Python遥感图像处理应用篇(三十二):Python+GDAL实现遥感图像植被增强处理

1.使用数据

GF-2数据,该数据经过辐射定标、大气校正、影像融合和正射校正处理。

2.实现效果

实现效果对比(图左原图,图右为增强后效果图):

计算方法:波段加权处理的方法来增强植被颜色的层次感,波段加权运算(包含R、G、B、NIR波段的数据),可使用绿色和近红外波段加权运算。如下公式:

          Green=a*Bandgreen+(1-a)*Bandnir           a是权重值,取0~1。
 参考:遥感影像植被颜色增强

3.完整代码

实现完整代码如下,还对图像进行了0-255的拉伸:

图像中有些像元可能存在负值,这里将负值的像元统一重新负值为1,对图像进行了0-255的拉伸,这样便于OPENCV对数据进一步进行处理。

##将遥感数据拉伸到0-255
import numpy as np
from osgeo import 
遥感图像处理_Python遥感图像处理第二次小结 二十几天没写了,原因是多方面的,忙其他的是很重要的原因。写的一直涉及到的都是最基本的内容,我本身也不是专门做遥感的,尽管原来本科也学过遥感,后来的硕士博士阶段也用过一些遥感的东西,但毕竟不是主攻方向,用的还是少,涉及的内容还是有些浅。因为在公司里面做编程很多年,对编程很熟悉(编程语言嘛,都是一个套路),加上已有的遥感图像处理知识,所以去年接手了《遥感程序设计与开发IDL》这门课,觉得有... 阅读详情

相关推荐

遥感图像处理入门:避开ENVI,用Python三行代码实现Landsat标准假彩色合成

本文介绍了一种轻量级的遥感图像处理方法,使用Python仅需三行代码即可实现Landsat标准假彩色合成。通过rasterio、numpy和matplotlib库,用户可以快速将近红外、红色和绿色波段合成为标准假彩色图像,显著提升植被、水体等地物特征的视觉辨识度。这种方法特别适合快速查看和原型开发,避免了传统ENVI软件的复杂操作。

weixin_33744141的博客 509

遥感图像处理入门:从Landsat数据到Python实战(附代码)

本文详细介绍了如何使用Python处理Landsat遥感图像,从数据获取、预处理到NDVI植被指数计算和图像分类实战。通过具体代码示例,帮助读者掌握遥感图像处理的核心技术,包括波段组合、辐射校正、植被指数分析和机器学习分类方法,为地理信息科学和遥感应用开发提供实用指南。

weixin_29251131的博客 232

Python遥感图像处理--开篇

Python遥感图像处理主要采用python编程语言,使用arcpy以及gdal等库进行遥感图像数据处理及应用。包括遥感图像的拼接、镶嵌、裁剪、格式转换等基础与处理操作以及常用遥感指数的批量计算,比如NDVI\EVI等遥感指数的计算与应用。 遥感影像数据往往数量众多,而且是具有标准分幅大小的,具有统一的格式、坐标系统等标准化信息,因此,通常需要对遥感图像进行大批量处理。本专栏主要采用批处理的方式去完成。 比如使用数据为MRT处理后的tif格式Modis数据,前期批下载、批处理具体处理过程之前博文有所介绍

soderayer的博客 4750

python:使用GDAL读、写遥感影像,numpy处理遥感影像

【代码】python:numpy读、写、处理遥感影像。

养乐多的博客 5030

Python遥感图像处理应用篇(二十三):Python+GDAL 批量拼接图像

遥感影像拼接分多种不同的情况,比如比较常用的是两幅影像拼接或者多个图像合并为一个图像。GDAL中实现影像拼接的方式也有多种,比如常用可以通过numpy读取影像数组,并计算各个图像的numpy数组范围,合并多个numpy数组为一个最终的结果,并将其重新输出为一幅新的图像,即可实现图像的拼接。另外比较方便的一种方法便是使用GDAL.warp()函数方法。这个函数的功能很多,可以实现多种不同的目的,比如用于坐标系转换、投影变换、图像合并与镶嵌、地理范围裁剪、更改分辨率、矢量裁剪等多种功能。这些功能可以通过设置Op

soderayer的博客 4644

Python遥感图像处理应用篇(三十二):Python+GDAL实现遥感图像进行Majority Analyse分析

运行环境运行环境:windows10 pycharm python3.7.7包等。实验目标实现遥感图像实现邻域分析中的最多数值分析,设计背景值区域的像元不参与计算。

soderayer的博客 1072

Python与GDAL库进行遥感图像处理:一个完整的实战教程

遥感技术近年来在地理信息系统(GIS)、环境监测、城市规划等多个领域得到了广泛应用。而Python作为一门强大的编程语言,其丰富的库使得遥感图像的处理变得更加高效、简便。今天,我们将聚焦于如何使用Python中的`GDAL`库进行遥感图像的处理,特别是如何进行影像格式转换与图像处理任务。

weixin_44853840的博客 367

Python遥感图像处理应用篇040 GDAL 遥感图像滤波分析(Gaussian、Median、Adaptive、Wavelet Transform、Statistical……Canny)

