遥感专栏：（一）常用的遥感数据处理python库及环境搭建

一、GDAL

1.介绍

Geospatial Data Abstraction Library （GDAL）是使用C/C++语言编写的用于读写空间数据的一套跨平台开源库。现有的大部分GIS或者遥感平台，不论是商业软件ArcGIS，ENVI还是开源软件GRASS，QGIS，都使用了GDAL作为底层构建库。

GDAL库由OGR和GDAL项目合并而来，OGR主要用于空间要素矢量矢量数据的解析，GDAL主要用于空间栅格数据的读写。此外，空间参考及其投影转换使用开源库 PROJ.4进行。

目前，GDAL主要提供了三大类数据的支持：栅格数据，矢量数据以及空间网络数据（Geographic Network Model）。

GDAL提供了C/C++借口，并且通过SWIG提供了Python，Java，C#等的调用借口。当我们在Python中调用GDAL的API函数时，其实底层执行的是C/C++编译的二进制文件。

GDAL不但提供了API借口方便开发人员自定义自己的功能，而且还提供了一系列实用工具（Command Line Tools）可以实现方便快速的空间数据处理。我们可以使用这些实用工具，结合Linux Shell脚本或者Windows批处理脚本进行大批量空间数据的批量处理。

2.栅格数据组织

GDAL中使用dataset表示一个栅格数据（使用抽象类GDALDataset表示），一个dataset包含了对于栅格数据的波段，空间参考以及元数据等信息。一张GeoTIFF遥感影像，一张DEM影像，或者一张土地利用图，在GDAL中都是一个GDALDataset。

1. 坐标系统（使用OGC WKT格式表示的空间坐标系统或者投影系统）
2. 地理仿射变换（使用仿射变换表示图上坐标和地理坐标的关系）
3. GCPs（大地控制点记录了图上点及其大地坐标的关系，通过多个大地控制点可以重建图上坐标和地理坐标的关系）
4. 元数据（键值对的集合，用于记录和影像相关的元数据信息）
5. 栅格波段（使用GDALRasterBand类表示，真正用于存储影像栅格值，一个栅格数据可以有多个波段）
6. 颜色表（Color Table用于图像显示

3.地理仿射变换

GDAL数据集有两种方式表示栅格数据中像元位置（图像中某个点在影像中的行列号）和投影坐标系（不是经纬度，是投影到二维平面的地理坐标，二者可以通过地图投影进行相互转换）间的关系：仿射变换和GCP点。而大部分数据数据集都是通过仿射变换进行描述的。

仿射变换使用如下的公式表示栅格图上坐标和地理坐标的关系：

XGeo = GeoTransform[0]+GeoTransform[1]*Xpixel+Ypixel*GeoTransform[2];
YGeo = GeoTransform[3]+GeoTransform[5]*Ypixel+Ypixel*GeoTransform[5];

其中，(XGeo,YGeo)表示对应于像素坐标(Xpixel,Ypixel)的实际地理坐标。对一个上北下南的图像，GeoTransform[2]和GeoTransform[4]等于0，GeoTransform[1]是像元的宽度（在x方向上的分辨率大小）, GeoTransform[5]是像元的高度（在y方向上的分辨率大小）。(GeoTransform[0],GeoTransform[3])坐标对表示左上角像元的实际地理坐标。通过这个仿射变换，我们可以得到图上所有像元对应的地理坐标。

4.python库环境搭建

windows环境下，在安装GDAL、Opencv等依赖包时，需要提前安装依赖包numpy。pip命令如下：

pip install numpy

然后，使用conda命令进行安装：

conda install gdal

说明：pip与conda的区别
（1）pip专门管理pyhton依赖包，其基于源码安装，因此如果你无法编译源代码，那么安装将会很难受；
（2）conda可以允许你在conda环境中安装任何语言的依赖包（c或python等），其从二进制文件安装，这意味着有人完成了艰苦的编译工作，因此安装将很简单。
（3）由于pip不能安装和解析conda的包格式，因此不能交互使用conda和pip。

