【图像处理基石】GIS图像处理入门：4个核心算法与Python实现（附完整代码）

AndrewHZ2025-10-11 8:59

最近在项目里需要处理遥感影像、电子地图这类GIS数据，踩了不少"入门坑"后，整理了这篇偏向实操的入门博客------从工具搭建到核心算法实现，全程用Python代码落地，适合快速上手。

1. 前言：先搞懂"GIS图像处理"到底是什么？

和普通的图片（比如JPG、PNG）不同，GIS图像（遥感影像、DEM、电子地图等）自带地理坐标和投影信息------比如一张卫星图，每个像素都对应地球表面的具体经纬度。

我们处理GIS图像，本质是解决这些问题：

  • 把"raw数据"（比如卫星传回的DN值）转成可解读的物理量（反射率、温度）；
  • 消除图像畸变（比如卫星姿态、地形导致的几何偏差）；
  • 提取有用信息（比如裁剪出城市范围、识别耕地面积）。

常用场景：遥感监测、城市规划、灾害评估、农业估产，比如最近很火的"高分卫星影像解译"，核心就是GIS图像处理。

2. 必备工具：3分钟搭好Python环境

GIS图像处理不像普通CV用OpenCV就行，需要专门处理"地理信息"的库。核心工具就3个，直接用pip安装（如果GDAL装不上，建议用conda conda install gdal）：

bash 复制代码 
# 核心库：读写GIS影像、处理地理坐标
pip install gdal
# 数值计算：处理图像像素数组
pip install numpy
# 可视化：显示图像、画结果图
pip install matplotlib

简单介绍下这3个库的分工：

  • GDAL/OGR：GIS领域的"瑞士军刀"，支持TIFF、SHP（矢量文件）等90%以上的GIS格式，能读取图像的投影、地理坐标；
  • NumPy：把GIS图像转成数组（比如256*256的像素矩阵），做数值计算；
  • Matplotlib：替代OpenCV的imshow，方便显示带地理信息的图像。

3. 核心入门算法：原理+代码落地

这部分是重点，我选了4个"入门必会"的算法------从"读图像"到"预处理"，覆盖80%的基础场景，每个算法都附可运行代码。

3.1 算法1：GIS图像读取与显示（最基础但有坑）

普通图像用OpenCV的cv2.imread()就能读，但GIS图像不行------会丢失地理坐标！必须用GDAL读。

原理
  1. 用GDAL的Open()函数打开影像文件（比如TIFF）；
  2. 获取图像的"地理变换参数"（知道每个像素对应哪个经纬度）和"投影信息"（比如WGS84、UTM）；
  3. 把图像数据转成NumPy数组，用Matplotlib显示。
代码实现
python 复制代码 
from osgeo import gdal
import numpy as np
import matplotlib.pyplot as plt

# 解决GDAL中文路径问题
gdal.SetConfigOption("GDAL_FILENAME_IS_UTF8", "YES")

def read_gis_image(image_path):
    """
    读取GIS图像（支持TIFF等格式）
    :param image_path: 图像路径（比如"test.tif"）
    :return: 像素数组、地理变换参数、投影信息
    """
    # 1. 打开影像文件
    dataset = gdal.Open(image_path)
    if dataset is None:
        raise Exception(f"无法打开图像：{image_path}")
    
    # 2. 获取图像基本信息
    width = dataset.RasterXSize  # 图像宽度（像素数）
    height = dataset.RasterYSize  # 图像高度（像素数）
    band_count = dataset.RasterCount  # 波段数（比如RGB是3波段，遥感影像可能有10+波段）
    
    # 3. 获取地理信息（关键！普通图像没有这个）
    geo_transform = dataset.GetGeoTransform()  # 地理变换参数
    projection = dataset.GetProjection()  # 投影信息（WKT格式）
    
    # 4. 读取像素数据（这里以单波段为例，多波段可循环读取）
    band = dataset.GetRasterBand(1)  # 读取第1波段（索引从1开始，不是0！）
    pixel_array = band.ReadAsArray(0, 0, width, height)  # 转成NumPy数组
    
    # 5. 释放资源（重要，避免内存泄漏）
    dataset = None
    band = None
    
    return pixel_array, geo_transform, projection

def show_gis_image(pixel_array, title="GIS图像"):
    """显示GIS图像"""
    plt.figure(figsize=(8, 6))
    # 用灰度显示（多波段可调整为RGB组合）
    plt.imshow(pixel_array, cmap="gray")
    plt.title(title)
    plt.axis("off")  # 隐藏坐标轴（GIS图像看地理意义，不看像素坐标）
    plt.show()