完整的遥感图像滤波分析通常包括以下几个步骤和方法:噪声检测:首先需要检测图像中存在的噪声类型,例如高斯噪声、椒盐噪声等。可以使用统计分析或图像处理技术进行噪声检测。噪声去除:根据噪声类型选择合适的去噪方法,例如:高斯滤波器(Gaussian Filter):适用于高斯噪声,通过应用高斯函数对图像进行平滑。中值滤波器(Median Filter):适用于椒盐噪声,通过取邻域内像素值的中值来平滑图像。自适应滤波器(Adaptive Filter):通过动态调整滤波参数,根据图像的局部特性进行去噪。

soderayer的博客 1213

遥感图像处理完整工作流:基于Python从预处理到专题制图

图像处理技术已从目视解译演进到深度学习驱动的新阶段,在自然资源监测、城市规划与农业估产等领域发挥着关键作用。遥感图像处理的核心在于将多波段影像转换为可量化分析的地理信息,涉及辐射校正、几何配准、波段运算、图像分类以及专题制图等环节。通过NDVI等植被指数计算,可以快速评估植被长势;借助监督分类与面向对象分析,能够实现土地利用类型的精准提取。随着Python生态的成熟,利用rasterio、GDAL、scikit-learn等开源工具即可搭建一套可复现的处理流程。这里围绕遥感图像处理的完整技术链路,提供一个从

weixin_29061531的博客 217

BOE CHPI协议解析:高速显示驱动的核心技术

本文深入解析了BOE CHPI协议,这是一种为高分辨率、高刷新率显示面板设计的时钟嵌入式高速点对点接口技术。文章详细阐述了其三层架构(物理层、链路层、协议层)、核心机制(如链路训练与BCC通道)以及如何通过高速串行差分传输解决大尺寸屏幕内部数据传输的带宽与干扰难题,是驱动8K、窄边框等高端显示应用的关键核心技术。

m9n0o的博客 546

合并数组与非合并数组——SystemVerilog

合并型数组(packed): — 合并型数组可以实现连续的存储,赋值时不需要用 '{ }。 //合并型数组 bit [3] [7:0] b_pack // 表示3行 x 8列的数组,[3]是高维度(高维度),[7:0]是低维度(第一维) 数组中,数据排列为{b_pack[3],b_pack[2],b_pack[1],b_pack[0]},其中每个b_pack为8个bit; bit是二值逻辑,每位bit只占据1位。故24位bit只占据一个word(一般一个word为32bit)的存储空间

SummerXRT的博客 7641

STM32----SPI+DMA高效读写外部Flash的配置与实战

本文详细介绍了STM32通过SPI+DMA高效读写外部Flash的配置与实战方法。针对大量数据传输场景,使用DMA技术可显著提升系统效率,释放CPU资源。文章包含完整的代码实现、常见问题调试技巧以及性能优化建议,帮助开发者快速掌握这一关键技术。

pea55的博客 1032

PnP 单目相机位姿估计(二):solvePnP利用二维码求解相机世界坐标

前言 原理简介 输入参数准备 1 objectPoints特征点世界坐标 2 imagePoints特征点在摄像头下的像素点坐标 3cameraMatrixdistCoeffs内参矩阵和畸变矩阵 相机世界坐标的求解 1求世界坐标中的点在相机坐标系下的坐标 2求相机在世界坐标中的坐标 3效果求解相机在世界坐标系下的坐标点 4求解代码1.前言  很多时候,当我们利用单目相机获取图像时,往往只能获取图像中

cocoaqin的博客 5万+

Claude Code 完整学习笔记

Claude Code 学习笔记摘要 Claude Code是Anthropic推出的智能编码工具,基于Claude Opus 4.5模型构建,提供跨平台支持(终端/VS Code/JetBrains/Web等)。核心功能包括: 代码库理解与多文件编辑 命令执行与开发工具集成 智能体协作开发流程 安装要求Node.js≥18,提供原生/Homebrew/npm等多种安装方式,支持环境变量配置API访问。基础交互模式包括会话管理、文件操作和代码审查等功能,可自动读写文件并执行精确修改。 (149字)

虚心若愚 812

按照autoware.universe官方从零搭建自己的自动导航小车(三)(续)

本文介绍了在Autoware框架下完善自定义传感器套件描述包的详细过程。主要内容包括:1)创建传感器描述包tinyplc_sensor_kit_description,包含YAML标定文件和URDF模型;2)配置传感器与车辆基座的相对位姿,实现sensor_kit.xacro和sensors.xacro宏文件;3)更新sensor_kit.launch.xml文件以集成激光雷达和GNSS/IMU驱动。通过xacro验证URDF模型正确性后,下一步计划接入Helios16激光雷达数据并在Rviz2中验证点云显

qq_45335326的博客 1273

【AI智能体】Skills 智能体驱动开发从使用到项目实战详解

Skills 智能体驱动开发从使用到项目实战详解

congge 6615

9.16华为OD机试真题 新系统 - 统计特殊数字 (Java/Py/C/C++/Js/Go)

9.16华为OD机试真题 新系统 - 统计特殊数字 (Java/Py/C/C++/Js/Go)

算法大师! 792

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: ENVI5.3 RPC辐射校正流程化工具(RPC Orthorectification Workflow)操作流程
下一篇: Python遥感图像处理应用篇(三十三):Landsat8 Collection2 Level2地表温度计算
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6104粉丝 270原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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