Python空间数据处理1： GDAL读写遥感图像

GDAL是空间数据处理的开源包，支持多种数据格式的读写。遥感图像是一种带大地坐标的栅格数据，遥感图像的栅格模型包含以下两部分的内容：
栅格矩阵：由正方形或者矩形栅格点组成，每个栅格点所对应的数值为该点的像元值，在遥感图像中用于表示地物属性值；遥感图像有单波段与多波段，波段表示地物属性的种类，每个波段表示地物一种属性。

大地坐标：空间数据参考表示地图的投影信息；仿射矩阵能将行列坐标映射到面坐标上。

GDAL读写遥感数据的代码：

from osgeo import gdal
import os

class GRID:

<span class="hljs-comment">#读图像文件</span>
<span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">read_img</span><span class="hljs-params">(self,filename)</span>:</span>
    dataset=gdal.Open(filename)       <span class="hljs-comment">#打开文件</span>

    im_width = dataset.RasterXSize    <span class="hljs-comment">#栅格矩阵的列数</span>
    im_height = dataset.RasterYSize   <span class="hljs-comment">#栅格矩阵的行数</span>

    im_geotrans = dataset.GetGeoTransform()  <span class="hljs-comment">#仿射矩阵</span>
    im_proj = dataset.GetProjection() <span class="hljs-comment">#地图投影信息</span>
    im_data = dataset.ReadAsArray(<span class="hljs-number">0</span>,<span class="hljs-number">0</span>,im_width,im_height) <span class="hljs-comment">#将数据写成数组，对应栅格矩阵</span>

    <span class="hljs-keyword">del</span> dataset 
    <span class="hljs-keyword">return</span> im_proj,im_geotrans,im_data

<span class="hljs-comment">#写文件，以写成tif为例</span>
<span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">write_img</span><span class="hljs-params">(self,filename,im_proj,im_geotrans,im_data)</span>:</span>
    <span class="hljs-comment">#gdal数据类型包括</span>
    <span class="hljs-comment">#gdal.GDT_Byte, </span>
    <span class="hljs-comment">#gdal .GDT_UInt16, gdal.GDT_Int16, gdal.GDT_UInt32, gdal.GDT_Int32,</span>
    <span class="hljs-comment">#gdal.GDT_Float32, gdal.GDT_Float64</span>

    <span class="hljs-comment">#判断栅格数据的数据类型</span>
    <span class="hljs-keyword">if</span> <span class="hljs-string">'int8'</span> <span class="hljs-keyword">in</span> im_data.dtype.name:
        datatype = gdal.GDT_Byte
    <span class="hljs-keyword">elif</span> <span class="hljs-string">'int16'</span> <span class="hljs-keyword">in</span> im_data.dtype.name:
        datatype = gdal.GDT_UInt16
    <span class="hljs-keyword">else</span>:
        datatype = gdal.GDT_Float32

    <span class="hljs-comment">#判读数组维数</span>
    <span class="hljs-keyword">if</span> len(im_data.shape) == <span class="hljs-number">3</span>:
        im_bands, im_height, im_width = im_data.shape
    <span class="hljs-keyword">else</span>:
        im_bands, (im_height, im_width) = <span class="hljs-number">1</span>,im_data.shape 

    <span class="hljs-comment">#创建文件</span>
    driver = gdal.GetDriverByName(<span class="hljs-string">"GTiff"</span>)            <span class="hljs-comment">#数据类型必须有，因为要计算需要多大内存空间</span>
    dataset = driver.Create(filename, im_width, im_height, im_bands, datatype)

    dataset.SetGeoTransform(im_geotrans)              <span class="hljs-comment">#写入仿射变换参数</span>
    dataset.SetProjection(im_proj)                    <span class="hljs-comment">#写入投影</span>

    <span class="hljs-keyword">if</span> im_bands == <span class="hljs-number">1</span>:
        dataset.GetRasterBand(<span class="hljs-number">1</span>).WriteArray(im_data)  <span class="hljs-comment">#写入数组数据</span>
    <span class="hljs-keyword">else</span>:
        <span class="hljs-keyword">for</span> i <span class="hljs-keyword">in</span> range(im_bands):
            dataset.GetRasterBand(i+<span class="hljs-number">1</span>).WriteArray(im_data[i])

    <span class="hljs-keyword">del</span> dataset

if name == “main”:
os.chdir(r’D:\Python_Practice’) #切换路径到待处理图像所在文件夹
run = GRID()
proj,geotrans,data = run.read_img(‘LC81230402013164LGN00.tif’) #读数据
print proj
print geotrans
print data
print data.shape
run.write_img(‘LC81230402013164LGN00_Rewrite.tif’,proj,geotrans,data) #写数据

• <li style=“color: rgb(153, 153, 153);”
  在GDAL遥感影像读写的基础上，我们可以进行遥感图像的各种公式计算和统计分析。
  例如我们所熟知的计算NDVI（归一化植被指数），只要在以上代码倒数第二行中插入代码：
  import numpy as np
  data = data.astype(np.float)
  ndvi = (data[3]-data[2])/(data[3]+data[2]) #3为近红外波段；2为红波段
  run.write_img(‘LC81230402013164LGN00_ndvi.tif’,proj,geotrans,ndvi) #写为ndvi图像
  当然，这是理想的NDVI，实际处理NDVI还会遇到一些其他要处理的问题。例如NDVI值应该在区间[-1，1]内，但实际中会出现大于1或小于-1的情况，或者某些像点是坏点，出现空值nan，需要进一步的配套处理