随着科技的进步，遥感影像包含的信息越来越多，存储空间也变得很大，这就导致我们在处理影像时软件会非常的卡。同时目前很火的深度学习也需要对影像分割后制作样本集，所以今天给大家分享下如何使用Python的GDAL库对遥感影像进行分幅裁剪！原创作者：RS迷途小书童一、导入需要的三方库 tkinte
转载
2024-08-06 20:33:16
103阅读
如何在ArcGIS中打开卫星影像 本文将展示如何利用91卫图助手来下载谷歌卫星影像，并在ArcGIS中加载。工具/原料 91卫图助手下载器 ArcGIS&nb
转载
2024-01-16 19:14:01
19阅读
一些基于python+gdal整理的小工具#!/usr/bin/env python
# coding: utf-8
from osgeo import gdal
import os
import glob
import numpy as np
import math
def read_img( filename):
'''
读取影像为数组并返回信息
——————
转载
2024-03-01 10:43:50
227阅读
" 当单幅遥感影像较大时，也就是分辨率较高或者像元数量较多时，如果批量处理这些影像，计算机内存可能不够，程序容易报错：内存溢出。这时需要对影像进行分块读取与处理，也是本节所要分享的重点。"按块读取遥感影像在上一节中，程序一次读取并保存了整个波段的数据。但是，如果单幅图像尺寸较大（行列数较大）的话，我们可以将其分解为块来读取。可能是因为你只需要图像中的某一块，或者你的本本没有足够的内存来同
转载
2023-09-07 17:36:05
0阅读
# 使用 Java GDAL 打开遥感影像的基本指南
## 引言
遥感技术在地理数据处理、环境监测、城市规划等领域得到了广泛的应用，而 GDAL（Geospatial Data Abstraction Library）作为一个强大且灵活的数据处理库，提供了对多种地理数据格式的支持。本文将介绍如何使用 Java 语言结合 GDAL 库打开遥感影像，并提供代码示例帮助读者入门。
## GDAL
当我们在ArcGIS中打开一景遥感影像时，是不是总是在我们的研究区周围出现我们并不希望看见的黑边，这种黑边在我们做图像分析或排版出图时总是个累赘，今天就教给大家在ArcGIS中轻松去除黑边。 影像产生黑边的原因无外乎在设置无效值时，将无效值设成了0，而影像在导入软件进行渲染时，并没有进行黑边的预处理，导致展示时有黑边出现。
转载
2023-12-15 11:45:11
349阅读
之前给大家介绍了基础的遥感数据知识和智能遥感任务，本期就来盘点一下在遥感模型训练中常用的数据集。从应用领域出发，遥感影像样本数据集可分为8个类型：遥感场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割、定量遥感、其他。[1]本期主要分享7个可用于遥感场景识别/分类的数据集： No.1 UC Merced Land Use● 发布方：Univer
转载
2024-08-08 15:43:30
155阅读
1、 图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为 ① 点击import模块，打开对话框 ② 选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥ 在此之前可以选择session－>preference，选择输入、输出主目录。2、
转载
2023-08-13 16:22:15
747阅读
引入 此次的内容是遥感图像镶嵌。 在遥感图像处理中，我们有时为了获取更大范围的地面图像，通常需要将多幅遥感图像拼成一幅图像，这就需要使用图像镶嵌对遥感影像进行拼接操作。 我们需要进行图像镶嵌的遥感卫星影像数据有两种情况，南北方向和东西方方向的，所以我们在选择数据时尽量选择成像条件相似（同一轨道、同一时间）的图像。 通过使用PCI软件图像镶嵌模块手动对长沙地区影像（南北
转载
2023-12-26 15:00:09
157阅读
文章目录1.查看图像的空间分布特征（一）生成灰度图像（二）生成假彩色图像（三）连接不同视图的影像2.查看图像的像元灰度值3.统计并查看图像直方图4.计算NDVI（一）采用波段运算器计算NDVI（二）采用植被指数计算器计算NDVI5.NDVI计算结果检验（一）对结果图像的空间分布特征进行检验（二）对结果图像进行统计特征的检验6.浏览图像的空间分布及数值统计特征（一）查看空间分布特征（二）查看数值统