# ------------------- 测试代码 -------------------
if __name__ == "__main__":
    image_path = "你的GIS图像路径.tif"  # 替换成自己的TIFF文件
    pixel_array, geo_transform, projection = read_gis_image(image_path)
    
    # 打印关键信息
    print(f"图像尺寸：{pixel_array.shape}")  # (高度, 宽度)
    print(f"地理变换参数：{geo_transform}")  # (左上角x, 水平分辨率, 0, 左上角y, 0, 垂直分辨率)
    print(f"投影信息：{projection[:100]}...")  # 打印前100个字符（WKT格式很长）
    
    # 显示图像
    show_gis_image(pixel_array, title="原始GIS图像")
关键注意点
  • GDAL读取波段时，索引从1开始（不是Python的0！）；
  • geo_transform参数很重要：(x0, dx, 0, y0, 0, dy)，其中x0,y0是左上角像素的地理坐标，dx是水平分辨率（每个像素代表多少米/度），dy通常是负数（因为图像坐标系从上到下，地理坐标系从下到上）。

3.2 算法2：辐射定标（从"数字"到"物理量"）

卫星传回来的原始数据是"DN值"（0-255的数字），没有物理意义------我们需要把它转成"反射率"（衡量物体反射太阳光的能力），这个过程就是辐射定标。

原理

核心公式（线性定标，大部分卫星影像适用）：
反射率 = 增益（Gain）× DN值 + 偏移（Bias）

其中Gain和Bias从卫星影像的元数据文件（比如MTL.txt）中获取，不同波段的参数不同。

代码实现
python 复制代码 
def radiometric_calibration(pixel_array, gain, bias):
    """
    辐射定标：DN值转反射率
    :param pixel_array: 原始DN值数组
    :param gain: 增益（从元数据获取）
    :param bias: 偏移（从元数据获取）
    :return: 反射率数组（值范围通常0-1）
    """
    # 应用定标公式
    reflectance = gain * pixel_array + bias
    
    # 裁剪异常值（反射率不会小于0，通常不会大于1.5）
    reflectance = np.clip(reflectance, 0, 1.5)
    
    # 归一化到0-1（方便显示）
    reflectance = (reflectance - np.min(reflectance)) / (np.max(reflectance) - np.min(reflectance))
    
    return reflectance

# ------------------- 测试代码 -------------------
if __name__ == "__main__":
    # 1. 先读取原始图像（DN值）
    image_path = "你的原始影像.tif"
    dn_array, geo_transform, projection = read_gis_image(image_path)
    
    # 2. 从元数据获取Gain和Bias（这里以Landsat 8为例，实际要换自己的参数）
    gain = 0.0001  # 示例值，实际从MTL.txt找"REFLECTANCE_MULT_BAND_x"
    bias = -0.1    # 示例值，实际从MTL.txt找"REFLECTANCE_ADD_BAND_x"
    
    # 3. 执行定标
    reflectance_array = radiometric_calibration(dn_array, gain, bias)
    
    # 4. 显示对比
    plt.figure(figsize=(12, 6))
    plt.subplot(1, 2, 1)
    plt.imshow(dn_array, cmap="gray")
    plt.title("原始DN值图像")
    plt.axis("off")
    
    plt.subplot(1, 2, 2)
    plt.imshow(reflectance_array, cmap="gray")
    plt.title("辐射定标后的反射率图像")
    plt.axis("off")
    
    plt.show()
关键注意点
  • 不同卫星（Landsat、Sentinel、高分）的定标公式可能不同，必须查对应卫星的官方文档；
  • 如果没有元数据，可从卫星官网（比如USGS）下载对应影像的MTL文件，里面有现成的Gain和Bias。

3.3 算法3：几何校正（消除图像"歪掉"的问题）

卫星拍摄时，会因为姿态倾斜、地形起伏导致图像"畸变"------比如地面上的正方形，在图像上变成梯形。几何校正就是把畸变的图像校正到正确的地理坐标上。

原理（多项式校正，入门常用）
  1. 选"控制点"：在畸变图像和"标准地图"（比如谷歌地图）上找相同的点（比如路口、山顶），记录它们的坐标；
  2. 用多项式拟合控制点，计算"校正矩阵"；
  3. 对原始图像的每个像素，用校正矩阵计算它在标准坐标系中的位置，再通过"重采样"填充像素值。
代码实现
python 复制代码 
from osgeo import gdal, osr

def geometric_correction(input_path, output_path, control_points):
    """
    几何校正（多项式校正）
    :param input_path: 输入畸变图像路径
    :param output_path: 输出校正后图像路径
    :param control_points: 控制点列表，格式：[(畸变x1, 畸变y1, 标准x1, 标准y1), ...]
    """
    # 1. 打开输入影像
    input_ds = gdal.Open(input_path)
    if input_ds is None:
        raise Exception(f"无法打开输入图像：{input_path}")
    
