遥感影像

import os from PIL import Image import cv2 import time file_dir = '.' files = os.listdir(file_dir) na = 0 for file in files: if os.path.isfile(file): # img = Image.open(file) img = cv2.imread(file) long = img.shape[0] width = img.shape[1] upper = 0 lower = 0 kj = 0 while lower + 16 < width: left = 0 upper = (16*kj) right = 16 lower = 16*(kj+1) kj +=1 print(left, upper, right, lower) ki = 0 while right + 16 <long: left = ki * 16 right = 16 + ki * 16 ki +=1 newImg = img[upper:lower-1,left:right-1] na = str(na) # newImg.save("/home/ly/Documents/program/RGB-Water/Edata/"+na+".jpg") cv2.imwrite("

前言：因论文数据需要，所以开始解译遥感影像数据，整个解译过程都是参考ESRI China的遥感事业部整理的Envi学习教程实现的，非常感谢该公司的学习资料，受益匪浅。同时，在这个过程中遇到了很多问题，幸得老师、师兄和同学的帮助得以解决，个人认为有必要记录各个流程以及问题的解决办法。趁着今天解译数据选样本快吐了，换个口味，整理一下。 （一）数据下载 我是在地理空间数据云( http://www.gscloud.cn )下载的遥感影像，当然也可以从美国地质调查局(USGS)网站( http://glovis.usgs.gov )下载，据说该网站的数据量大，可供选择的数据多，但由于本人不能翻墙，且地理空间数据云提供的数据满足我的要求，所以未翻墙。有需要的同学可以尝试一下，如果有什么好用的翻墙软件也可以推荐一下。 回到正题，地理空间数据云的数据提供了以下参数：数据标识、条带号、行编号、中心经度、中心维度、成像日期和云量，我下载的时候在选中研究区后，尽量选择云量低的影像，由于计划解译5类地类，建设用地和水域是比较容易识别的，所以主要是区分林地、耕地和未利用地， 因此在遥感图像的时相选择时需考虑植被生长阶段。植被生长茂盛期为 6 月下旬到 9 月上旬，各植物处于生长旺盛阶段，植被类型间的差异不明显，因此图像上也不易识别，反而 5 月中下旬至 6 月中旬对植被提取和分类最为有利。秋天树叶开始变色