python实现对遥感影像经纬度获取并实现海陆分离
遥感数据制作数据集预处理
-
- 1 珊格数据（.pix、.lyr等）转tif
- 2 使用gdal库实现经纬度获取
- 3 tif 转 jpg
- 4 jpg图像裁剪为指定分辨率
- 5 常见的几何变换扩充数据集（opencv实现）
1 珊格数据（.pix、.lyr等）转tif
tif百科
转tif
2 使用gdal库实现经纬度获取
tif图像自带经纬度信息，因此可以使用gdal包获取经纬度信息然后对相应像素点负值操作
from osgeo import gdal
from global_land_mask import globe
from global_land_mask.globe import is_land
from glob import *
from osgeo import osr
import os
# import numpy as np
from functools import lru_cache
# -*- coding: utf-8 -*-
# /**
# * 各地图API坐标系统比较与转换;
# * WGS84坐标系：即地球坐标系，国际上通用的坐标系。设备一般包含GPS芯片或者北斗芯片获取的经纬度为WGS84地理坐标系,
# * 谷歌地图采用的是WGS84地理坐标系（中国范围除外）;
# * GCJ02坐标系：即火星坐标系，是由中国国家测绘局制订的地理信息系统的坐标系统。由WGS84坐标系经加密后的坐标系。谷歌中国地图和搜搜中国地图采用的是GCJ02地理坐标系；
# * 3BD09坐标系：即百度坐标系，GCJ02坐标系经加密后的坐标系;
# */
import math
from decimal import *
class GLM(object):
def __init__(self, fileName):
self.fileName_ = fileName
# 读取tif数据集
def readTif(self):
dataset = gdal.Open(self.fileName_)
if dataset is None:
print(self.fileName_+"文件无法打开")
return dataset
# 获取仿射矩阵信息
def Getgeotrans(self):
dataset = self.readTif()
# dataset = GLM.readTif(self)
im_width = dataset.RasterXSize # 栅格矩阵的列数
im_height = dataset.RasterYSize # 栅格矩阵的行数
im_geotrans = dataset.GetGeoTransform() # 仿射矩阵
print("放射矩阵:",im_geotrans)
im_proj = dataset.GetProjection() # 地图投影信息
im_data = dataset.ReadAsArray(0, 0, im_width, im_height) # 将数据写成数组，对应栅格矩阵
del dataset
return im_proj, im_geotrans, im_data
#像素坐标和地理坐标仿射变换
def CoordTransf(self, Xpixel, Ypixel, GeoTransform): #wgs坐标
XGeo = GeoTransform[0]+GeoTransform[1]*Xpixel+Ypixel*GeoTransform[2]
YGeo = GeoTransform[3]+GeoTransform[4]*Xpixel+Ypixel*GeoTransform[5]
return XGeo, YGeo
# 写文件，写成tif
def write_img(self, outpath, im_proj, im_geotrans, im_data):
# gdal数据类型包括
# gdal.GDT_Byte,
# gdal .GDT_UInt16, gdal.GDT_Int16, gdal.GDT_UInt32, gdal.GDT_Int32,
# gdal.GDT_Float32, gdal.GDT_Float64
# 判断栅格数据的数据类型
if 'int8' in im_data.dtype.name:
datatype = gdal.GDT_Byte
elif 'int16' in im_data.dtype.name:
datatype = gdal.GDT_UInt16
else:
datatype = gdal.GDT_Float32
# 判读数组维数
if len(im_data.shape) == 3:
im_bands, im_height, im_width = im_data.shape
else:
im_bands, (im_height, im_width) = 1, im_data.shape
# 创建文件
driver = gdal.GetDriverByName("GTiff") # 数据类型必须有，因为要计算需要多大内存空间
dataset = driver.Create(outpath, im_width, im_height, im_bands, datatype)
dataset.SetGeoTransform(im_geotrans) # 写入仿射变换参数
dataset.SetProjection(im_proj) # 写入投影
if im_bands == 1:
dataset.GetRasterBand(1).WriteArray(im_data) # 写入数组数据
else:
for i in range(im_bands):
dataset.GetRasterBand(i + 1).WriteArray(im_data[i])
del dataset
if __name__ == "__main__":
filelist = glob("data_tif/cut_example.tif") #tif路径
# image_list = []
for file in filelist:
