QGIS组第二周代码综述（5.24-5.30）-CSDN博客

本文链接：https://blog.csdn.net/2401_83241143/article/details/148318006

1、提取影像的重叠区控制点代码：

processing.run("saga:imagerecognition", {

    'GRIDS': 'image1.tif;image2.tif',  # 输入的影像文件列表

    'METHOD': 1,  # 使用SIFT特征匹配

    'OUTPUT': 'control_points.shp'  # 输出控制点的矢量文件

})

代码解释：

(1)processing.run():

这是QGIS中的一个Python命令，用于调用不同的算法。该命令的第一个参数是算法名称，第二个参数是参数字典，包含了算法需要的输入和输出文件。

(2)"saga:imagerecognition":

这个算法属于SAGA工具箱中的图像识别功能。该算法的作用是识别影像之间的相似部分（重叠区域），并提取特征点作为控制点，用于影像配准。

(3)'GRIDS': 'image1.tif;image2.tif':

这是算法的输入参数，指定了两幅影像（image1.tif 、 image2.tif）。这些影像将进行重叠区域的特征提取和匹配。通过重叠区域来寻找相同地物的特征点，是影像拼接、配准过程中非常重要的步骤。

(4)'METHOD': 1:

这里设置了METHOD参数为1，表示使用SIFT（尺度不变特征变换）方法来进行特征匹配。SIFT方法通过寻找图像中的关键点（如角点、边缘等）来提取特征，并匹配两个影像中相同区域的特征。

SIFT方法在处理具有旋转、缩放、视角变化的图像时特别有效，因此能保证在不同条件下找到匹配点。

(5)'OUTPUT': 'control_points.shp':

这个参数指定了输出文件的路径和格式。输出的结果是一个矢量文件（control_points.shp），其中包含从输入影像中提取的控制点。

代码作用：

此代码可用于后续的配准步骤，基于SIFT的特征匹配方法，可以自动化地提取不同影像间的重叠区域，并且获得精准的控制点。SIFT特征能够处理旋转、缩放等变形，因此即使影像之间存在一定角度或比例上的差异，也能准确提取到控制点，显著提高配准精度。

2、基于热红外波段温度阈值识别田埂的代码：

processing.run("gdal:rastercalculator", {

    'INPUT_A': 'thermal.tif',  # 输入的热红外影像

    'BAND_A': 1,  # 选择热红外影像的第一个波段（假设热红外影像有多个波段）

    'FORMULA': '(A < 25) ? 1 : 0',  # 如果温度小于25°C则为田埂，输出1，否则为0

    'OUTPUT': 'boundary_mask.tif'  # 输出的二值化掩模影像

})

代码解释：

（1）processing.run("gdal:rastercalculator", {...}):

这是QGIS中的一个调用GDAL工具箱的函数，使用rastercalculator算法来执行栅格数据的计算。它可以基于不同的输入栅格图像及给定的公式来进行运算，从而生成新的栅格图像。

这种方式可以进行像素级的运算，并结合条件逻辑（例如阈值判断）来分类影像。

（2）'INPUT_A': 'thermal.tif':

这指定了输入栅格影像，即热红外影像（thermal.tif）。热红外影像通常用来获取地表的温度信息，尤其适用于热区的分析，比如田埂、农田等区域的温度特征。

（3）'BAND_A': 1:

这里选择了热红外影像的第一个波段（通常是热红外波段），即选择了该影像的温度数据作为输入。在某些影像中，热红外数据可能包含多个波段，因此需要指定具体的波段进行处理。

（4）'FORMULA': '(A < 25) ? 1 : 0':

这是进行栅格计算的核心公式。A代表的是第一个波段的值（即温度数据）。该公式的含义是：

如果像素值（温度）小于25°C，则该像素被认为是田埂（或者说是低温区域），并将该像素值设为1。

否则，像素值将被赋值为0，表示该区域不是田埂（可能是其他类型的地物或温度较高的区域）。