厦门市住房和建设局网站,做汽车英文网站,最新域名查询,网站建设规范布局有几部分pyrsgis库是一个用于处理地理信息系统(GIS)数据的Python库。它提供了一组功能强大的工具#xff0c;可以帮助开发人员使用Python语言创建、处理、分析和可视化GIS数据。通过使用pyrsgis库#xff0c;开发人员可以更轻松地理解和利用地理信息。 pyrsgis库包含了许多常见的GIS操… pyrsgis库是一个用于处理地理信息系统(GIS)数据的Python库。它提供了一组功能强大的工具可以帮助开发人员使用Python语言创建、处理、分析和可视化GIS数据。通过使用pyrsgis库开发人员可以更轻松地理解和利用地理信息。 pyrsgis库包含了许多常见的GIS操作和功能例如读取和写入shapefile文件、转换坐标系、执行空间查询、计算地理特征属性等。它提供了许多方便使用的类和方法例如GeoPandas、Shapely、Fiona、Rasterio、Pyproj和GDAL等这些都可以帮助开发人员更高效地处理GIS数据。 一、Pyrsgis库安装 Pyrsgis可以直接通过pip install pyrsgis安装同样也可以下载压缩包然后本地安装。PyPI中Pyrsgis包下载地址pyrsgis · PyPI 二、导入库和函数 这些都是我后面代码需要使用到的函数注意要导入别到时候报错。
import os
from pyrsgis import raster, convert, ml
三、基础操作代码展示
1获取影像基本信息
def Get_data(filepath):# 获取影像基本信息ds, data_arr raster.read(filepath) # 基础信息资源和数组ds_bands ds.RasterCount # 波段数ds_width ds.RasterXSize # 宽度ds_height ds.RasterYSize # 高度ds_bounds ds.bbox # 四至范围ds_geo ds.GeoTransform # 仿射地理变换参数ds_prj ds.Projection # 投影坐标系print(影像的宽度为 str(ds_width))print(影像的高度为 str(ds_height))print(仿射地理变换参数为 str(ds_geo))print(投影坐标系为 str(ds_prj))
2计算NDVI 这里给大家介绍一个经典案例就是NDVI的计算。通过这个应该很容易就能理解Pyrsgis库的数据结构了。
def Get_NDVI(filepath):# 计算NDVIds, data_arr raster.read(filepath)red_arr data_arr[3, :, :]nir_arr data_arr[4, :, :]result_arr (nir_arr - red_arr) / (nir_arr red_arr)# result_arr (data_arr[4, :, :] - data_arr[3, :, :]) / (data_arr[4, :, :] data_arr[3, :, :])output_file rE:/path_to_your_file/landsat8_result.tifraster.export(result_arr, ds, output_file, dtypefloat32, bandsall, nodata0, compressLZW)# 写入的数组基础信息路径格式波段无效值压缩方式
3空间位置裁剪 这里的裁剪主要是按照输入的空间矩形进行裁剪并没有演示如何使用shp进行裁剪。这个可以应用于分幅裁剪、滑动裁剪等。空行分割的是实现这个功能的两种函数的使用方式。
def Clip_data(filepath):# 按掩膜提取ds, data_arr raster.read(filepath)print(Original bounding box:, ds.bbox)print(Original shape of raster:, data_arr.shape)new_ds, clipped_arr raster.clip(ds, data_arr, x_min770000, x_max790000, y_min1420000, y_max1440000)raster.export(clipped_arr, new_ds, rE:/path_to_your_file/clipped_file.tif)infile rE:/path_to_your_file/your_file.tifoutfile rE:/path_to_your_file/clipped_file.tifraster.clip_file(infile, x_min770000, x_max790000, y_min1420000, y_max1440000, outfileoutfile)
4移除无效值 这里的函数是移除无效值的如-9999之类的理论上应该也可以修改其他的DN值但我自己没去试过大家可以自行尝试。
def Modify_data(filepath):# 修改影像数组如移除无效值ds, data_arr raster.read(filepath)new_ds, new_arr raster.trim(ds, data_arr, remove-9999)print(Shape of the input array:, data_arr.shape)print(Shape of the trimmed array:, new_arr.shape)ds, data_arr raster.read(filepath)new_arr raster.trim_array(data_arr, remove-9999)print(Shape of the input array:, data_arr.shape)print(Shape of the trimmed array:, new_arr.shape)infile rE:/path_to_your_file/your_file.tifoutfile rE:/path_to_your_file/trimmed_file.tifraster.trim_file(infile, -9999, outfile)
5平移影像 按照x、y方向进行影像平移可选像素和坐标进行平移。