print('[INFO] {}'.format(file))
glm = GLM(file)
proj, geotrans, data = glm.Getgeotrans()
print(data)
depth,height, width= data.shape
print("depth,height,width:",depth,height,width)
for y in range(0, height):
for x in range(0, width):
#longitude 经度 latitude 维度
lon,lat = glm.CoordTransf(y, x, geotrans)
#print('lat={}, lon={} is on land:'.format(lon, lat))
is_on_land=is_land(lat,lon)
#print('lat={}, lon={} is on land: {}'.format(lon, lat, is_on_land))
if is_on_land==False:
data[:, y, x] = 0
else:
data[:,y,x] = 255
#print(data[:, y, x])
print(data)
#保存路径
glm.write_img("fenli_data/cut_example_out.tif", proj, geotrans,data[:, :, :]) # 写数据
#glm.write_img(os.path.join(out_dir, os.path.basename(file).split('.')[0]+'.tif'), proj, geotrans, data[:, :, :]) # 写数据
结果：（1m分辨率，可以看到，误差很大，没法用）
500m分辨率 MODIS效果就好多了
经纬度1秒误差在30m左右，1度3600秒，如果遥感影像的分辨率大 比如（1m，或者2m）想实现海陆分离不能根据经纬度坐标了，这时候建议裁剪所需区域手动标记制作掩膜。
3 tif 转 jpg
import os,sys
import cv2
import numpy as np
from skimage import io#使用IO库读取tif图片
def tif_jpg_transform(file_path_name, bgr_savepath_name):
img = io.imread(file_path_name)#读取文件名
img = img / img.max()#使其所有值不大于一
img = img * 255 - 0.001 # 减去0.001防止变成负整型
img = img.astype(np.uint8)#强制转换成8位整型
# img = np.array([img,img,img])
# img = img.transpose(1,2,0)
print(img.shape) # 显示图片大小和深度
b = img[:, :, 0] # 读取蓝通道
g = img[:, :, 1] # 读取绿通道
r = img[:, :, 2] # 读取红通道
bgr = cv2.merge([r, g, b]) # 通道拼接
cv2.imwrite(bgr_savepath_name, bgr)#图片存储
tif_file_path = r'yourpath' # 为tif图片的文件夹路径
tif_fileList = os.listdir(tif_file_path)
for tif_file in tif_fileList:
file_path_name = tif_file_path + '/' + tif_file
print(file_path_name)
jpg_path = r'yourpath' + '/' + tif_file.split('.')[0] + '.jpg' #.jpg图片的保存路径
print(jpg_path)
tif_jpg_transform(file_path_name, jpg_path)
4 jpg图像裁剪为指定分辨率
import cv2
import numpy as np
import os
pic_path = '/Users/xxx/PycharmProjects/py38_tf/遥感大作业/cut/222_out.jpg' # 分割的图片的位置
pic_target = '/Users/xxx/PycharmProjects/py38_tf/遥感大作业/cut/1024x1024/' # 分割后的图片保存的文件夹
if not os.path.exists(pic_target): #判断是否存在文件夹如果不存在则创建为文件夹
os.makedirs(pic_target)
#要分割后的尺寸
cut_width = 1024
cut_length = 1024
# 读取要分割的图片，以及其尺寸等数据
picture = cv2.imread(pic_path)
(width, length, depth) = picture.shape
print(width,length,depth)
# 预处理生成0矩阵
pic = np.zeros((cut_width, cut_length, depth))
# 计算可以划分的横纵的个数
num_width = int(width / cut_width)
num_length = int(length / cut_length)
# for循环迭代生成
for i in range(0, num_width):
for j in range(0, num_length):
pic = picture[i*cut_width : (i+1)*cut_width, j*cut_length : (j+1)*cut_length, :]
result_path = pic_target + '{}_{}.jpg'.format(i+1, j+1)
cv2.imwrite(result_path, pic)
print("done!!!")