二、Opencv

1.介绍

众所周知，OpenCV 是一个开源的计算机视觉库。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。

2.Opencv提供的功能

• 图像数据操作（内存分配与释放，图像复制、设定和转换）
• 图像/视频的输入输出（支持文件或摄像头的输入，图像/视频文件的输出）
• 矩阵/向量数据操作及线性代数运算（矩阵乘积、矩阵方程求解、特征值、奇异值分解）
• 支持多种动态数据结构（链表、队列、数据集、树、图）
• 基本图像处理（去噪、边缘检测、角点检测、采样与插值、色彩变换、形态学处理、直方图、图像金字塔结构）
• 结构分析（连通域/分支、轮廓处理、距离转换、图像矩、模板匹配、霍夫变换、多项式逼近、曲线拟合、椭圆拟合、狄劳尼三角化）
• 摄像头定标（寻找和跟踪定标模式、参数定标、基本矩阵估计、单应矩阵估计、立体视觉匹配）
• 运动分析（光流、动作分割、目标跟踪）
• 目标识别（特征方法、HMM模型）
• 基本的GUI（显示图像/视频、键盘/鼠标操作、滑动条）
• 图像标注（直线、曲线、多边形、文本标注）

3.Opencv包含的模块

• cv – 核心函数库
  • OpenCV基本数据结构
  • 动态数据结构
  • 绘图函数
  • 数组操作相关函数
  • 辅助功能与系统函数和宏
  • 与OpenGL的互操作
• cvaux – 辅助函数库
• cxcore – 数据结构与线性代数库
• highgui – 高层GUI图形用户界面，包含媒体的输入输出、视频捕捉、图像和视频的编码解码、图形交互界面的接口等
• ml – 机器学习函数库
• legacy – 一些已经废弃的代码库、用来向下兼容
• gpu – 运用GPU加速的计算机视觉模块
• flann – 高维的近似近邻快速搜索算法库
  • 快速近似最近邻搜索
  • 聚类
• features2d – 2D功能框架
  • 特征检测和描述
  • 特征检测器（Feature Detectors）通用接口
  • 描述符提取器（Descriptor Extractors）通用接口
  • 描述符匹配器（Descriptor Matchers）通用接口
  • 通用描述符（Generic Descriptor）匹配器通用接口
  • 关键点绘制函数和匹配功能绘制函数
• nonfree – 一些具有专利的算法模块
• objdetect – 目标检测模块
• ocl – 运用OpenGL加速的计算机视觉组件模块
• photo – 图像修复和图像去噪
• stiching – 图像拼接模块
• superres – 超分辨率技术的相关功能模块
• ts – OpenCV测试相关代码
• video – 视频稳定相关组件
• contrib – 新增的人脸识别、立体匹配、人工视网膜模型等技术
• calib3d – 用于相机校准和三维重建
• imgproc – 图像处理模块
  • 线性和非线性的图像滤波
  • 图像的几何变换
  • 其他（Miscellaneous）图像转换
  • 直方图相关
  • 结构分析和形状描述
  • 运动分析和对象跟踪
  • 特征检测
  • 目标检测等内容

4.Pyhton库环境搭建

安装指定版本，可使用如下pip命令：

pip install opencv-contrib-python==3.4.2.17

说明：上诉pip命令同时安装了Opencv及其扩展模块（不稳定模块）。此外，安装Opencv前仍要提前安装numpy依赖包，具体方法参考gdal中介绍。
查询Opencv现有版本的安装pip命令的网站：点此

参考：

1. https://blog.csdn.net/theonegis/article/details/80304873
2. https://blog.csdn.net/mjyywd/article/details/20370731
3. https://blog.csdn.net/qq_41204464/article/details/86530217
4. https://www.cnblogs.com/pangliang/archive/2010/11/21/1883566.html
5. https://blog.csdn.net/u012198575/article/details/82020980