可以获得13,500,000像素。因为这个数字非常不实用，你只需将它除以一百万即可将其转换为百万像素。所以13,500,000 / 1,000000 = 13.5百万像素。像素密度另一种分辨率是关于如何分配您拥有的像素总量，通常称为像素密度。现在，分辨率以dpi（或ppi）表示，这是每英寸点（或像素）的首字母缩写。因此，如果你看到72 dpi，则表示图像每英寸有72个像素;如果你看到300 dpi意味着每英寸300像素，依此类推。图像的最终大小取决于您选择的分辨率。如果图像为4500 x 3000像素，则表示如果将分辨率设置为300 dpi，它将以15 x 10英寸打印，但在72 dpi时将为62.5 x 41.6英寸。虽然您的打印尺寸确实发生了变化，但您没有调整照片大小（图像文件），只是重新组织现有像素。想象一下橡皮筋，你可以伸展它或收缩它，但你不会改变乐队的组成，你不会添加或切割任何橡胶。总之，没有分辨率与大小不同，但它们是相关的。数量等于质量？由于上述尺寸和分辨率之间的相关性，很多人认为百万像素的质量相同。从某种意义上说，这是因为你必须扩散的像素越多，像素密度就越高。但是，除了数量之外，您还应该考虑像素的深度，这决定了图像将具有的色调值的数量。换句话说，它是每个像素的颜色数。例如，2位深度只能存储黑色，白色和两种灰度，但更常见的值是8位。这些值以指数方式增长，例如8位照片（2到8 = 256的幂）你将拥有256色绿色，256色蓝色和256色红色，这意味着大约1600万种颜色。这已经超出了眼睛可以区分的意味着16位或32位看起来与我们相似。当然，这意味着即使尺寸相同，您的图像也会更重，因为每个像素中包含的信息更多。这也是质量和数量不一定相同的原因。因此数量有所帮助，但每个像素的大小和深度决定了质量。这就是为什么你应该看看相机及其传感器的所有规格，而不仅仅是百万像素的数量。毕竟，您可以打印或查看图像的大小是有限制的，只会导致额外的文件大小（兆字节），并且不会影响图像大小（百万像素）或质量。如何选择和控制图像大小和文件大小？首先，您需要选择照片的插座，您需要的最大密度。如果你要在网上发布你的图像，你可以用72 dpi做得很好，但这对于打印照片来说太少了。如果要打印它，则需要300到350 dpi。当然，我们讨论的是概括，因为每个显示器和每台打印机的分辨率也会略有不同。例如，如果要将照片打印为8×10英寸，则需要将图像打印为300dpi x 8“= 2400像素乘300dpi x 10”= 3000像素（因此2400×3000打印8×10,300dpi） 。任何比这更大的东西只会占用你硬盘上的空间。如何在Photoshop中调整大小打开图像大小的菜单，在弹出窗口中，您需要勾选“重新取样图像”框。如果你没有激活“resample”，你将只重新分配像我在文章开头所解释的像素。如果您希望根据所做的更改调整度量，也可以选择勾选“约束比例”。因此，当您更改高度时宽度会调整，反之亦然。在300 ppi时为8×10英寸，这是打印8×10所需的尺寸。请注意，像素大小为3000 x 2400。72 ppi时750×500像素。这是Web分辨率，是本文中所有图像的确切大小。在线发布时，以英寸为单位的大小无关 - 只有像素大小才重要。在窗口的顶部，您还将看到文件大小的变化。这是您图像的未压缩版本，它是我在文章第一部分中解释的直接关系：更少的像素意味着更少的信息。现在，如果您仍想在不调整大小的情况下更改文件大小，则必须在保存图像时执行此操作。保存照片之前，您可以选择所需的格式：如果您不想丢失保存未压缩格式所需的任何信息。最常见，因此更容易分享的是TIFF。如果你不介意丢失一些信息，只要你有一个较轻的文件，那么去一个JPEG并选择你想要的小。显然你设置的越小，你输的信息就越多。幸运的是，它有一个预览按钮，因此您可以看到压缩的影响。JPG高品质。JPG质量低。请注意它是如何像素化和分解的？如果你把它压得太厉害或者质量太低，你就有可能将图像降级太多。结论所以你有它。因此质量，数量，尺寸和分辨率都得到了解释，它们都与像素有关，因为它们是构成图像的基本单位。现在你知道你可以做出最好的选择来打印，分享和保存你的照片。