def Shift_data(filepath):# 平移影像ds, data_arr raster.read(filepath)new_ds raster.shift(ds, x10, y10) # x,y方向偏移量。按栅格的投影单位移动数据源 或分别按细胞数print(Original bounding box:, ds.bbox)print(Modified bounding box:, new_ds.bbox)new_ds raster.shift(ds, x10, y10, shift_typecell) # shift_typecoordinateprint(Modified bounding box:, new_ds.GeoTransform)raster.export(data_arr, new_ds, rE:/path_to_your_file/shifted_file.tif)infile rE:/path_to_your_file/your_file.tifoutfile rE:/path_to_your_file/shifted_file.tifraster.shift_file(infile, x10, y10, outfileoutfile, shift_typecell)
6数组、表、CSV互转包含剔除值 这里的函数是数组、表、CSV互转在转换的同时可以通过参数移除某些DN值。
def Convert_data(filepath):# 数组转表、CSV修改值input_file rE:/path_to_your_file/raster_file.tifds, data_arr raster.read(input_file) # Shape of the input array: (6, 800, 400)data_table convert.array_to_table(data_arr) # Shape of the reshaped array: (320000, 6)# 该函数将单波段或多波段栅格数组转换为表其中 列表示输入波段每行表示一个单元格。input_file rE:/path_to_your_file/raster_file.tifds, data_arr raster.read(input_file)data_table convert.array_to_table(data_arr)print(Shape of the input array:, data_arr.shape) # Shape of the input array: (6, 800, 400)print(Shape of the reshaped array:, data_table.shape) # Shape of the reshaped array: (320000, 6)input_file rE:/path_to_your_file/raster_file.tifnew_data_arr convert.table_to_array(data_table, n_rowsds.RasterYSize, n_colsds.RasterXSize)print(Shape of the array with newly added bands:, new_data_arr.shape)# Shape of the array with newly added bands: (8, 800, 400)new_data_arr convert.table_to_array(data_table[:, -2:], n_rowsds.RasterYSize, n_colsds.RasterXSize)print(Shape of the array with newly added bands:, new_data_arr.shape)# Shape of the array with newly added bands: (2, 800, 400)# 表转数组input_file rE:/path_to_your_file/raster_file.tifoutput_file rE:/path_to_your_file/tabular_file.csvconvert.raster_to_csv(input_file, filenameoutput_file)input_dir rE:/path_to_your_file/output_file rE:/path_to_your_file/tabular_file.csvconvert.raster_to_csv(input_dir, filenameoutput_file)convert.raster_to_csv(input_dir, filenameoutput_file, negativeFalse, remove[10, 54, 127], badrowsFalse)# 数组转表可剔除负值、目标值、坏波段input_file rE:/path_to_your_file/raster_file.tifout_csvfile input_file.replace(.tif, .csv)convert.raster_to_csv(input_file, filenameout_csvfile, negativeFalse)new_csvfile rE:/path_to_your_file/predicted_file.tifout_tiffile new_csvfile.replace(.csv, .tif)convert.csv_to_raster(new_csvfile, ref_rasterinput_file, filenameout_tiffile, compressDEFLATE)convert.csv_to_raster(new_csvfile, ref_rasterinput_file, filenameout_tiffile,cols[Blue, Green, KMeans, RF_Class], compressDEFLATE)# 数组将堆叠并导出为多光谱文件convert.csv_to_raster(new_csvfile, ref_rasterinput_file, filenameout_tiffile,cols[Blue, Green, KMeans, RF_Class], stackedFalse, compressDEFLATE)# 将每列导出为单独的波段请将参数设置为 。stackedFalse
7制作深度学习标签 此函数根据单波段或多波段栅格阵列生成影像片。图像芯片可以用作深度学习模型的直接输入例如。卷积神经网络输出格式(4198376, 7, 7, 6)