    # 2. 定义输出影像的投影（这里用WGS84投影，可根据需求修改）
    output_srs = osr.SpatialReference()
    output_srs.ImportFromEPSG(4326)  # 4326 = WGS84坐标系（经纬度）
    output_wkt = output_srs.ExportToWkt()
    
    # 3. 准备控制点（分离畸变坐标和标准坐标）
    src_points = np.array([(cp[0], cp[1]) for cp in control_points], dtype=np.float32)
    dst_points = np.array([(cp[2], cp[3]) for cp in control_points], dtype=np.float32)
    
    # 4. 计算多项式校正矩阵（2次多项式，需要至少6个控制点）
    if len(control_points) < 6:
        raise Exception("2次多项式校正需要至少6个控制点")
    poly_matrix = cv2.getPerspectiveTransform(src_points[:4], dst_points[:4])  # 简化用透视变换（4点），实际用多项式
    
    # 5. 创建输出影像（和输入影像同尺寸）
    driver = gdal.GetDriverByName("GTiff")
    output_ds = driver.Create(
        output_path,
        input_ds.RasterXSize,
        input_ds.RasterYSize,
        1,
        gdal.GDT_Float32  # 浮点型，避免精度丢失
    )
    
    # 6. 设置输出影像的地理变换和投影
    # 这里简化：假设标准坐标的分辨率是0.0001度（根据实际调整）
    output_geo = (
        min(dst_points[:, 0]), 0.0001, 0,
        max(dst_points[:, 1]), 0, -0.0001
    )
    output_ds.SetGeoTransform(output_geo)
    output_ds.SetProjection(output_wkt)
    
    # 7. 重采样（双线性插值，平衡速度和精度）
    gdal.ReprojectImage(
        input_ds,
        output_ds,
        input_ds.GetProjection(),
        output_wkt,
        gdal.GRA_Bilinear  # 重采样方法：GRA_NearestNeighbor（最快）、GRA_Bilinear（较优）
    )
    
    # 8. 释放资源
    input_ds = None
    output_ds = None
    print(f"几何校正完成，输出路径：{output_path}")

# ------------------- 测试代码 -------------------
if __name__ == "__main__":
    # 示例控制点（需要自己在图像上选！这里是模拟值）
    control_points = [
        (100, 200, 116.39, 39.90),  # (畸变图像x,y, 标准经纬度lon,lat)
        (200, 200, 116.40, 39.90),
        (200, 300, 116.40, 39.89),
        (100, 300, 116.39, 39.89),
        (150, 250, 116.395, 39.895),
        (250, 250, 116.405, 39.895)
    ]
    
    # 执行校正
    geometric_correction(
        input_path="畸变影像.tif",
        output_path="校正后影像.tif",
        control_points=control_points
    )
关键注意点
  • 控制点越多、越均匀，校正精度越高；
  • 重采样方法选择：追求速度用"最近邻"，追求精度用"双线性插值"或"三次卷积"；
  • 实际项目中，常用"地面控制点（GCP）"工具（比如QGIS）手动选点，比代码硬编码更灵活。

3.4 算法4：图像裁剪（提取你关心的区域）

拿到一张大的遥感影像，我们通常只需要其中一小块（比如某个城市、某个区县）------这时候就需要图像裁剪，支持按"矢量边界"（SHP文件）或"坐标范围"裁剪。

原理
  1. 按矢量边界：用SHP文件（比如城市边界）作为"裁剪框"，保留框内的像素；
  2. 按坐标范围：指定经纬度范围（比如lon:116.3-116.4, lat:39.8-39.9），裁剪出对应区域。
代码实现（按矢量边界裁剪）
python 复制代码 
def crop_by_shapefile(input_path, shapefile_path, output_path):
    """
    按矢量边界（SHP文件）裁剪GIS图像
    :param input_path: 输入图像路径
    :param shapefile_path: SHP文件路径（裁剪边界）
    :param output_path: 输出裁剪后图像路径
    """
    # 1. 打开输入影像
    input_ds = gdal.Open(input_path)
    if input_ds is None:
        raise Exception(f"无法打开输入图像：{input_path}")
    
