首页 > 专利信息

遥感图像处理中常用的python操作

遥感图像处理中常⽤的python操作

本章节主要参考《python地理空间分析指南》第六章。

⽂章中的所有操作都可以在ENVI中完成，这⾥只提供⼀个图像处理的思路。

⼀、图像波段变换

波段变换最常⽤的地⽅就是进⾏图像显⽰，例如使⽤假彩⾊图像以凸显植被信息。图像波段变换即将图像波段的组合顺序重新排列并显⽰的⽅法，主要使⽤GDAL库。下⾯以⼀个例⼦进⾏实验，⾸先给出数据的下载地址：

打开原图可以看到，植被明显呈现红⾊（植被在绿光波段反射率⾼，⽽图像将绿光波段放到了红⾊通道），说明该图为假彩⾊影像：

在本⽰例中，将使⽤gdal_array模块加载图⽚到numpy数组中，然后将其另存为新的geotiff⽂件。需要注意的是，numpy引⽤数组的⽅式是（y，x）（⾏，列）型的，常⽤的电⼦表格及其他软件则是（x，y）（⾏，列）型。

下⾯给出波段变换的代码：

from osgeo import gdal_array

# 源图⽚的名称

src = "FalseColor.tif"

# 将源图⽚载⼊到数组中

arr = gdal_array.LoadFile(src)

# 交换波段1和波段2的位置，使⽤“⾼级分⽚”功能直接对波段进⾏重新排列

output = gdal_array.SaveArray(arr[[1, 0, 2], :], "swap.tif", format="GTiff",prototype=src)

# 取消输出，避免在某些平台上损坏⽂件

output = None

波段变换后的影像为：

⼆、创建直⽅图

这⾥创建的直⽅图的是像元值得频数直⽅图，横轴代表像元值，纵轴代表像元数量。本⽰例使⽤的数

据是上述波段变换的结果swap.tif影像。⾸先给出创建直⽅图的代码：

from osgeo import gdal_array

import turtle as t

def histogram(a, bins=list(range(0, 256))):

fa = a.flat

n = gdal_array.numpy.searchsorted(gdal_array.numpy.sort(fa), bins)

n = gdal_atenate([n, [len(fa)]])调盘

hist = n[1:] - n[:-1]

return hist

def draw_histogram(hist, scale=True):

axes = ((-355, -200), (355, -200), (-355, -200), (-355, 250))

t.up()

for p in axes:

<(p)

t.down()

t.up()

<(0, -250)

t.write("VALUE", font=("Arial, ", 12, "bold"))

t.up()

<(-400, 280)

t.write("FREQUENCY", font=("Arial, ", 12, "bold"))

e通话

x = -355

y = -200

t.up()

for i in range(1, 11):

x = x+65

<(x, y)

t.down()

<(x, y-10)

t.up()

<(x, y - 25)

t.write("{}".format((i*25)), align="center")

x = -355

y = -200

t.up()

pixels = sum(hist[0])

if scale:

max = 0

for h in hist:

hmax = h.max()

if hmax > max:

max = hmax

pixels = max

label = int(pixels/10)

for i in range(1, 11):

y = y+45

钢制重力式无阀过滤器<(x, y)

t.down()

<(x-10, y)

t.up()

<(x-15, y-6)

t.write("{}".format((i*label)), align="right") x_ratio = 709.0 / 256

y_ratio = 450.0 / pixels

colors = ["red", "green", "blue"]

for j in range(len(hist)):

h = hist[j]

x = -354

y = -199

t.up()

<(x, y)

t.down()

for i in range(256):

x = i * x_ratio

y = h[i] * y_ratio

x = x - (709/2)

y = y + -199

<((x, y))

img = "swap.tif"

histograms = []

arr = gdal_array.LoadFile(img)

for b in arr:

histograms.append(histogram(b))

高频电子水处理器draw_histogram(histograms)

t.pen(shown=False)

t.done

测绘工具执⾏上述代码，创建出的直⽅图为：

为了将上述代码进⾏绝对⽐例显⽰，我们将上述代码的倒数第三⾏修改为：

draw_histogram(histograms, scale=False)

执⾏上述代码，显⽰的结果为：

可以看到，图像的灰度分布明显偏暗，因此我们需要对直⽅图进⾏均衡化处理。直⽅图均衡化处理后的影像的明暗程度更为均匀。下⾯给出直⽅图均衡化的代码：

from osgeo import gdal_array

金属表面喷涂

import operator

from functools import reduce

def histogram(a, bins=list(range(0, 256))):

fa = a.flat

n = gdal_array.numpy.searchsorted(gdal_array.numpy.sort(fa), bins)

n = gdal_atenate([n, [len(fa)]])

hist = n[1:] - n[:-1]

return hist

def stretch(a):

"""

在gdal_array上传的图像数组中执⾏直⽅图均衡化操作

"""

hist = histogram(a)

lut = []

for b in range(0, len(hist), 256):

# 步长尺⼨

step = reduce(operator.add, hist[b:b+256]) / 255

# 创建均衡的查表

n = 0

for i in range(256):

lut.append(n/step)

n = n + hist[i+b]

gdal_array.numpy.take(lut, a, out=a)

return a

src = "swap.tif"

arr = gdal_array.LoadFile(src)

stretched = stretch(arr)

output = gdal_array.SaveArray(arr, "stretched.tif", format="GTIFF", prototype=src) output = None

经过直⽅图均衡化后的影像结果为：

本文发布于:2024-09-20 23:48:01，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/2/147941.html

上一篇：湘雅医院新医疗区设计理念解析

下一篇：锌合金压铸熔渣的管理

标签：波段图像变换给出影像

留言与评论（共有 0 条评论）