从 os.path 转向 pathlib 是 Python 开发中的一个重要升级。虽然 os.path 已经服务了我们很多年，但 pathlib（自 Python 3.4 引入）采用了面向对象的设计，让代码从“字符串拼接”变成了“逻辑操作”，显著提升了代码的可读性和可维护性。
老实说，我在日常工作中，使用os.path更多，但是有必要学习一下pathlib,于是有了这篇文章。这也方便小白日后学习、查询。
以下是从 os.path 过渡到 pathlib 的核心指南。
1. 核心哲学：字符串 vs 对象os.path: 将路径视为字符串。你需要不断调用函数并传入这些字符串。
pathlib: 将路径视为对象。路径本身拥有属性（文件名、后缀）和方法（合并、移动、读取）。
基础导入：
import os
from pathlib import Path
2. 常用操作对照表这是最直观的迁移参考，涵盖了 90% 的日常使用场景。
操作类型
os.path / os
pathlib (Path 对象)
获取当前工作目录
os.getcwd()
Path.cwd()
当前用户 ...
在 GIS 开发中，我们经常需要从 Shapefile 或其他矢量文件中提取属性表的唯一值。今天分享一个简单的 Python 函数，使用 GDAL 的 OGR 模块来实现这个功能。
函数 get_names_from_vector 接收矢量文件路径和字段名作为参数。它首先打开文件，检查字段是否存在，然后遍历所有要素，收集唯一值到集合中。代码中加入了打印语句，便于调试。
这个小工具特别适合批量处理地理数据，比如提取行政区划名称列表。
from osgeo import ogr
def get_names_from_vector(vector_path, name_field):
"""
读取矢量文件属性表指定列的所有唯一值
"""
print(f"正在读取矢量文件: {vector_path}")
ogr.RegisterAll()
ds = ogr.Open(vector_path, 0)
if ds is None:
raise IOError(f"无法打开文件: {vector_path} ...
作为一名遥感行业从业者，深知获取高质量标注数据集的痛点。针对新物体类别的分割任务，往往需要手动收集并标注成千上万张图像。相比物体检测的边界框标注，像素级分割的精确度要求更高，工作量成倍增加。
Meta的Segment Anything Model (SAM) 模型提供了一种革命性方法，能大幅加速各种物体的标注过程。下面，我们来深入探讨这个出色模型的细节。
主要内容
什么是Segment Anything Model (SAM)？
为什么需要SAM？
SAM的架构
SAM模型训练
结果分析
SAM 2的新特性
什么是Segment Anything Model (SAM)？SAM 是Meta AI开发的最先进AI模型，能在图像或视频中识别并分割任意物体。作为计算机视觉的基础模型，它无需额外训练即可泛化到新物体类别和任务。
本质上，SAM 执行图像分割任务，即将图像分区成多个物体段落。但它超越传统分割模型的地方在于：
通用性：能分割任何物体，即使训练数据中未包含。
交互性：用户可通过点、框或文本等提示引导模型。
实时性：能实时生成高质量掩码，适合交互应用。
适应性：无需大量重训，即可微 ...
我有个哥们儿，最近老跟我聊起一个事儿。他说，好多人二十出头的时候，对未来没啥紧迫感，觉得日子还长着呢。可一过三十，那股危机感就跟开了闸似的，扑面而来，让人有点慌神。
他想了好久，觉得中年危机，其实不是真等到中年才冒出来的，早在大家年轻时候就埋下了种子，只不过很多人拖到中年才猛地醒过味儿来。
赚钱这事儿，说白了就是你得有能耐，给社会添点值钱的东西，然后别人心甘情愿拿钱跟你换。
公司呢？在我哥们儿看来，就是个中间商，抽水的那种。往往有个牛人，带领导范儿的，拉起一帮人给他干活儿，攒出价值，再打包卖给外面的人。
为啥打工总赚不到大钱？不是你没出力，而是你出力没直达市场。你帮公司、帮老板忙活，换来的就那点死工资，不是产品卖掉后的分成。
公司这玩意儿，本质上就是中介、抽成、打包整合。老板雇你和一堆人，合力搞出东西卖出去。你要明白这个，就比很多人清醒多了。
如果你自己能单枪匹马跟市场换东西，那干嘛还吊死在一家公司树上？打工的根儿上，是因为你还玩不转独立创值，这才是要害。
所以，赶紧挖挖自己有啥本事，能让其他人买单的点子。
现在好多人去摆摊，我哥们儿觉得这超赞，从不觉得丢人，还觉得他们聪明着呢。
就算 ...
