SDE連線,建立資料集,資料匯入以及資料匯出
1.介面
2.資料庫的連線
[csharp] view plain copy- IWorkspace workspace;
- IFeatureWorkspace featureWorkspace;
- IRasterWorkspaceEx rasterWorkspaceEx;
- IFeatureDataset featureDataset;
- IRasterDataset rasterDataset;
- IPropertySet propertySet;
- private void btnConnectDB_Click(object sender, EventArgs e)
- {
- propertySet = new PropertySetClass();
- propertySet.SetProperty("server", "Toby-PC");
- propertySet.SetProperty("instance", "5151/tcp");
- propertySet.SetProperty("database", "sde");
- propertySet.SetProperty("user"
- propertySet.SetProperty("password", "Toby521904");
- propertySet.SetProperty("version", "SDE.DEFAULT");
- IWorkspaceFactory workspaceFactory =new SdeWorkspaceFactory();
- workspace = workspaceFactory.Open(propertySet, 0);
- MessageBox.Show("連線成功");
- }
3.建立資料集
[csharp] view plain copy- private void btnCreateDataSet_Click(object sender, EventArgs e)
- {
- if (this.txtRasterDS.Text != "" || this.txtFeatureDS.Text != "")
- {
- featureWorkspace = workspace as IFeatureWorkspace;
- rasterWorkspaceEx = workspace as IRasterWorkspaceEx;
- IEnumDatasetName enumDatasetName;
- bool isExit = false;
- IDatasetName datasetName;
- string dsName = "";
- if (this.txtFeatureDS.Text != "")
- {
- //定義空間參考
- ISpatialReferenceFactory spatialReferenceFactory = new SpatialReferenceEnvironmentClass();
- ISpatialReference spatialReference = spatialReferenceFactory.CreateGeographicCoordinateSystem((int)esriSRGeoCSType.esriSRGeoCS_Beijing1954);
- spatialReference.SetDomain(-1000, -1000, 1000, 1000);
- enumDatasetName = workspace.get_DatasetNames(esriDatasetType.esriDTFeatureDataset);
- datasetName = enumDatasetName.Next();
- isExit = false;
- dsName = "sde.SDE." + this.txtFeatureDS.Text;
- while (datasetName != null)
- {
- if (datasetName.Name == dsName)
- {
- isExit = true;
- MessageBox.Show("向量資料集已經存在!");
- this.txtFeatureDS.Focus();
- return;
- }
- datasetName = enumDatasetName.Next();
- }
- if (isExit == false)
- {
- featureDataset = featureWorkspace.CreateFeatureDataset(this.txtFeatureDS.Text, spatialReference);
- }
- MessageBox.Show("向量資料集建立成功");
- }
- if (this.txtRasterDS.Text != "")
- {
- //建立影像資料集;
- isExit = false;
- enumDatasetName = workspace.get_DatasetNames(esriDatasetType.esriDTRasterDataset);
- datasetName = enumDatasetName.Next();
- dsName = "SDE." + this.txtRasterDS.Text;
- while (datasetName != null)
- {
- if (datasetName.Name == dsName)
- {
- isExit = true;
- MessageBox.Show("向量資料集已經存在!");
- break;
- }
- datasetName = enumDatasetName.Next();
- }
- if (isExit == false)
- {
- IRasterStorageDef rasterStorageDef = new RasterStorageDefClass();
- rasterStorageDef.CompressionType = esriRasterCompressionType.esriRasterCompressionUncompressed;
- rasterStorageDef.PyramidLevel = 1;
- rasterStorageDef.PyramidResampleType = rstResamplingTypes.RSP_BilinearInterpolation;
- rasterStorageDef.TileHeight = 128;
- rasterStorageDef.TileWidth = 128;
