如果你的gdal版本是3.2.2及以上，那么只能：
from osgeo import gdal
ds = gdal.Open(data)
rows = ds.RasterYSize
cols = ds.RasterXSize
bandnum = ds.RasterCount
transform = ds.GetGeoTransform()
ds是一个对象，rows是影像的行，也是Y轴长度。对应的，cols则是影像的列，X轴的长度。bandnum代表影像的波段数。
transform是一个list，存储着栅格数据集的地理坐标信息。
#transform[0] /* top left x 左上角x坐标(经度)*/
#transform[1] /* w--e pixel resolution 东西方向上的像素分辨率*/
#transform[2] /* rotation, 0 if image is "north up" 如果北边朝上，地图的旋转角度*/
#transform[3] /* top left y 左上角y坐标（纬度）*/
#transform[4] ...
制作遥感变化检测样本，其他的遥感深度学习样本制作流程，在本质上无大的差别。
比如遥感语义分割的样本coco格式、voc格式，遥感目标检测yolo格式等。
它们的差别只在细节之处。现不展开细说，今天说的是：由遥感影像制作遥感变化检测样本
模仿俗话说，巧妇难为无米之炊。
制作遥感变化检测样本前提是，拥有两张完成配准的遥感影像和一张标签影像。
标签影像可以由矢量文件转换（这个教程最近会做）。
遥感变化检测样本的格式，我们可以参照已有的开源数据集：LEVIR、WHU-CD
我们以LEVIR为例子，下面是LEVIR的数据集文件结构：
A文件夹存放后时相图片，
B文件夹存放前时相图片。
前后时相是相对的，例如A文件夹存放的照片拍照于2019年，B文件夹存放的照片拍照于2024年
label文件夹存放前后时相变化的差值，有变化的地方用白色表示，无变化则用黑色表示。
白色表示，代表计算机中数值255。此时我们的标签文件是8bit。
list文件夹则存放三个txt，分别代表训练集、验证集、测试集。下图是训练集部分的截图。
从图片尺寸大小上，看看LEVIR数据集是怎么定义的。
A、B文件夹中的图片大小 ...
学习遥感编程要注意的一个地方是 ：
gdal读取图像返回的矩阵，和python图像库读取图像返回的矩阵，二者格式大小是不一致的。
这也是我自己在学习遥感编程曾经混淆的一个知识点。
实践对比假设此时影像是一个3通道的图像。
使用gdal读取：
ds = gdal.Open(file)
if ds is None:
raise Exception("无法打开文件")
array = ds.ReadAsArray()
返回的矩阵array的大小为 （3,8082,5133）
python图像库一般有PIL和opencv
使用PIL读取：
from PIL import Image
import numpy as np
img = Image.open(file)
img_array = np.array(img)
使用PIL读取文件后，返回的是一个对象。此时要借助numpy把该对象转换为矩阵。
返回的矩阵img_array的大小为 （8082,5133,3）
使用opencv读取：
import cv2
img_cv2 = cv2.imread(file)
使用op ...
输入遥感影像的路径，生成对应的有效覆盖范围。
界面写得很简单，一共两个按钮。对应两种处理方式。
一个是单文件处理；第二个是批处理。
单文件处理测试：
点击第一个按钮。界面如下：
在处理完成后，会弹出窗口提示。
批量文件处理测试：
点击第2个按钮。要选择的文件夹必须包含tif文件，我选择的路径是D:\test
界面如下,选择好文件夹后，点击选择文件夹按钮：
在处理完成后，会弹出窗口提示。如下：
将结果放在QGIS展示，目测是否正确。
针对含孔洞的有效范围安装footprint后，打开footprint.py，只针对footprint_from_mask函数
定位到第85行，修改代码，如下：
修改前：
reprojected = reproject_geometry(
densified, source_crs, destination_crs, precision=precision
)
修改后：
reprojected = densified
二者区别在于 ，是否进行重投影。
所以 ，footprint_from_mask函数被修改为
def f ...