大家好，我是小白说遥感！今天我们继续聊聊遥感图像处理中的“老朋友”——裁剪影像（image clipping）。这是地理信息和遥感领域最常见、最基础的操作之一，但别看它简单，里面的“坑”和“门道”一点也不少。
随着传感器分辨率越来越高，单张影像动辄几十 GB，上百 GB 也不稀奇。很多小伙伴处理大文件时，经常出现内存爆掉、程序卡死、电脑宕机的情况（尤其是笔记本用户）。
那么裁剪这么大体量的影像，到底该怎么选工具？今天我们就从 rasterio 和 GDAL 两个角度来聊聊。
先说 rasterio：简单好用，但有“内存短板”rasterio 是一个专注于栅格数据操作的 Python 库，API 友好得像在玩积木，非常适合做快速开发和小规模数据处理。
其中最常用的裁剪函数就是：
from rasterio.mask import mask
out_image, out_transform = mask(src, [geometry], crop=False)
只要提供一个矢量 polygon，rasterio 就能帮你把影像剪得干干净净，尤其适合做：
小范围试验
批量测试
快速 d ...
大家好，我是小白说遥感，今天我们来聊聊在地理空间工作流中，YOLO 与 SAM 的对比分析。1. 数据集要求：有监督的边界框 vs 无需训练的提示
YOLO (v3 至 v9、YOLOv8、YOLO-NAS、YOLO-World)YOLO 是一种典型的数据驱动型模型。它要求提供带有标注的边界框数据集进行训练。它最适用于 COCO 风格的标注格式。在地理空间领域，YOLO 擅长处理来自大型正射影像的数百万个瓦片数据，尤其适用于数据经过清晰整理和策展的情况。
SAM (SAM、FastSAM、MobileSAM、SAM2)SAM 是一种零样本分割模型。它最大的特点是无需训练数据集。它通过使用提示（Prompt），如点、边界框或粗略的掩膜，来引导模型生成精确的分割结果。SAM 是在缺乏现有多边形标注或需要进行快速分割实验时的理想工具。
数据集总结：
YOLO 依赖大量标注数据，但运行稳定，结果可预测。
SAM 无需数据集，但分割结果依赖于用户输入的提示质量。
2. 算法与架构差异：检测优先 vs 分割优先YOLO：一步式目标检测器YOLO 是一种一步式目标检测器（One-Stage ...
大家好，我是小白说遥感，今天我们来聊聊图像处理中的一个实用技巧——直方图匹配（Histogram Matching）。
如果你是遥感、GIS、摄影或AI图像处理的从业者，肯定遇到过图像颜色不一致的问题。比如，多张卫星图像拼接时，颜色偏差会导致整体效果不佳。
这时候，直方图匹配就能派上用场，它可以让目标图像的颜色分布匹配模板图像，实现“匀色”效果。
本文基于一个Python脚本，详细教你如何实现批量处理16位、4波段TIF图像的直方图匹配。脚本使用分块处理，适合大图像，避免内存溢出。
我会一步步解释代码原理、如何运行，以及一些优化建议。无论你是新手还是老鸟，都能学到东西，以后自己复习也方便。
为什么需要直方图匹配？在图像处理中，直方图表示像素值的分布（比如亮度从0到255）。不同图像的直方图可能差异很大，导致颜色不匹配。
直方图匹配的核心是：
计算模板图像和目标图像的累积分布函数（CDF）。
通过映射，让目标图像的CDF匹配模板的CDF，从而调整像素值，实现颜色一致。
优势：
简单高效，尤其适合遥感图像（如卫星DOM）。
支持多波段（RGB+Alpha或多光谱）。
对于16位图 ...
