遥感影像的缨帽（K-T）变换Python实现

楠楠星球

已于 2023-08-24 22:51:50 修改

阅读量5.5k

点赞数 3

分类专栏： MATLAB / python+图像处理文章标签： python 开发语言

于 2023-08-24 22:48:56 首次发布

本文链接：https://blog.csdn.net/qq_55750626/article/details/132462145

版权

MATLAB / python+图像处理专栏收录该内容

19 篇文章 16 订阅

订阅专栏

（1）介绍

缨帽变换（Kirchhoff Transform，K-T变换） 是一种在遥感图像处理中常用的技术，它可以有效地提取地物的空间特征和频谱信息。本文将对遥感缨帽变换的提出者、原理方法、公式、现在的发展、作用进行详细介绍，并附有相应的图解。

（2）利用程序结果进行出图展示

TM影像的前三个分量的物理意义：
●亮度：TM的6个波段的加权和，反映了总体的反射值。
●绿度：反映了近红外与可见光部分的差值，绿色生物量的特征。
●湿度：反映了可见光和近红外(1-4波段)与较长的红外(第5, 7波段)的差
值，定义为湿度的根据是第5，7两个波段对土壤湿度和植物湿度最为敏感
在这里插入图片描述

（3）缨帽（K-T）变换变换原理详解

一、提出者

缨帽变换是由德国地球物理学家Gottfried Kirchhoff在19世纪50年代首次提出的。他将电磁波在介质中传播的过程进行了详细研究，并提出了一种计算电磁波在介质表面反射和透射的方法，即遥感缨帽变换。

二、原理方法

在这里插入图片描述

三、公式

在这里插入图片描述

（4）Python程序

在这里插入图片描述

# coding=utf-8
#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: LIFEI
@time: 2023/8/23 13:28
@file: yincat.py
@project: main.py
@describe: CWNU
"""
import os
import cv2 as cv
import numpy as np

# 构建缨帽变换的转换系数
compose = [[0.3037,0.2793,0.4743,0.5585,0.5082,0.1863],      #对应的亮度分量
          [-0.2848,-0.2435,-0.5436,0.7243,0.0840,-0.1800],  # 对应的植被分量
          [0.1509,0.1973,0.3279,0.3406,-0.7112,-0.4572]]    #对应的湿度分量
compose = np.array(compose) # 将列表转为矩阵

# 获取影像数据存储于列表
def get_img_list(path):
    is_image_file = lambda x : any(x.endswith(extension)
                                   for extension in ['tif'])
    tm = [x for x in os.listdir(path) if is_image_file(x)]
    tm_list = []
    for j in range(0,len(tm)):
        tm_path = path + '/' + tm[j]
        print('the reading img is:',tm_path)
        tm_list.append(tm_path)
    print('Successfully reading')
    return tm_list

# 批量读取矩阵并将其存储于列表
def hat_change(list_path):
    img_base = []
    for k in range(0,len(list_path)):
        # print(list_path[k])
        #  !!!!!一定要记住flags=0,不然会返回三通道
        img = cv.imread(list_path[k],flags=0)
        # cv.imshow('tif',img)
        # cv.waitKey(0)
        img_base.append(img)
    return img_base

# 缨帽变换
def compose_hat(compose_x,img):
    res_list = []
    result_list = []
    for i in range(0,len(img)):
        # 获取影像的行列大小
        row, col = img[i].shape
        # 将影像转为一维行向量
        reshape_img = img[i].reshape(row*col)
        # 传入列表res_list
        res_list.append(reshape_img)
    # 波段6不参与,也就是列表的第5行，删除第5行以不参与运算
    delete_res_list = np.delete(res_list, 5, axis=0)
    for j in range(0,len(compose_x)):
        result_data = compose_x[j]@delete_res_list
        # 判断影像中的空值和0值，用均值代替，防止影像信息缺失
        for p in range(0,len(result_data)):
            if result_data[p] == 0 and result_data[p] == None:
                result_data[p] = np.nanmean(result_data)
            else:
                result_data[p] = result_data[p]
        # 维度转换逆变换，从向量转为二维
        result_data_data = result_data.astype('uint8').reshape(row,col)
        # 传给result_list
        result_list.append(result_data_data)
    return result_list

# 输出影像
def output(out_path,list):
    for m in range(0,len(list)):
        filepath = out_path+'/'+str(m+1)+'.TIF'
        # cv库写出图像
        cv.imwrite(filepath,list[m])
        print('the exporting img is:',filepath)
    print('Successfully exported!')

if __name__ == '__main__':
    path = "D:/data/result" # 存放TM影像的文件夹路径
    list = get_img_list(path)
    img_list = hat_change(list)
    re_list = compose_hat(compose, img_list)
    outpath = "D:/data/hat" # 输出路径
    output(outpath, re_list)