说起数组，不得不说numpy。
当然 ，如果你是使用其他的语言，如 C、C++或者matlab，数组的基本概念与编程语言无关。
因为我平常使用 python比较多，所以 就用numpy作为解释什么是图像。
NumPy 是一个 Python 库。
NumPy 用于处理数组。
NumPy 是“Numerical Python”的缩写。
NumPy 用于处理数组。NumPy 中的数组对象称为 ndarray。
0 维数组0 维数组或标量是数组中的元素。数组中的每个值都是 0 维数组。
这里我们可以把 0 维数组理解为图像中的像素点。
例子创建一个值为 10 的 0 维数组
import numpy as np
arr = np.array(10)
print(arr)
一维数组
以 0 维数组作为元素的数组称为 1 维数组。
这里我们可以把1 维数组理解为图像中的某一行或者某一列。
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
二维数组
以一维数组作为元素的数组称为二维数组。
二维数组可以看为是单个通道（波段）的 ...
全球耕地数据集地址：
https://github.com/fiboa/data
List of datasets
Title
License
Provider
Austria
CC-BY-4.0
Agrarmarkt Austria
BRP Crop Field Boundaries for The Netherlands (CAP-based)
CC0-1.0
Denmark Crop Fields (Marker)
CC-0
Field boundaries for Belgium Wallonia
No conditions apply to access and use
Field boundaries for Cambodia and Vietnam (AI4SmallFarms)
CC-BY-4.0
Field boundaries for Catalonia, Spain
Open Information Use License - Catalonia
Field boundaries for Croatia
Public ...
全球耕地数据集地址：
https://github.com/fiboa/data
List of datasets
Title
License
Provider
Austria
CC-BY-4.0
Agrarmarkt Austria
BRP Crop Field Boundaries for The Netherlands (CAP-based)
CC0-1.0
Denmark Crop Fields (Marker)
CC-0
Field boundaries for Belgium Wallonia
No conditions apply to access and use
Field boundaries for Cambodia and Vietnam (AI4SmallFarms)
CC-BY-4.0
Field boundaries for Catalonia, Spain
Open Information Use License - Catalonia
Field boundaries for Croatia
Public ...
在地理信息系统 (GIS) 中，边界框 (Bounding Box) 是用来描述一个几何图形的最小矩形区域的。它可以简单地表示为两个坐标：左下角和右上角的点。在这篇文章中，我们将介绍如何使用 Python 的 geojson 库计算一个多边形的边界框。
代码实现下面是一段简单的 Python 代码，它接受一个坐标列表，计算出包含这些坐标的边界框，并返回一个表示这个边界框的字符串：
import os
def count_lines_in_files(directory):
total_lines = 0
for root, dirs, files in os.walk(directory):
for file in files:
if file.endswith('.py'):
file_path = os.path.join(root, file)
with open(file_path, 'r', encoding='utf-8') as f:
...
在地理信息系统 (GIS) 中，边界框 (Bounding Box) 是用来描述一个几何图形的最小矩形区域的。它可以简单地表示为两个坐标：左下角和右上角的点。在这篇文章中，我们将介绍如何使用 Python 的 geojson 库计算一个多边形的边界框。
代码实现下面是一段简单的 Python 代码，它接受一个坐标列表，计算出包含这些坐标的边界框，并返回一个表示这个边界框的字符串：
import geojson
def bbox(coord_list):
# 获取所有的x坐标和y坐标
xs, ys = zip(*coord_list)
# 计算最小最大值
min_x, max_x = min(xs), max(xs)
min_y, max_y = min(ys), max(ys)
# 返回边界框
return (min_x, min_y, max_x, max_y)
# 测试数据：一个简单的 GeoJSON 多边形
poly = geojson.Polygon([[
(2.38, 57.322),
(23.194 ...
在使用 OGR 和 GDAL 的 Python 绑定时，有时你可能会遇到一个奇怪的现象：同样的代码结构，在某些情况下正常运行，而在其他情况下却导致 Python 闪退崩溃。本文将解释这种现象的原因，并演示如何避免这种问题。
问题重现假设我们正在使用一个 shapefile 文件，并尝试从中提取几何图形信息：
from osgeo import ogr
shp_ds = ogr.Open(r'D:\gadm\France\gadm41_FRA_0.shp')
lyr = shp_ds.GetLayer(0)
lyr.GetFeature(0).GetGeometryRef().GetX() # 这一行可能导致崩溃
结果会发生闪退。
上面的代码在执行时可能导致 Python 闪退。通过修改代码，问题似乎得到解决：
from osgeo import ogr
shp_ds = ogr.Open(r'D:\gadm\France\gadm41_FRA_0.shp')
lyr = shp_ds.GetLayer(0)
feature = lyr.GetFeature(0)
featur ...