在处理遥感影像和大型地理空间数据时，数据量动辄数十 GB 甚至 TB，传统的处理方式经常会遭遇“内存不足 (Out of Memory, OOM)”的窘境。幸运的是，GDAL（Geospatial Data Abstraction Library）提供了一个强大的解决方案——VRT (Virtual Raster)，即虚拟栅格。
VRT 并非一个真正的数据文件，它是一个 XML 格式的描述文件，它告诉 GDAL 如何将多个源文件组合起来，或者如何对一个源文件进行某种变换。它的核心价值在于其“即时计算，按需加载”的特性。
一、什么是 VRT（虚拟栅格）？想象 VRT 就像一张地图索引，它本身不包含像素数据，只记录了：
数据源在哪里（哪个 TIF、JPG、PNG 文件）。
数据源的地理位置（坐标系统、边界）。
如何组合这些数据源（比如拼接、重采样、重投影）。
当 GIS 软件或程序请求 VRT 上的某个小区域数据时，GDAL 才会去读取对应的源文件中的相应像素，大大节省了内存和处理时间。
二、VRT 的核心应用场景VRT 是处理大数据的瑞士军刀。以下是它最常用的几个场景：
大型影 ...
之前写了一篇关于wgs84影像转为cgcs2000的影像的文章：《wgs84影像直接转换为cgcs2000影像》
在里面我写道：诸如遥感数据处理的东西，其实是没有技术含量的，本质上都是调用gdal的东西，你把gdal的各个接口弄明白了就掌握这个数据处理的技能，唯手熟尔。真正有难度的是算法、加速处理速度。我其实很久不做数据数据处理的东西了，因为我有足够的代码积累，我建立了一个代码库，需要哪个模块，我直接搜索。
cscs2000坐标系的EPSG代码计算cscs2000坐标系其实和wgs84一样，分为两种：地理坐标系和投影坐标系。
用大白话来区分地理和投影，是看它们的单位。
单位若是度分秒，就是地理坐标系；单位是米，就是投影坐标系。
除此之外，我们还要获取坐标系的EPSG号码。
这个参数，我们需要填写到gdal的Warp进行重投影。
wgs84地理坐标系的EPSG号码4326，cgcs2000地理坐标系的EPSG号码4490。
如果你是想转换为cgcs2000投影坐标系，还得继续计算。
投影坐标系分为3度带，和6度带。
以3度带为例，不同的带号的计算规则如下：
例如，经度为105°E，计算过 ...
由于家里电脑的硬盘空间实在吃紧，我在清理空间时顺手就把 ArcGIS 卸载了。其实卸载的时候还是犹豫了一下——毕竟陪伴了我这么多年，用得最熟的还是它。但家里主要是做一些个人学习、测试项目，硬盘空间又寸土寸金，只能忍痛割爱。
为什么办公电脑我却一直没动呢？原因很现实：假设哪天同事突然甩给我一个 ArcGIS 的模板或者 MXD 文件让我立刻出图，如果我告诉他“我机器上没 ArcGIS”，那场面会尬到能当场原地升天。办公室毕竟要处理甲方的活儿，一点不能出差错。
那我为什么最终会卸载 ArcGIS？其实主要是因为 QGIS 在不少工作流中已经能替代 ArcGIS 了。更关键的是，我们行业的甲方大部分都跟GOV有关，而GOV单位这几年疯狂推进国产化改造。
国产 Linux 电脑里， ArcGIS软件是不让装的，审计、检测一层层卡着，根本没机会上。而 QGIS 作为开源 GIS，自然而然趁势上位，在国产系统里用得顺风顺水。
说实话，我对 ArcGIS 的熟练度远远超过 QGIS。用 ArcGIS 出图就像用右手写字，而用 QGIS 更像换成左手，总觉得别扭、不顺手。
快捷键、工具逻辑、窗口布局… ...