- IRasterDef rasterDef = new RasterDefClass();
- ISpatialReference rasterDSpatialReference = new UnknownCoordinateSystemClass();
- rasterDef.SpatialReference = rasterDSpatialReference;
- IGeometryDef geometryDef = new GeometryDefClass();
- IGeometryDefEdit geometryDefEdit = (IGeometryDefEdit)geometryDef;
- geometryDefEdit.AvgNumPoints_2 = 5;
- geometryDefEdit.GridCount_2 = 1;
- geometryDefEdit.set_GridSize(0, 1000);
- geometryDefEdit.GeometryType_2 = esriGeometryType.esriGeometryPolygon;
- ISpatialReference spatialReference2 = new UnknownCoordinateSystemClass();
- geometryDefEdit.SpatialReference_2 = spatialReference2;
- rasterDataset = rasterWorkspaceEx.CreateRasterDataset(this.txtRasterDS.Text, 1, rstPixelType.PT_LONG, rasterStorageDef, "DEFAULTS", rasterDef, geometryDef);
- MessageBox.Show("柵格資料集建立成功");
- }
- }
- }
- }<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);"> </span>
4.向量資料直接匯入sde
[csharp] view plain copy- private void importFToSDE_Click(object sender, EventArgs e)
- {
- try
- {
- IDataset pDataSet = workspace as IDataset;
- this.openFileDialog1.Filter = "shp file(*.shp)|*.shp";
- this.openFileDialog1.Title = "開啟向量資料";
- this.openFileDialog1.Multiselect = false;
- string fileName = "";
- if (this.openFileDialog1.ShowDialog() == DialogResult.OK)
- {
-
相關推薦
SDE連線,建立資料集,資料匯入以及資料匯出
1.介面 2.資料庫的連線 [csharp] view plain copy IWorkspace worksp
Java連線HBASE資料庫,建立一個表,刪除一張表,修改表,輸出插入,修改,資料刪除,資料獲取,顯示錶資訊,過濾查詢,分頁查詢,地理hash
準備工作 1、建立Java的Maven專案 建立好的目錄結構如下: 另外注意junit的版本,最好不要太高,最開始筆者使用的junit4.12的,發現執行的時候會報錯。最後把Junit的版本改成4.7的之後,問題解決了。 編寫POM檔案 <
SSD Tensorflow訓練自己的資料集,遇到報錯absl.flags._exceptions.IllegalFlagValueError: flag --num_classes==: 求助
按照此部落格訓練到“五.訓練”這一步報錯。 連結:https://blog.csdn.net/Echo_Harrington/article/details/81131441 下面是bash 的 train.sh 檔案博主給的內容 D
製作PASCAL VOC格式的檢測資料集,生成trainval.txt, train.txt, val.txt, test.txt檔案
import os import random xmlfilepath=r'C:\Users\Yeh Chih-En\Desktop\VOC\Annotations' saveBasePath=r"C:\Users\Yeh Chih-En\Desktop\VOC" trainval
製作PASCAL VOC格式的分割資料集,生成trainval.txt, train.txt, val.txt檔案
import os import random filepath=r'C:\models\research\deeplab\datasets\Headshoulder_dataset\dataset\JPEGImages' saveBasePath=r"C:\models\resear
機器學習 深度學習資料彙總(含文件,資料集,程式碼等) 三
分享一下我老師大神的人工智慧教程!零基礎,通俗易懂!http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識,造福人民,實現我們中華民族偉大復興!  
下載kaggle資料集, kaggle api(資料集)
現在做資料科學工作的,大部分都曾經在kaggle上下載過資料集。但是最近kaggle好像搞了個API介面。這樣很方便下載資料集。接下來,我將分享給大家: 第一步:安裝kaggle這個庫,這個庫是python的庫,大家可以像安裝python一樣安裝kaggle。 第二步:到
lesson22-24 MNIST資料集,模組化搭建神經網路八股,手寫數字識別準確率輸出
import tensorflow as tf #MNIST資料集輸出識別準確率 #MNIST資料集: #提供6w張28*28畫素點的0-9手寫數字圖片和標籤,用於訓練 #提供1w張28*28畫素點的0-9手寫數字圖片和標籤,用於測試 #每張圖片的784個畫素點(
【pytorch】自定義讀取資料集,使用txt文字
使用txt文字讀入資料可以減少記憶體的需要,有時候自定義載入資料集是非常必要的,我下面的程式碼是針對影象的,並且帶有label的有監督的影象。先看程式碼: import numpy as np import os import torch.nn as nn from PIL import Ima
YOLOV3實戰2:訓練自己的資料集,你不可能出錯!