    # 2. 调用GDAL的Warp函数进行裁剪（核心！）
    gdal.Warp(
        destNameOrDestDS=output_path,
        srcDSOrSrcDSTab=input_ds,
        cutlineDSName=shapefile_path,  # 裁剪边界的SHP文件
        cropToCutline=True,  # 严格按边界裁剪
        dstNodata=np.nan,  # 边界外的像素设为NaN（透明）
        format="GTiff"  # 输出格式
    )
    
    # 3. 释放资源
    input_ds = None
    print(f"按SHP裁剪完成，输出路径：{output_path}")

# 按坐标范围裁剪（补充）
def crop_by_coords(input_path, output_path, min_lon, max_lon, min_lat, max_lat):
    """
    按经纬度范围裁剪
    :param min_lon/max_lon: 最小/最大经度
    :param min_lat/max_lat: 最小/最大纬度
    """
    input_ds = gdal.Open(input_path)
    # 定义裁剪范围（格式：xmin, ymin, xmax, ymax）
    crop_extent = (min_lon, min_lat, max_lon, max_lat)
    gdal.Warp(
        destNameOrDestDS=output_path,
        srcDSOrSrcDSTab=input_ds,
        outputBounds=crop_extent,  # 坐标范围
        dstNodata=np.nan,
        format="GTiff"
    )
    input_ds = None
    print(f"按坐标裁剪完成，输出路径：{output_path}")

# ------------------- 测试代码 -------------------
if __name__ == "__main__":
    # 1. 按SHP裁剪
    crop_by_shapefile(
        input_path="原始影像.tif",
        shapefile_path="北京市边界.shp",
        output_path="北京市裁剪影像.tif"
    )
    
    # 2. 按坐标裁剪（示例：北京某区域）
    crop_by_coords(
        input_path="原始影像.tif",
        output_path="北京某区域裁剪影像.tif",
        min_lon=116.3, max_lon=116.4,
        min_lat=39.8, max_lat=39.9
    )
关键注意点
  • SHP文件和输入影像的投影必须一致（比如都用WGS84），否则会裁剪失败；
  • 如果投影不一致，需要先对SHP文件做"投影转换"（用QGIS或GDAL的ogr2ogr工具）。

4. 进阶学习方向

入门后如果想深入，可以往这3个方向走：

  1. 图像增强 ：用直方图均衡化、高斯滤波等方法提升图像质量（推荐库：scikit-image）；
  2. 图像分类：把图像分成"耕地、建筑、水体"等类别（监督分类：SVM、随机森林；非监督分类：K-Means）；
  3. 深度学习：用CNN做遥感影像解译（比如用U-Net分割建筑区域，推荐框架：TensorFlow/PyTorch）。

推荐学习资源：

5. 总结

GIS图像处理的核心是"处理像素+保留地理信息"------和普通CV的区别就在"地理信息"这四个字。入门阶段不用贪多，先把"读取-定标-校正-裁剪"这4个步骤练熟，再逐步深入复杂算法。

如果大家在代码运行中遇到问题（比如GDAL安装失败、裁剪后图像黑屏），可以在评论区留言，我会尽量回复！后续也会分享更多GIS+Python的实操内容，欢迎关注~

相关推荐
快乐的钢镚子21 小时前
【leetcode hot 100】49.字母异位词分组
python·leetcode
honeysuckle_luo1 天前
RandLA-net-pytorch 复现
人工智能·pytorch·python
SunnyDays10111 天前
Python 高效实现 Excel 与 TXT 文本文件之间的数据转换
python·excel转txt·文本转excel·excel转文本·txt转excel
一念&1 天前
每日一个C语言知识：C 头文件
c语言·开发语言·算法
硬件人某某某1 天前
python基于卷积神经网络的桥梁裂缝检测系统(django)，附可视化界面，源码
python·cnn·django
java1234_小锋1 天前
PyTorch2 Python深度学习 - 自动微分（Autograd）与梯度优化
开发语言·python·深度学习·pytorch2
AI模块工坊1 天前
CVPR 即插即用 | PConv：重新定义高效卷积，一个让模型“跑”得更快、更省的新范式
人工智能·深度学习·计算机视觉·transformer
java1234_小锋1 天前
PyTorch2 Python深度学习 - 简介以及入门
python·深度学习·pytorch2
tao3556671 天前
【Python刷力扣hot100】42. Trapping Rain Water
开发语言·python·leetcode
一只安1 天前
从零开发AI（不依赖任何模型）
人工智能·python
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03BongoCat - 跨平台键盘猫动画工具04GitLab 零基础入门指南：从安装到项目管理全流程05Linux下V2Ray安装配置指南06NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南07安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）08在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）09Labelme从安装到标注：零基础完整指南10jdk21下载、安装（Windows、Linux、macOS）