不能直接修改fs。需要重采样进行转换，resample函数。

foobar2000是由原先winamp的主要开发人员Peter Pawlowski开发的一款音频播放软件，Peter Pawlowski由于不满Winamp的开发方向而离开了Winamp开发团队，独立开发出以音质更好、支持格式更多、更加专业，但体积却与资源占用量更小的foobar2000。 在foobar的使用中正确的设置播放的质量起着决定性的作用！以下是我个人的体会： 首先应在设置的Playback的Output data format中选择所使用声卡支持的解析度，一般都选16bit fix-point，如果你用有Audigy2或者更专业的卡就该选择24bit，这个数值并不是越打越好，应该符合声卡的实际能力，否则会在播放中出现问题。 然后在DSP Manager中将Resample(SSRC)移进左面的框中，使之激活。再将Resampler中的Target sample rate设为48000Hz（Audigy2设为96000）。最后，将Output设为Kernel Streaming（如果声卡支持ASIO output，则可以另下一个插件，使之达到更好的效果）。要说明的是Kernel Streaming只能在Win2000、XP、2003中开启，所以还在使用Win9X的是无法获得最佳效果的。 现在解释一下这样设置所起的作用。现在的民用声卡(包括live!)大多遵循AC97标准，都已经将输出的取样频率固定为 48khz。而CD和绝大多数MP3采样率都为44.1K，于是声卡在处理数字音频时，都要进行48kHz的SRC（Sample Rate Convert--采样频率转换）步骤，即通过一定的算法将44.1K的音频转换成48K输出。这个过程会有较大的噪声或者谐波出现，这些噪声因转换器的质量高低，算法好坏而定。所以说SRC对于音质有一定的损失，不过损失的大小主要依赖SRC算法的优劣。低失真的SRC算法计算量非常大，而高速度和低失真是非常难兼顾的，指望市面上大多数声卡的计算能力完成高质量的SRC，自然是不现实的，就算是高档Audigy的SRC算法也存在很大缺陷。但在输入音频流为48K采样的情况下，是不会再对音频流进行SRC处理的。Resample(SSRC)的作用就是使声卡跳过SRC处理。尽管没人敢说foobar的转换算法是最好的，但它的确在性能和质量间找到了非常好的平衡点。 在Win2000/XP下如没有装其它插件，foobar的Output有3个选项：Directsound、Waveout以及Kernel Streaming。在播放时waveout 及 Directsound都会将音频信号传给Windows kernel mixer进行混音，在这过程中往往会产生声音的品质问题。而Kernel Streaming 会绕过 Windows kernel mixer，直接输出音讯资料给声卡。而且这种方式有着较低的输出延迟，也许可以被视为 ASIO output 之外的另一种选择。 在使用性方面foobar也有独到的一面，例如能直接播放APE、MPC，以及压缩包内的文件；能在多个playlist间快速切换等等。你也可以通过编写formatting将foobar的界面打造的个性化，在Foobar2000 Format Strings这个网站上有许多现成的formatting，可以直接套用。 补充：　 1，用了SSRC，CPU使用飙升,建议在设置preferences里将频谱显示Visualization关掉，这又能省掉大概1/4的系统资源占用。 2，由于Kernel Streaming在Win9X中可能存在兼容性问题，所以默认是不装的，在安装时选择一下就应该有了 3，Foobar2000 Format Strings的网址是[url] pelit.koillismaa.fi/fb2k/index.php[/url]

1、首先选择SOX，95切除，modified-e权重算法，2、然后避开Improved-e权重算法和Shibata，因为前者引入太多的变换噪声，后者是FB2K的Native算法，效果并不好，不知道为什么这个版本的Resampler没有引入librwresampler的全部特性，modified-e算是折中的最好选择了。3、最后全都设置完后，享受新版本带来的空气感吧

好像是汉化过程中删去了RESAMPLE.XFM这个模块。解决办法是，找朋友要或网上搜到这个模块，拷贝的Cool Edit的安装文件夹里，就可以了。也可重装Cool Edit，在汉化前备份RESAMPLE.XFM，汉化后考回去。这样，在采样率不一致的时候，软件自动提示你编辑采样率，你按提示操作就OK了

数据增强是扩充数据样本规模的一种有效地方法。深度学习是基于大数据的一种方法，我们当前希望数据的规模越大、质量越高越好。模型才能够有着更好的泛化能力，然而实际采集数据的时候，往往很难覆盖掉全部的场景，比如：对于光照条件，在采集图像数据时，我们很难控制光线的比例，因此在训练模型的时候，就需要加入光照变化方面的数据增强。再有一方面就是数据的获取也需要大量的成本，如果能够自动化的生成各种训练数据，就能做到更好的开源节流。 数据增强可以分为两类，一类是离线增强，一类是在线增强。 pytorch中数据增强的常用方法如下： torchvision中内置的transforms包含了这些些常用的图像变换，这些变换能够用Compose串联组合起来。 原图： class torchvision.transforms.CenterCrop(size) 原图像尺寸：(658, 411) 中心裁剪后尺寸:(200, 200) class torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0) class torchvision.transforms.Grayscale(num_output_channels=1)) class torchvision.transforms.Pad(padding, fill=0, padding_mode="constant") class torchvision.transforms.RandomCrop(size, padding=0, pad_if_needed=False) class torchvision.transforms.RandomHorizontalFlip(p=0.5) class torchvision.transforms.RandomVerticalFlip(p=0.5) class torchvision.transforms.RandomRotation(degrees, resample=False, expand=False, center=None)

用AU吧，AU可以

用resample函数

那就是麦的问题了，可以换个麦。求采纳