Python遥感图像处理应用篇(三十四)：GDAL+Scikit-image+GLCM计算遥感图像纹理特征

已于 2023-08-15 12:40:24 修改
阅读量1.5k 收藏 12
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Python遥感图像处理 文章标签： python 图像处理 开发语言
于 2023-08-13 00:23:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/soderayer/article/details/132180607
本文介绍了使用Python的GDAL和Scikit-image库计算遥感图像的灰度共生矩阵（GLCM）纹理特征。通过GLCM计算对比度、能量和均匀性等，并与ENVI软件的计算结果进行对比，探讨可能存在的差异和影响因素。

效果展示：前者(左）是ENVI5.3计算，后者（右）是本文代码计算

1.运行环境

GDAL 3.4.2,Scikit-image最新版本0.19.3，numpy1.21.5

GDAL主要用于实现图像的读取和保存，Scikit-image和numpy对图像进行各种计算处理。

在调试好之前，由于numpy版本（1.16.6）低的问题，运行提示如下错误，更新为1.21.5版本之后就可以正常运行了，在此记录一下：

RuntimeError: module compiled against API version 0xe but this version of numpy is 0xd
Traceback (most recent call last):
  File "D:/PycharmProjects/pythonProject/RS/gdal_image_texture.py", line 16, in <module>
    get_img_texture(inputimgfi
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Python遥感图像处理应用篇(二十七)：Python绘制遥感图像各波段热力图（相关系数矩阵）（续）
soderayer的博客
12-26 2447
续-上一篇中使用csv文件计算的相关系数热力图，本篇我们直接使用遥感图像来计算图像波段之间的相关系数。
Python遥感图像处理应用篇(二十八)：Python绘制遥感图像分类结果混淆矩阵和计算分类精度
soderayer的博客
01-04 1986
计算思路：（1）分别提取参考影像和分类影像像元值，通过GDAL读取栅格影像数据的像元值，使用pandas保存到dataframe中，第一列使用FID记录像元ID,第二列记录像元值。（2）合并两个dataframe为新的dataframe，参考影像中像元值包含实际类别以及背景值0值，我们需要删除背景值所对应的像元，因此，根据删除像元值为0的数据。（3）分别读取上述结果中的参考像元和分类像元对应的值，获得参考值和分类值两个序列的数值。（4）对上述两个系列的值进行精度计算和制图可视化分析。
Python遥感图像处理指南(2)-卫星影像分析MNDWI提取
gis收藏家的博客
12-16 1462
在第一篇文章中，我们使用了我们导入的软件包中已定义的函数，如 rasterio 中的 open 和 read 以及 matplotlib 中的 imshow。现在，我们可以编写自己的函数了。函数是一段代码，它接收一些参数作为输入并返回输出（经过一些计算），可以在代码中多次重复使用，也可以被其他代码重用。在 Python 中定义一个新函数非常简单。return v在此语法示例中，arg1和arg2强制参数，应该传递给函数，否则会引发错误，而arg3是一个可选参数，如果是，则假定默认值 1从函数调用中省略。
【利用python处理遥感影像】
qq_36253366的博客
07-29 1736
利用Python处理遥感影像是一个广泛且复杂的主题，但幸运的是，有许多强大的库和工具可以帮助我们高效地完成任务。以下是一些常用的库和方法，以及一个基本的处理流程示例。
Python遥感图像处理指南(1)-环境准备及卫星影像简单处理
gis收藏家的博客
12-16 1727
这是我打算发布的关于如何使用 Python 编程语言处理地理空间数据的系列中的第一篇。在该领域工作几年后，我注意到有许多来自地球科学和相关领域的专业人士不是程序员，但在某种程度上需要使用编程语言来执行分析、数学计算或简单地自动化工作流程。通常，这些专业人士很难实现这一目标。如果没有适当的知识，他们最终会开发出复杂的代码，而不遵循容易出错的最佳实践，并且无法有效地处理地理空间领域的大量数据。在另一个极端，我们注意到 IT 专业人员掌握了编程概念，但不具备正确处理地理空间数据的知识。
Python遥感图像处理应用篇(三十五)：GDAL+Scikit-image计算遥感图像LBP纹理特征
soderayer的博客
08-20 878
局部二值模式（Local Binary Pattern, LBP）是一种用于描述图像纹理特征的算法。它通过对图像的每个像素点与其邻域像素进行比较，得到一个二进制编码来表示该像素点的纹理信息。LBP 算法的优点是简单高效，并且对噪声有一定的鲁棒性。它广泛应用于图像纹理分析、人脸识别、行人检测、纹理分类等领域。使用 LBP 特征可以准确地描述图像纹理信息，提取出图像中重要的纹理特征，为后续的图像处理和分析任务提供有用的信息。
Python遥感图像处理应用篇036 GDAL+Scikit-image计算遥感图像梯度直方图HOG
soderayer的博客
08-24 1059
方向梯度直方图HOG（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。
python：使用Scikit-image库对单波段遥感图像做纹理特征提取（texture）
养乐多的博客
06-20 2534
