矢量化

Hi，大家好，作为一个基层工作的GISer，你是否还在利用编辑工具一步一步点着鼠标，一个一个点进行着矢量化呢？心里默默念着，什么时候才能搞定，大栗子今天带你使用一个简单的工具，全力完成任务，你准备好了么？我们就要开始啦！！！ 俗话说得好，巧妇难为无米之炊，材料当先，这一期我们需要的最基本的材料：一张你要矢量化的图，ArcGIS中的扩展工具ArcScan以及辅助的编辑工具。 我们的工作流程如下：二值化栅格图→（校正栅格图→定义坐标系统及投影→数据库中创建矢量化文件）→ArcScan设置→矢量化（记好了没？没记好就多看三遍，不够就五遍吧，不记住怎么知道接下来要实现什么呢？） 步骤一：二值化栅格图 。（这一步至关重要，如果这一步你没完成，下面寸步难行。） 问题1：为什么要二值化栅格 答案：是因为ArcScan很笨，它再神通广大也还是在计算机上运行，所以你懂了，除了机器语言它是没法识别其他的，所以只认识0和1，这么干就是为了让结果精确！ 问题2：怎么进行二值化 答案：方法两种，有复杂的也有简单的，肯定都想看看简单的，但是繁琐的也是一种方法不是么？先说复杂的，利用图像处理工具处理，在PS中，打开栅格图片，图像→调整→阈值，然后输出为TIF，其实现在它还是RGB显示的，所以要在画图工具中将其另存为为单色位图bmp格式，由于bmp格式数据不是我们矢量化通用的数据格式，将其继续另存为tif格式

我们可以获取canvas对象为var c=document.getElementById("myCanvas");其应有js属性方法如下列举： 1：绘制渲染对象， c.getContext("2d"),获取2d绘图对象，无论我们调用多少次获取的对象都将是相同的对象。 2：绘制方法： clecrRect(left,top,width,height)清除制定矩形区域， fillRect(left,top,width,height)绘制矩形，并以fillStyle填充。 fillText（text,x,y）绘制文字； strokeRect(left,top,width,height)绘制矩形，以strokeStyle绘制边界。 beginPath():开启路径的绘制,重置path为初始状态； closePath():绘制路径path结束，它会绘制一个闭合的区间，添加一条起始位置到当前坐标的闭合曲线； moveTo（x，y）：设置绘图其实坐标。 lineTo(x，y);绘制从当前其实位置到x，y直线。 fill（），stroke（），clip（）：在完成绘制的最后的填充和边界轮廓，剪辑区域。 arc（）：绘制弧,圆心位置、起始弧度、终止弧度来指定圆弧的位置和大小； rect():矩形路径; drawImage（Imag img）：绘制图片； quadraticCurveTo()

https://www.kaggle.com/arthurtok/spooky-nlp-and-topic-modelling-tutorial 介绍 在本笔记本中，我将对这个Spooky Author数据集的主题建模进行非常基本的尝试。主题建模是我们尝试根据基础文档和文本语料库中的单词来发现抽象主题或“主题”的过程。我将在这里介绍两种标准的主题建模技术，第一种是称为潜在Dirichlet分配（LDA）的技术，第二种是非负矩阵分解（NMF）。我还将借此机会介绍一些自然语言处理基础知识，例如原始文本的标记化，词干化和向量化，这些也有望在用学习模型进行预测时派上用场。 该笔记本的概述如下： 探索性数据分析（EDA）和Wordclouds-通过生成简单的统计数据（例如，不同作者的词频）以及绘制一些词云（带有图像蒙版）来分析数据。 带有NLTK（自然语言工具包）的自然语言处理（NLP）-引入了基本的文本处理方法，例如标记化，停止单词删除，通过术语频率（TF）和反向文档频率（TF-IDF）提取文本和对向量进行矢量化 使用LDA和NNMF进行主题建模-实现潜在狄利克雷分配（LDA）和非负矩阵分解（NMF）的两种主题建模技术。 根据比赛页面，我们已经提供了三种不同的作者姓名缩写，这些姓名缩写与实际作者的映射如下： （如果单击其名称，则指向其Wikipedia页面配置文件的链接） EAP-埃德加

介绍 在本练习中，您将实现一对多逻辑回归和神经识别手写数字的网络。在开始编程之前练习，我们强烈建议观看视频讲座并完成相关主题的复习问题。要开始练习，您需要下载起始代码并将其内容解压缩到要完成练习的目录。如果需要，请在开始本练习之前使用octave/matlab中的cd命令更改到此目录。您也可以在课程网站的“环境设置说明”中找到安装Octave/Matlab的说明。 本练习中包含的文件 ex3.m-octave/Matlab脚本，它引导您完成第1部分 ex3 nn.m-octave/matlab脚本，它引导您完成第2部分 ex3data1.mat-手写数字训练集 ex3weights.mat-神经网络练习的初始权重 submit.m-将解决方案发送到我们服务器的提交脚本 displaydata.m-帮助可视化数据集的函数 fmincg.m-函数最小化例程（类似于fminunc） sigmoid-S形函数 [*]lrcostfunction.m-逻辑回归成本函数 [*]one vs all.m-训练一对多分类器 [*]PredictOneVsall.m-使用一对多分类进行预测 [*]predict.m-神经网络预测功能 *表示需要完成的文件 在整个练习中，您将使用脚本ex3.m和ex3 nn.m。这些脚本为问题设置数据集，并调用要编写的函数。不需要修改这些脚本