python代码对遥感图像进行裁剪并有坐标系

1、对地图的裁剪需要知道一个公式

  • geoTransform[0]:左上角像素经度
  • geoTransform[1]:影像宽度方向上的分辨率(经度范围/像素个数)
  • geoTransform[2]:旋转, 0表示上面为北方
  • geoTransform[3]:左上角像素纬度
  • geoTransform[4]:旋转, 0表示上面为北方
  • geoTransform[5]:影像宽度方向上的分辨率(纬度范围/像素个数)

之后对进行裁剪, 令px=geoTransform[0]   py=geoTransform[3]

#new_x是裁剪图像左上角距离原始图像的距离
#new_y是裁剪图像左上角距离原始图像
#上面的geoTransform就是这里的trans:
px = trans[0] + new_y* trans[1] + new_x * trans[2] 
py = trans[3] + new_y* trans[4] + new_x* trans[5]

之后设置新得坐标系就可里

new_geotransform = (px, trans[1], trans[2], py, trans[4], trans[5])

完整代码

from GetTiff import Tiff
from osgeo import gdal
import numpy as np
#这个就是对图像进行读取的类库
A=Tiff()

area=A.read_tif("C:\\Users\\Rare\\Desktop\\DSM.tif")
area1=area[2]
print(area1.shape)
row=0
new_x=int(area1.shape[0]/3.0*2)
new_y=int(area1.shape[1]/3*2)
row=0
mat=np.zeros((area1.shape[0]-new_x,area1.shape[1]-new_y),dtype=np.float32)
print(mat.shape)
for i in range(area1.shape[0]):
    line=0
    for j in range(area1.shape[1]):
        if(i>=new_x and j >=new_y):
            mat[row][line]=area1[i][j]
            line+=1
    if(line!=0):
        row+=1
print(row,line)
trans=area[1]
px = trans[0] + new_y* trans[1] + new_x * trans[2]
py = trans[3] + new_y* trans[4] + new_x* trans[5]
new_geotransform = (px, trans[1], trans[2], py, trans[4], trans[5])
A.write_tif("C:\\Users\\Rare\\Desktop\\area.tif",area[0],new_geotransform,mat)

 有些图像可能是黑色的这个跟拉伸比例有关,可以通过更改拉伸进行图像显示。

 

  • 2
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
遥感图像进行分类和可视化是遥感图像处理中的一个重要任务。下面是一些基本步骤: 1. 导入必要的库:numpy、matplotlib、gdal、sklearn等。 2. 读取遥感图像数据:使用gdal库读取遥感图像数据,可以使用gdal.Open()函数读取图像。 3. 对遥感图像进行预处理:遥感图像通常需要进行预处理,如剪裁、重采样、波段增强等。 4. 特征提取:从遥感图像中提取有用的特征,如纹理、形状、颜色等。 5. 分类:使用机器学习算法进行遥感图像分类,如支持向量机、随机森林等。 6. 可视化:使用matplotlib库进行可视化,将分类结果可视化为彩色图像,便于观察。 以下是一个示例代码,可以实现对遥感图像的分类和可视化: ```python import numpy as np import matplotlib.pyplot as plt import gdal from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 读取遥感图像数据 dataset = gdal.Open('image.tif') cols = dataset.RasterXSize rows = dataset.RasterYSize bands = dataset.RasterCount # 读取遥感图像数据的所有波段 data = np.zeros((rows, cols, bands)) for i in range(bands): band = dataset.GetRasterBand(i + 1) data[:, :, i] = band.ReadAsArray() # 对遥感图像进行预处理 # ... # 特征提取 # ... # 分类 X = data.reshape(rows * cols, bands) y = np.loadtxt('labels.txt') X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) clf = svm.SVC(kernel='linear', C=1.0) clf.fit(X_train, y_train) y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) # 可视化 plt.imshow(y_pred.reshape(rows, cols)) plt.show() ``` 需要注意的是,以上代码仅是一个示例,实际应用中可能需要根据具体情况进行调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值