精华内容
下载资源
问答
  • 全国人口密度数据,1 km×1 km栅格数据,经过校准和处理,更便于使用,用于制作人口密度图等等。全国人口密度数据,是利用卫星遥感影像、土地利用类型数据、人口统计资料等,在高程、地貌等多种空间数的支撑下,生成...
  • 全国人口密度数据2000至2020年度
  • 空间分辨率接近1Km*1Km
  • 用于查看全球人口分布 可以用arcgis进行处理获取人口分布数据再进行相关分析
  • 福建省-2021年-人口密度-矢量数据.rar
  • 海南省-2021年-人口密度-矢量数据.rar
  • 江苏省-2021年-人口密度-矢量数据.rar
  • 人口密度网格化比人口密度行政单元化更接近人口的实际分布。 而且是实现人口数据与其他社会经济统计数据$ 资源数据$ 环境数据复合
  • 来源:Worldpop
  • 山东省-2021年-人口密度-矢量数据.rar
  • 新疆自治区-2021年-人口密度-矢量数据.rar
  • 2020年江西省人口密度栅格数据,是利用卫星遥感影像,获取土地利用类型信息,然后在高程、地貌等多种空间数据背景信息的支持下,建立人口密度与土地利用类型之间的关系,利用此关系模型生成1km×1km的人口栅格数据。
  • 广西省-2021年-人口密度-矢量数据.rar
  • 常州市人口密度.zip

    2020-07-31 09:55:00
    利用NPP夜间灯光和常州市各个街道的人口数据进行的常州市主城区人口密度反演,分辨率250米,力度较为精细。
  • 该项目将帮助研究人员实施人口密度方法,以便使用 TMoLiC 软件在所有可能的配置中找到最可能的配置。 创建这种近似是为了最初建立天冬氨酰蛋白酶的 Asp Dyad 质子化状态。 然而,这个概念可以扩展到一般的蛋白质,以...
  • 四川省-2021年-人口密度-矢量数据.rar
  • 主要包括上海中心城区(静安区、长宁区、浦东新区外环内等)的人口密度,单位为万人/平方公里
  • 基于Matlab曲线拟合的山东省各地市人口密度预测及Cartogram地图表现.pdf
  • 北京市人口密度数据—精确到平方千米,来自美国橡树岭实验室
  • 0-3广州市行政区划与人口密度分布图.zip
  • 人口密度数字模拟

    2013-05-23 16:17:31
    基于格点法生成的人口密度空间分布模型,通过运行净第一生产力空间分布,模拟人口分布。 格点生成,人口密度,空间分布,数字模拟
  • 江西省-2021年-人口密度-矢量数据.rar
  • 北京市-2021年-人口密度-矢量数据.rar
  • 吉林省-2021年-人口密度-矢量数据.rar
  • 河南省-2021年-人口密度-矢量数据.rar
  • 甘肃省-2021年-人口密度-矢量数据.rar
  • 安徽省-2021年-人口密度-矢量数据.rar
  • 陕西省-2021年-人口密度-矢量数据.rar
  • 基于GIS的甘肃省人口密度空间分布模拟-论文.zip
  • 人口密度检测

    千次阅读 2020-10-02 21:41:29
    ·低密度人群代码说明中文文档及补充说明 ·代码列表 ·代码使用说明 这套代码的使用只针对低密度的人群密度,即人群密度的统计的满足能够分辨单个的人,即视频中不存在多个人叠加的情况。 代码MATLAB2007b...

    ·低密度人群代码说明中文文档及补充说明

    ·代码列表

    ·代码使用说明

         这套代码的使用只针对低密度的人群密度,即人群密度的统计的满足能够分辨单个的人,即视频中不存在多个人叠加的情况。

         代码MATLAB2007b,运行即开始运行本代码。

    ·设计方案说明

    第一步:读取图片视屏序列

    function [n_frames,I3] = func_readvedio(folder,list);

    n_frames = 0;

    for i=1:length(list)

        I  = imread(fullfile(folder,list(i).name));

        I2 = rgb2gray(uint8(I));

        I3(:,:,i) = I2;

        n_frames  = n_frames + 1;

    end

    这样写可以专门用来读取连续编号的图片序列作为视屏。

    第二步:提取背景

        这个部分的方法参考您提供的论文的这个部分:

    对应的代码如下所示:

    function back3 = func_getbackground(image,frames,T);

    rows = size(image,1);   

    cols = size(image,2);   

    d(1:rows,1:cols,1)          = image(1:rows,1:cols,1);

    for k = 2:frames

        d(1:rows,1:cols,k)      = image(1:rows,1:cols,k) - image(1:rows,1:cols,k-1);

    end

    //以上就是求解图像的差分

    CDM(1:rows,1:cols,2:frames) = d(1:rows,1:cols,2:frames);

    CDM(abs(CDM) <  T)=0;

    CDM(abs(CDM) >= T)=255;