转载
2023-08-07 11:36:40
183阅读
前言因为毕设中的部分内容涉及到卫星遥感影像道路分割，因此去对相关算法做了一些调研。 本文所使用数据集为DeepGlobe，来自于CVPR2018年的一个挑战赛：DeepGlobe Road Extraction Challenge。 D-LinkNet为该挑战赛的冠军算法。考虑到D-LinkNet开发版本较老(Python 2.7、Pytorch 0.2.0)，我对此项目进行了重构，具体工作如下：
转载
2023-08-23 19:54:04
427阅读
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打开原图可以看到，植被明显
转载
2023-11-04 22:12:29
367阅读
1评论
# 如何在Java中基于GDAL打开遥感影像
在这篇文章中，我们将逐步学习如何使用Java结合GDAL（Geospatial Data Abstraction Library）来打开遥感影像。首先，我们会概述整个流程，然后详细解释每一步，包括必要的代码和注释。
## 流程概述
下面是实现“Java基于GDAL打开遥感影像”的步骤：
| 步骤 | 描述 |
|------|------|
|
原创
2024-10-28 05:41:27
62阅读
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。GDA
转载
2023-09-28 16:51:20
119阅读
李国春上一篇 我们演示的数据都是同一天的和来自同一颗卫星的一个传感器。这当然是最简单的理想情况了，实际上可能要比这复杂。首先是位置的准确性。RSD的拼接是基于地理坐标的，准确的地理位置是完美拼接的前提。以现在的技术校正两幅影像使其误差在一个像元之内是可以做到的，这个问题不在这里讨论。就是说假设的前提是影像已经做了合格的几何位置配准。第二个问题是拼接目标的要求。RSD是数据和图像完全分离的
转载
2023-07-31 15:20:48
26阅读
最近在做一个遥感图像处理的任务，觉得比较有意思，就拿出来跟大家分享一下。 这次的任务是遥感图像的阴影提取，看上去好像有一点高大上的样子，让人有些摸不到头脑。我先到网上查找了一下，主要的方法都是用二值化，配合Canny算子或者Sobel算子之类的来提取阴影的面积，但是我觉得这样做比较复杂，而且效果也不一定很好。于是我就变了
转载
2023-10-25 10:03:25
499阅读
遥感影像目视解译1 背景1.1 分类的基础1.2 分类的4种方法1.3 遥感影像解译的概念1.4 遥感影像解译的任务1.5 解译的8大要素2 目视解译2.1 依据2.2 步骤2.2.1 影像预处理2.3 图像解译经验 1 背景1.1 分类的基础遥感卫星影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。1.2
决策树之CART算法分类树原理及python实现决策树决策树的特点优点缺点决策树构造决策树生成算法CART算法构造分类决策树python代码实现决策树可视化sklearn构造决策树 决策树决策树模型是一种传统的算法，与人类思维十分相似基本思想：模拟人类进行级联选择或决策的过程，按照属性的某个优先级依次对数据的全部属性进行判别，从而得到输入数据对应的预测输出。树形模型是一个一个特征值进行处理，而线
转载
2024-06-19 22:50:11
36阅读
我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘
转载
2023-11-06 16:07:35
83阅读
这几天一直在帮一个学妹做毕业设计，用深度学习的方法来做遥感图像分类。原来准备将图像分为：林地、道路、裸地、建筑、草地、水域这6个部分，这6部分对应的颜色分别为： 1. 林地：红色 (255, 0, 0) 0xFF0000 2. 道路：黄色 (255, 255, 0) 0xFFFF00 3. 裸地：紫红 (255, 0, 255) 0xFF00FF 4. 建筑：青色 (0, 255, 255
转载
2023-12-16 19:28:14
150阅读