大家好,我是小p,今天給大家帶來一期用darknet版本YOLO V3訓練自己資料集的教程,希望大家喜歡。 歡迎加入物件檢測群813221712討論和交流,進群請看群公告! 一、搭建環境 搭建環境和驗證環境是否已經正確配置已在YOLOV3實戰1中詳細介紹,請一定
電腦科學採用訓練資料集,驗證資料集,測試資料集 的方法 為什麼不採用統計學中常用的假設檢驗呢? (引數檢驗 和 非引數檢驗)
如題所說, 這個問題作為一個本科讀管理,碩士讀計算機卻旁修經濟學,博士在讀計算機的我來說感覺比較迷惑的。在管理學,經濟學,計算機這三門學科在解決優化問題的時候採用的方法大致相同,其核心都是統計學,管理學,電腦科學中採用的基礎方法,如線性迴歸,多元線性迴歸,廣義線性迴歸,決策樹,SVM,ID3,KNN等分類方法
【TensorFlow】Win7下使用Object Detection API 訓練自己的資料集,並視訊實時檢測
說明: 圖片:自己開的攝像頭,擷取的圖片。選擇了200張圖片。下面會有擷取的指令碼。 使用labelImg工具進行圖片進行標註。產生PascalVOC格式的XML檔案。【labelImg工具的安裝和使用教程】 機器環境: i5 CPU 4核 (訓練的時候,記憶體和cup都在95左右
阿里重磅開源!4000臺伺服器真實資料集,揭祕世界級資料中心
阿里妹導讀:開啟一篇篇 IT 技術文章,你總能夠看到“大規模”、“海量請求”這些字眼。這些功能強大的網際網路應用,都執行在大規模資料中心上。資料中心每個機器的執行情況如何?執行著什麼樣的應用?應用有什麼特點?除了少數資深從業者之外,普通學生和企業的研究者很難了解其中細節。 今天,阿里巴巴再度開放一份計算機叢
gluoncv 訓練自己的資料集,進行目標檢測
跑了一晚上的模型,實在佔GPU資源,這兩天已經有很多小朋友說我了。我選擇了其中一個引數。 https://github.com/dmlc/gluon-cv/blob/master/scripts/detection/faster_rcnn/train_faster_rcnn.py train_faster
使用coco資料集,faster rcnn類方法訓練出錯解決
問題:在caffe框架下,使用coco資料集進行faster rcnn類方法訓練,得到如下錯誤: File "/data/zn/light_head_rcnn/script/py-RFCN-priv/tools/../lib/rpn/anchor_target_layer.
資料預處理:原始資料集,特徵數值化,特徵值數值化
原始資料集,特徵數值化 在原始資料集中,feature是多種多樣的,為了方便處理,我們必須把feature數值化,而且還需要把特徵值數值化。 示例: x=[[黃色,小,成人,用手打] ,[黃色,小,成人,用腳踩] ,[黃色,小,小孩,用手打] ,[黃色,小,小孩,用腳踩] ,[黃
製作VOC型別資料集,生成txt,生成lmdb
前言:資料樣式參照PASCALVOC 需要檔案連結:http://pan.baidu.com/s/1gfeHDMN 密碼:o7h0 連結:http://pan.baidu.com/s/1nve53Wd 密碼:jbtt 一:生成txt 1:蒐集圖片,或者視訊資料等,利用標註
Spark中元件Mllib的學習27之邏輯迴歸-多元邏輯迴歸,較大資料集,帶預測準確度計算
2.程式碼: /** * @author xubo * ref:Spark MlLib機器學習實戰 * more code:https://github.com/xubo245/SparkLearning
機器學習中訓練資料集,交叉驗證資料集,測試資料集的作用
#1. 簡介 在Andrew Ng的機器學習教程裡,會將給定的資料集分為三部分:訓練資料集(training set)、交叉驗證資料集(cross validation set)、測試資料集(test set)。三者分別佔總資料集的60%、20%、20%。 那麼
從啤酒和尿布講關聯規則,大資料集處理演算法Apriori以及改進的PCY演算法
本文將講解關聯規則的相關概念、處理相關規則的一般演算法、改進的大資料處理關聯規則的Apriori演算法以及進一步優化的PCY演算法。 啤酒和尿布的故事已經廣為人曉。很多年輕的父親買尿布的時候會順便為自己買一瓶啤酒。亞馬遜通過使用者購買資料,使用關聯規則,使用大資料的處理手段得出了尿布和啤