ENVI实战-影像的下载和矢量边界裁剪

2024-04-09 05:28

本文主要是介绍ENVI实战-影像的下载和矢量边界裁剪,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

实验1:学会使用不同的遥感数据检索和下载平台

目的:学会使用不同的数据平台,检索和下载所需的遥感数据。

过程:

①基于地理空间数据云的数据检索和下载方法:

A.网站进入:网络搜索:https://www.gscloud.cn/网站,打开“地理空间数据云”,初始用户需要进行账号的注册和登录,此后可对数据进行访问。

B.数据检索:点击“高级检索”,在页面中可通过一系列条件的设置来实现数据的筛选和过滤,在数据集中可挑选Landsat系列、Sentinel系列、MODIS系列等不同的数据源;在空间位置中,可选择“行政区”、“矢量文件”、“手动绘制”等方式对数据进行空间范围的筛选;在时间范围中可以确定数据的时间范围,包括年、月、日等;在云量中可以保证数据的检索质量,点击“检索”即可在下方查看符合条件的数据结果。

C.数据下载:选择要下载的一景影像,可以在右侧的地图框中查看数据覆盖的范围。确认无误后,点击“箭头”按钮即可完成数据下载。

②基于ESA平台的数据检索和下载方法:

A.网站进入:网络搜索:https://dataspace.copernicus.eu/网站,打开欧空局数据云平台,初始用户需要点击“Login”,在弹出的窗口中按要求完成用户的注册,此后可对ESA拥有的数据资源进行访问。

B.数据集挑选:登录后,点击页面的“Explore Data”按钮,进行数据检索,选择“Data collections”进入,选择“Sentinel Data”数据集,点击“Sentinel-2”,进入界面后点击“Explore Sentinel-2 Data”可对哨兵2号的数据进行浏览。

C.数据检索:点击“SEARCH”,对数据进行筛选,本次将数据源选择为“SENTINEL-2”,传感器选择为多光谱成像仪“MSI”,调整云量控制按钮为“5%”;在“TIME RANGE”中设置时间间隔为“2020-03-02”到“2020-04-02”;在右侧可以绘制感兴趣的研究区域,此处选择家乡附近区域绘制矩形框;最后点击“Search”,可以筛选出符合上述条件的影像数据。

D.数据下载:查看过境的全部影像,对感兴趣的影像,点击“Download”按钮可以完成数据的下载。

实验2:裁剪数据,标注家乡位置

目的:综合应用影像数据的裁剪和镶嵌方法,对原始数据进行处理。

过程:

此处以Sentinel-2影像为例,记录家乡卫星影像数据的处理过程。

①数据加载打开ENVI软件,在文件选项卡中打开存有数据的文件夹,由于家乡所在的县市一共有两景影像覆盖,点击10m分辨率的UP和DOWN影像,加载到ENVI中。两景影像在颜色上存在较大差异,需要在拼接时进行处理。

②影像镶嵌:在ENVI工具箱中找到“图像镶嵌”工具,选择“无缝镶嵌”,选择加载的影像数据,在弹出的窗口中进行直方图匹配、颜色校正、自动生成接边线、输出路径设置等操作,点击“完成”,图像完成镶嵌。

③家乡区域裁剪:导入南康区行政边界Shp数据文件(图3),选择工具箱中“感兴趣区”工具,选择“利用ROI裁剪图像”,在弹出的窗口中选择刚刚镶嵌好的影像。然后,选择导入的家乡shp作为ROI,将“掩膜ROI之外的影像?”改为是,并将“掩膜背景值”修改为0,修改文件名称,点击确定,完成家乡影像的裁剪。

④标注家乡位置:在ArcMap中标注家乡点位坐标,保存为点要素数据,在ENVI中打开家乡点位坐标数据,在上方的“添加注记”功能中选择“添加文本”,将家乡名输入,完成最终的成品。

仿照上述操作,完成Landsat8影像数据的裁剪和家乡标注。

结果:

南康区2020年3月15日的Sentinel-2真彩色影像和2020年2月8日Landsat8真彩色影像显示结果如下:

选择本人所在的上犹江沿岸村庄进行对比,左图为10m空间分辨率的Sentinel-2数据,右图为30m的Landsat8数据,对比发现,前者能够较为清晰地展现地表的山体,建筑、水体等地物,后者限制于空间分辨率,相对逊色一些。另外,由于影像的拍摄日期不同,受天气等状况以及传感器性能等影响,Landsat8数据相较于前者色彩呈现和亮度等均存在差异。

问题描述:在进行影像裁剪时,被掩膜的背景部分呈现效果是黑色。

问题溯源:在进行采集按时,矢量数据加载进行时具有边框线,掩膜背景值设置为0,ENVI默认采用黑色显示。

问题解决:右击家乡图层,点击“查看元数据”,再点击“编辑元数据”,在弹出的窗口中点击左上角的“+”号,找到“忽略背景值”并添加,设置要忽略的背景值为0,此时ENVI将会对家乡范围以外的背景值忽略,不作显示,得到正常的影像。

好啦,今天的内容就分享到这里了,更多内容欢迎关注小编的公众号“梧桐GIS”,谢谢大家支持,祝大家学习愉快!

这篇关于ENVI实战-影像的下载和矢量边界裁剪的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/887283

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

常用的jdk下载地址

jdk下载地址 安装方式可以看之前的博客: mac安装jdk oracle 版本:https://www.oracle.com/java/technologies/downloads/ Eclipse Temurin版本:https://adoptium.net/zh-CN/temurin/releases/ 阿里版本: github:https://github.com/

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount

滚雪球学Java(87):Java事务处理:JDBC的ACID属性与实战技巧!真有两下子!

咦咦咦,各位小可爱,我是你们的好伙伴——bug菌,今天又来给大家普及Java SE啦,别躲起来啊,听我讲干货还不快点赞,赞多了我就有动力讲得更嗨啦!所以呀,养成先点赞后阅读的好习惯,别被干货淹没了哦~ 🏆本文收录于「滚雪球学Java」专栏,专业攻坚指数级提升,助你一臂之力,带你早日登顶🚀,欢迎大家关注&&收藏!持续更新中,up!up!up!! 环境说明:Windows 10

2. 下载rknn-toolkit2项目

官网链接: https://github.com/airockchip/rknn-toolkit2 安装好git:[[1. Git的安装]] 下载项目: git clone https://github.com/airockchip/rknn-toolkit2.git 或者直接去github下载压缩文件,解压即可。

springboot实战学习(1)(开发模式与环境)

目录 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 (3)前端 二、开发模式 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 Validation:做参数校验Mybatis:做数据库的操作Redis:做缓存Junit:单元测试项目部署:springboot项目部署相关的知识 (3)前端 Vite:Vue项目的脚手架Router:路由Pina:状态管理Eleme

前端form表单+ifarme方式实现大文件下载

// main.jsimport Vue from 'vue';import App from './App.vue';import { downloadTokenFile } from '@/path/to/your/function'; // 替换为您的函数路径// 将 downloadTokenFile 添加到 Vue 原型上Vue.prototype.$downloadTokenF

【干货分享】基于SSM的体育场管理系统的开题报告(附源码下载地址)

中秋送好礼 中秋佳节将至,祝福大家中秋快乐,阖家幸福。本期免费分享毕业设计作品:《基于SSM的体育场管理系统》。 基于SSM的体育场管理系统的开题报告 一、课题背景与意义 随着全民健身理念的深入人心,体育场已成为广大师生和社区居民进行体育锻炼的重要场所。然而,传统的体育场管理方式存在诸多问题,如资源分配不均、预约流程繁琐、数据统计不准确等,严重影响了体育场的使用效率和用户体验。

深度学习实战:如何利用CNN实现人脸识别考勤系统

1. 何为CNN及其在人脸识别中的应用 卷积神经网络(CNN)是深度学习中的核心技术之一,擅长处理图像数据。CNN通过卷积层提取图像的局部特征,在人脸识别领域尤其适用。CNN的多个层次可以逐步提取面部的特征,最终实现精确的身份识别。对于考勤系统而言,CNN可以自动从摄像头捕捉的视频流中检测并识别出员工的面部。 我们在该项目中采用了 RetinaFace 模型,它基于CNN的结构实现高效、精准的