养乐多_本文将介绍使用Scikit-image库对单波段遥感图像做纹理特征提取的代码。包括：计算灰度共生矩阵（greycomatrix），计算局部二值模式（LBP）特征，计算方向梯度直方图（HOG）特征，使用Gabor滤波器提取纹理特征，计算图像纹理能量，在不同尺度上计算图像纹理特征，使用局部高斯模型拟合图像，根据灰度共生矩阵计算基于灰度级别的纹理特征，如对比度、相关性、能量等，在不同尺度上计算图像的颜色和纹理直方图，用于描述不同尺度上的纹理和颜色分布。结果如下图所示，
【遥感图像处理】基于Google Earth Engine的SAR数据噪声去除与特征提取：Sentinel-1影像预处理及分析
最新发布
05-25
内容概要：本文详细介绍了如何使用Google Earth Engine (GEE) 和 Python 工具对 Sentinel-1 SAR 数据进行噪声处理、地形校正、特征提取和图像增强。首先，通过定义三个感兴趣区域（ROI），从 Sentinel-1 数据集中...
Python遥感图像处理应用篇(二十二)：Python+GDAL 批量等距离裁剪影像
soderayer的博客
07-04 2426
给定一幅图像，我们需要将图像等距离分割裁剪，分割行列号相同，比如分割裁剪为N行N列的多幅遥感图像。例如原图如下： 裁剪为三行三列之后如下：设置不同波段组合为不同颜色以便区分边界。3*3裁剪图像运行环境：运行环境：运行环境：windows10 pycharm python3.7.7 GDAL-3.2.3-cp37-cp37m-win_amd64.whl包等。我们主要是用warp是扭曲或者变形的意思，该函数是对一个数据或者多个数据集进行变形，用法如下：参数包括：关键字参数是：如果选项是作为gdal.War
python读取遥感影像
12-06
遥感影像读取
Python空间数据处理之GDAL读写遥感图像
09-18
主要介绍了Python空间数据处理之GDAL读写遥感图像，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python代码gabor提取纹理特征
11-23
最近一直在做提取纹理特征的用法，用gabor特征提取纹理特征，Python代码
Python遥感图像处理应用篇(五)：python如何使用numpy对遥感图像做卷积运算
soderayer的博客
05-13 2416
本篇接着上一篇（Python遥感图像处理应用篇(四)：python如何使用numpy读取遥感图像光谱值）继续深入，对遥感图像做卷积运算处理 1.基本思路 1.1 设置卷积核 这里就用3*3大小的卷积核吧，可以根据需求任意设置卷积核数据达到图像均衡化、锐化、边缘增强等不同效果。 1.2 中心像元周围像元对应位置读取 中心像元位置为i，j 2.通过代码进行计算 代码如下，没有包装成函数，这里直接顺序计算了： 这里计算的是第一波段的遥感影像数据： import io import nu
python 遥感图像处理_职位：具有Python和遥感/图像处理经验的研究助理
cumei1658的博客
07-10 296
python 遥感图像处理This isn’t normal content for my blog, but I thought a post here might reach people who would be interested in the job. Don’t worry, normal service will be resumed shortly – this isn’t go...
Python遥感图像处理--开篇
soderayer的博客
04-25 4504
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
遥感图像处理中常用的python操作
热门推荐
QQ704630835的博客
10-24 3万+
本章节主要参考《python地理空间分析指南》第六章。 文章中的所有操作都可以在ENVI中完成，这里只提供一个图像处理的思路。 一、图像波段变换 波段变换最常用的地方就是进行图像显示，例如使用假彩色图像以凸显植被信息。图像波段变换即将图像波段的组合顺序重新排列并显示的方法，主要使用GDAL库。下面以一个例子进行实验，首先给出数据的下载地址： http://git.io/vqs41 打...
遥感影像处理：基于 Python 的植被指数提取与分类教程（无监督）
lestatlu的博客
04-22 878
在遥感影像处理领域，植被指数的提取与分类是非常重要的环节，它可以帮助我们了解地表植被的分布和生长状况。本文将详细介绍如何使用 Python 对高空间分辨率影像和低空间分辨率多光谱数据进行处理，提取归一化植被指数（NDVI）并进行无监督分类。
使用Python和GDAL处理遥感影像数据超详细教程
晚来天欲雪，能饮一杯无？
12-16 1万+
在本教程中，我们将学习使用 Python 和地理空间数据抽象库 GDAL 自动处理栅格数据的基本技术。
python提取遥感图像的光谱及纹理特征
08-18
提取遥感图像的光谱和纹理特征可以使用很多不同的方法和技术。下面简单介绍一些常用的方法。 1. 光谱特征提取 光谱特征是遥感图像中最基本的特征之一，可以用来描述不同物质在不同波段下的反射率。常用的光谱特征提取方法包括： - 主成分分析（PCA）：将原始数据降维到较低的维度，提取出最具有代表性的光谱信息。 - 最大似然分类（MLC）：将像素按照其光谱特征分成不同的类别，从而实现遥感影像的分类。 - 特征选择：选择最具有代表性的光谱波段，从而提高分类和识别的准确率。 2. 纹理特征提取 纹理特征是遥感图像中描述地物表面细节信息的特征，包括纹理方向、纹理密度、纹理大小等。常用的纹理特征提取方法包括： - 灰度共生矩阵（GLCM）：通过统计不同灰度级别的像素对出现的频率，计算出纹理特征。 - 小波变换：对遥感图像进行小波分解，提取不同频率下的纹理信息。 - Gabor滤波器：在不同方向和尺度下对遥感图像进行Gabor滤波，提取纹理特征。 以上只是一些常用的方法，具体方法的选择和实现需要结合具体的遥感图像特点和分析目的来确定。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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