遥感影像的缨帽（K-T）变换Python实现-编程知识

遥感影像的缨帽（K-T）变换Python实现

（1）介绍

缨帽变换（Kirchhoff Transform，K-T变换） 是一种在遥感图像处理中常用的技术，它可以有效地提取地物的空间特征和频谱信息。本文将对遥感缨帽变换的提出者、原理方法、公式、现在的发展、作用进行详细介绍，并附有相应的图解。

（2）利用程序结果进行出图展示

TM影像的前三个分量的物理意义：
●亮度：TM的6个波段的加权和，反映了总体的反射值。
●绿度：反映了近红外与可见光部分的差值，绿色生物量的特征。
●湿度：反映了可见光和近红外(1-4波段)与较长的红外(第5, 7波段)的差
值，定义为湿度的根据是第5，7两个波段对土壤湿度和植物湿度最为敏感
在这里插入图片描述

（3）缨帽（K-T）变换变换原理详解

一、提出者

缨帽变换是由德国地球物理学家Gottfried Kirchhoff在19世纪50年代首次提出的。他将电磁波在介质中传播的过程进行了详细研究，并提出了一种计算电磁波在介质表面反射和透射的方法，即遥感缨帽变换。

二、原理方法

在这里插入图片描述

三、公式

在这里插入图片描述

（4）Python程序

在这里插入图片描述

# coding=utf-8
#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: LIFEI
@time: 2023/8/23 13:28
@file: yincat.py
@project: main.py
@describe: CWNU
"""
import os
import cv2 as cv
import numpy as np# 构建缨帽变换的转换系数
compose = [[0.3037,0.2793,0.4743,0.5585,0.5082,0.1863],      #对应的亮度分量[-0.2848,-0.2435,-0.5436,0.7243,0.0840,-0.1800],  # 对应的植被分量[0.1509,0.1973,0.3279,0.3406,-0.7112,-0.4572]]    #对应的湿度分量
compose = np.array(compose) # 将列表转为矩阵# 获取影像数据存储于列表
def get_img_list(path):is_image_file = lambda x : any(x.endswith(extension)for extension in ['tif'])tm = [x for x in os.listdir(path) if is_image_file(x)]tm_list = []for j in range(0,len(tm)):tm_path = path + '/' + tm[j]print('the reading img is:',tm_path)tm_list.append(tm_path)print('Successfully reading')return tm_list# 批量读取矩阵并将其存储于列表
def hat_change(list_path):img_base = []for k in range(0,len(list_path)):# print(list_path[k])#  !!!!!一定要记住flags=0,不然会返回三通道img = cv.imread(list_path[k],flags=0)# cv.imshow('tif',img)# cv.waitKey(0)img_base.append(img)return img_base# 缨帽变换
def compose_hat(compose_x,img):res_list = []result_list = []for i in range(0,len(img)):# 获取影像的行列大小row, col = img[i].shape# 将影像转为一维行向量reshape_img = img[i].reshape(row*col)# 传入列表res_listres_list.append(reshape_img)# 波段6不参与,也就是列表的第5行，删除第5行以不参与运算delete_res_list = np.delete(res_list, 5, axis=0)for j in range(0,len(compose_x)):result_data = compose_x[j]@delete_res_list# 判断影像中的空值和0值，用均值代替，防止影像信息缺失for p in range(0,len(result_data)):if result_data[p] == 0 and result_data[p] == None:result_data[p] = np.nanmean(result_data)else:result_data[p] = result_data[p]# 维度转换逆变换，从向量转为二维result_data_data = result_data.astype('uint8').reshape(row,col)# 传给result_listresult_list.append(result_data_data)return result_list# 输出影像
def output(out_path,list):for m in range(0,len(list)):filepath = out_path+'/'+str(m+1)+'.TIF'# cv库写出图像cv.imwrite(filepath,list[m])print('the exporting img is:',filepath)print('Successfully exported!')if __name__ == '__main__':path = "D:/data/result" # 存放TM影像的文件夹路径list = get_img_list(path)img_list = hat_change(list)re_list = compose_hat(compose, img_list)outpath = "D:/data/hat" # 输出路径output(outpath, re_list)