    //CDM

    m=0;

    for i=1:rows

       for j=1:cols

            for k=2:frames

                 if CDM(i,j,k) == 0

                 m(k)=1;

                 end

                 if CDM(i,j,k) == 255

                 m(k)=rand(1);

                 end         

            end

                 position(i,j) = func_position(m);

        end

    end

    //求解CDM中最大的连0的坐标

    for i=1:rows

        for j=1:cols

        back3(i,j) =image(i,j,position(i,j));   

        end

    end

    //获得背景

     

    第三步:当前图片与背景的差

    function images2 = func_subbackground(image,back,frames,T2);

    rows = size(image,1);   

    cols = size(image,2);

    for k=1:frames

        images(1:rows,1:cols,k)  = back(1:rows,1:cols)-image(1:rows,1:cols,k);  

        images2(1:rows,1:cols,k) = im2bw(images(1:rows,1:cols,k),T2); 

    end

    这里求解差,并将得到的结果求二值图

     

    第四步:形态学处理

    rows = size(image,1);   

    cols = size(image,2);

    for k=1:frames

         images3(1:rows,1:cols,k)=bwareaopen(image(1:rows,1:cols,k),10);

    end

    这里我们主要将视屏中的个别噪点去掉使画面更加’干净’;

    第五步:边缘检测

    function images = func_edgecheck(image,frames);

    rows = size(image,1);   

    cols = size(image,2);

    for k = 1:frames

        for i=2:rows

           for j=2:cols

             if image(i,j,k)==1 &&(image(i+1,j,k)==0||image(i-1,j,k)==0||image(i,j+1,k)==0||image(i,j-1,k)==0)

             images(i,j,k)=255;

             else

             images(i,j,k)=0;

             end

           end

        end

    end

    普通边间求解法

    第六步:求解前景像素数

    function Num = func_pixel(image,frames);

    rows = size(image,1);   

    cols = size(image,2);

    Num(1:frames)  = 0;

    for k = 1:frames

        for i=2:rows

           for j=2:cols

                  if image(i,j,k)>0

                  Num(k) = Num(k)+1;

                  end

           end

        end

    end

    plot(Num,'r-*');

    grid;

    ylabel('ÏñËØÊý');

    xlabel('Ö¡ÊýÄ¿');

    title('µÍÃܶÈÈË¿ÚÃܶÈ');

    第七步:拟合说明

         这个步骤主要是通过求的的像素值与实际存在的人数进行拟合。其拟合效果如下所示:

     

    通过拟合得到人数和像素数的关系曲线为:

    即在低密度的条件下,像素数和人数的关系曲线。

     

     

    ·高密度人群代码说明中文文档

    里面的代码的说明如下所示:

    Test:测试视屏中提取的视屏特征参数保存的文件夹;

    Train1:高密度训练视屏中提取的视屏特征参数保存的文件夹;

    Train2:中密度训练视屏中提取的视屏特征参数保存的文件夹;

    Vedio:保存视屏的文件;

     

     

     

     

     

     

     

     

     

     

     

     

     

    分类函数

    灰度共生矩阵的相关性参数

    求背景

    求灰度共生矩阵函数

    灰度共生矩阵子函数

    加载数据

    画图函数

    计算CDM最长0点位置函数

    读取视屏函数

    背景相减函数

    形态学处理还输

    SVM分类核函数

    系统运行主函数

    SVM分类画图

    SVM子函数

    测试文件,无用。。

     

     

    系统包括如下几个部分:

     

     

     

     

     

     

    其中前面三个部分均为特征提取函数。这里以高密度特征提取为例子:

    前面的四个步骤都是相同的。

    然后是步骤五。灰度共生矩阵特征参数的提取。

    其步骤为:

    其主函数为:

     

    其中的主要函数为

     

    这里主要利用到了MATLAB的内置函数graycomatrix进行求解灰度共生矩阵;

    然后利用函数graycoprops求其每个角度的特征参数

    然后通过如下的代码求的0,45,90,135四个角度的共生矩阵的各个特征参数;

     

     

     

     

     

    这个代码段就是将灰度共生矩阵参数保存到相应的文档中。

     

    然后后几个视屏的灰度共生矩阵的特征参数的提取也是同样的步骤进行。

     

    注意,在计算特征参数的时候,有四种情况,就是分别计算了灰度等级为8,16,32,64四种情况下的特征参数。

     

    这里首先选择灰度等级,8,16,32,64等等。

    然后进行数据加载。

    然后这里的high_low就是进行识别测试数据是高密度还是中密度的选中函数。

    最后两个就是通过0度和90度的特征参数进行分类。

     

    测试步骤:

    假设不知道测试的视频的人口密度情况;

    然后首先输入high_low = 1;

    然后运行代码:

    得到如下的运行结果:

    这个说明输入的测试视频和低密度的特征参数是一类的。则说明测试参数是低密度视频

     

     

     

     

    加入认为输入的视频是高密度。那么high_low = -1;然后运行代码;

    这是错误的。这说明输入的不是高密度,是低密度。

    通过这样对比,完成一组视频的测试,判断输入的视频是中密度还是高密度。

     

     

     

     

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,313
精华内容 3,325
关键字:

人口密度