def Create_CNN(filepath):# 此函数根据单波段或多波段栅格阵列生成影像片。图像 芯片可以用作深度学习模型的直接输入例如。卷积神经网络# -----------------------------数组生成深度学习芯片-----------------------------infile rE:/path_to_your_file/your_file.tifds, data_arr raster.read(infile)image_chips ml.array_to_chips(data_arr, y_size7, x_size7)print(Shape of input array:, data_arr.shape) # Shape of input array: (6, 2054, 2044)print(Shape of generated image chips:, image_chips.shape) # Shape of generated image chips: (4198376, 7, 7, 6)infile rE:/path_to_your_file/your_file.tifds, data_arr raster.read(infile)image_chips ml.array2d_to_chips(data_arr, y_size5, x_size5)print(Shape of input array:, data_arr.shape) # Shape of input array: (2054, 2044)print(Shape of generated image chips:, image_chips.shape) # Shape of generated image chips: (4198376, 5, 5)# ----------------------------影像直接生成深度学习芯片----------------------------infile_2d rE:/path_to_your_file/your_2d_file.tifimage_chips ml.raster_to_chips(infile_2d, y_size7, x_size7)print(Shape of single band generated image chips:, image_chips.shape)# Shape of single bandgenerated image chips: (4198376, 7, 7)infile_3d rE:/path_to_your_file/your_3d_file.tifimage_chips ml.raster_to_chips(infile_3d, y_size7, x_size7)print(Shape of multiband generated image chips:, image_chips.shape)# Shape of multiband generated image chips: (4198376, 7, 7, 6)
8翻转影像 按照东西或南北方向翻转影像
def Reverse_Image(filepath):# 按照东西、南北方向反转影像# -------------------------------北向、东向翻转--------------------------------input_file rE:/path_to_your_file/your_file.tifds, data_arr raster.read(input_file)north_arr, east_arr raster.north_east(data_arr)print(north_arr.shape, east_arr.shape)north_arr, east_arr raster.north_east(data_arr, flip_northTrue, flip_eastTrue)north_arr raster.north_east(data_arr, layernorth)from matplotlib import pyplot as pltplt.imshow(north_arr)plt.show()plt.imshow(east_arr)plt.show()input_file rE:/path_to_your_file/your_file.tifds, data_arr raster.read(input_file)north_arr, east_arr raster.north_east(data_arr)print(north_arr.shape, east_arr.shape)north_arr raster.north_east(data_arr, layernorth)from matplotlib import pyplot as pltplt.imshow(north_arr)plt.show()plt.imshow(east_arr)plt.show()raster.export(north_arr, ds, rE:/path_to_your_file/northing.tif, dtypefloat32)raster.export(east_arr, ds, rE:/path_to_your_file/easting.tif, dtypefloat32)# -------------------------使用参考.tif文件生成北向栅格----------------------------reference_file rE:/path_to_your_file/your_file.tifraster.northing(file1, rE:/path_to_your_file/northing_number.tif, flipFalse, valuenumber)raster.northing(file1, rE:/path_to_your_file/northing_normalised.tif, valuenormalised) # 输出栅格进行归一化raster.northing(file1, rE:/path_to_your_file/northing_coordinates.tif, valuecoordinates)raster.northing(file1, rE:/path_to_your_file/northing_number_compressed.tif, compressDEFLATE)reference_file rE:/path_to_your_file/your_file.tifraster.easting(file1, rE:/path_to_your_file/easting_number.tif, flipFalse, valuenumber)raster.easting(file1, rE:/path_to_your_file/easting_normalised.tif, valuenormalised)raster.easting(file1, rE:/path_to_your_file/easting_normalised.tif, valuenormalised)raster.easting(file1, rE:/path_to_your_file/easting_number_compressed.tif, compressDEFLATE)
四、总结 Pyrsgis库之前使用的时候是因为要进行卷积神经网络的深度学习然后里面制作深度学习标签的函数还是不错的可以用一行代码实现标签的制作。但是如果数据过大内存就会溢出报错这个是Pyrsgis库没有解决的当然我也没解决。大家可以自己尝试一下有解决办法可以和我分享一下。总的来说Pyrsgis和Rasterio这两个库都还不错都在GDAL的基础上进行了二开方便了很多操作。