5 常见的几何变换扩充数据集（opencv实现）
# 程序功能：python+opencv实现数据增强，并保存图片
import numpy as np
import cv2
import os
#数据增强后的图片保存路劲，不要有中文路径！！！
org_path_images="D:/pycharm/MyCode/demo/data/training/images/"
save_path_images="D:/pycharm/MyCode/demo/data/training/DA_images/"
org_path_labels="D:/pycharm/MyCode/demo/data/training/labels/"
save_path_labels="D:/pycharm/MyCode/demo/data/training/DA_labels/"
def SDA(org_path,save_path):
i=100
print(os.listdir(org_path))
for info in os.listdir(org_path):
info1 = os.path.join(org_path, info) # 将路径与文件名结合起来就是每个文件的完整路径
print(info1)
img = cv2.imread(info1)
#print("img:",img)
# if(img==None):
# print("None!!!")
# 水平镜像
i += 1
h_flip = cv2.flip(img, 1)
cv2.imwrite(save_path+str(i)+'.png', h_flip)
# 垂直镜像
i += 1
v_flip = cv2.flip(img, 0)
cv2.imwrite(save_path+str(i)+'.png', v_flip)
# 水平垂直镜像
i += 1
hv_flip = cv2.flip(img, -1)
#cv2.imshow("Flipped Horizontally & Vertically", hv_flip)
cv2.imwrite(save_path+str(i)+'.png', hv_flip)
# 90度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 90, 1)
dst_90 = cv2.warpAffine(img, M, (cols, rows))
cv2.imwrite(save_path+str(i)+'.png', dst_90)
# 70度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 70, 1)
dst_70 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_70", dst_70)
cv2.imwrite(save_path+str(i)+'.png', dst_70)
# 60度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 60, 1)
dst_60 = cv2.warpAffine(img, M, (cols, rows))
# cv2.imshow("dst_60", dst_60)
cv2.imwrite(save_path+str(i)+'.png', dst_60)
# 50度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 50, 1)
dst_50 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_50", dst_50)
cv2.imwrite(save_path+str(i)+'.png', dst_50)
# 45度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 45, 1)
dst_45 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_45", dst_45)
cv2.imwrite(save_path+str(i)+'.png', dst_45)
# 40度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 40, 1)
dst_40 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_40", dst_40)
cv2.imwrite(save_path+str(i)+'.png', dst_40)
# 30度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 30, 1)
dst_30 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_30", dst_30)
cv2.imwrite(save_path+str(i)+'.png', dst_30)
# 20度旋转
i += 1
rows, cols = img.shape[:2]
M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 20, 1)
dst_20 = cv2.warpAffine(img, M, (cols, rows))
#cv2.imshow("dst_20", dst_20)
cv2.imwrite(save_path+str(i)+'.png', dst_20)
# 缩放
# height, width = img.shape[:2]
# res = cv2.resize(img, (2 * width, 2 * height))
# cv2.imshow("large", res)
# cv2.imwrite(save_path+info+'res.png', res)
# 仿射变换
# 对图像进行变换（三点得到一个变换矩阵）
# 我们知道三点确定一个平面，我们也可以通过确定三个点的关系来得到转换矩阵
# 然后再通过warpAffine来进行变换
i += 1
point1 = np.float32([[50, 50], [300, 50], [50, 200]])
point2 = np.float32([[10, 100], [300, 50], [100, 250]])
M = cv2.getAffineTransform(point1, point2)
dst1 = cv2.warpAffine(img, M, (cols, rows), borderValue=(255, 255, 255))
#cv2.imshow("affine transformation", dst1)
cv2.imwrite(save_path+str(i)+'.png', dst1)
cv2.waitKey(0)
if __name__=="__main__":
#图片跟标签做同样的增强操作
#print("ghi8gweohboier")
SDA(org_path_images,save_path_images)
SDA(org_path_labels,save_path_labels)