C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补

这篇具有很好参考价值的文章主要介绍了C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  本文介绍基于C++ 语言的GDAL库,基于一个存储大量遥感影像文件夹,依据每一景遥感影像的文件名中表示日期的那个字段,找出这些遥感影像中缺失的成像日期,并新生成多个像元值全部为0的栅格文件,作为这些缺失日期当日的遥感影像文件的方法。

  首先,我们来看一下本文需要实现的需求。现在有一个文件夹,存储了从2018年第001天到2022年第361天的全部遥感影像,其中每一景图像的像元个数、空间参考信息、NoData值等都是一致的。对于这些遥感影像,原本应该是每10天就有1景;但是由于遥感影像数据有缺失,因此部分日期没有对应的遥感影像。如下图所示,可以看到比如2018年的061这一天,它就没有对应的遥感影像。

C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补,C++学习与应用,遥感处理与应用,空间分析原理与应用,C++,GDAL,遥感影像,多时相,缺失日期,栅格图像,缺失日期填补

  但是,由于后期处理的需要,我们现在希望对这些缺失日期的遥感影像文件加以填补——具体的需求是,我们新建若干个像元值全部为0的栅格文件,作为每一个缺失日期当日的遥感影像文件;这些填补的、新的遥感影像文件的各项信息(比如像元个数、空间参考信息等)都和原本的文件一致即可,只要保证全部的像元都是0就行。

  知道了需求,我们就可以开始代码的撰写。本文用到的代码具体如下所示。其中,关于C++ 语言配置GDAL库的方法,大家可以参考文章Visual Studio配置并编译C++环境下GDAL库、SQLite环境与PROJ库的方法(https://blog.csdn.net/zhebushibiaoshifu/article/details/127088090)。

#include <iostream>
#include <iomanip>
#include <sstream>
#include "gdal_priv.h"
#include "cpl_conv.h"

using namespace std;

void create_missing_raster(string path);

int main() {
    string file_path = R"(E:\02_Project\TIFF\TEST)";
    create_missing_raster(file_path);
    return 0;
}

void create_missing_raster(string path)
{
	vector<string> all_file_path;
	for (int year = 2018; year <= 2022; year++)
	{
		for (int day = 1; day <= 361; day += 10)
		{
			ostringstream oss;
			oss << path << "/Albers_MuSyQ.NDVI.16m." << to_string(year) << setfill('0') << setw(3) << to_string(day) << "000000.49SDB.001.h5NDVI-NDVI.tif";
			all_file_path.push_back(oss.str());
		}
	}

	GDALAllRegister();
	int x_size, y_size;
	string one_actual_path;
	for (string& one_file_path : all_file_path)
	{
		GDALDataset* poDataset_actual;
		poDataset_actual = (GDALDataset*)GDALOpen(one_file_path.c_str(), GA_ReadOnly);
		if (poDataset_actual != NULL)
		{
			one_actual_path = one_file_path;
			x_size = poDataset_actual->GetRasterXSize();
			y_size = poDataset_actual->GetRasterYSize();
			GDALClose((GDALDatasetH)poDataset_actual);
			break;
		}
	}

	for (string& one_file_path : all_file_path)
	{
		if (CPLCheckForFile((char*)one_file_path.c_str(), NULL) == FALSE)
		{
			GDALDataset* poDataset;
			GDALDriver* poDriver;
			poDriver = GetGDALDriverManager()->GetDriverByName("GTiff");
			GDALDataset* poDataset_actual;
			poDataset_actual = (GDALDataset*)GDALOpen(one_actual_path.c_str(), GA_ReadOnly);
			poDataset = poDriver->CreateCopy(one_file_path.c_str(), poDataset_actual, FALSE, NULL, NULL, NULL);
			double* pafScanline = new double[x_size * y_size];
			for (int i = 0; i < x_size * y_size; i++)
			{
				pafScanline[i] = 0.0;
			}
			GDALRasterBand* poBand;
			poBand = poDataset->GetRasterBand(1);
			poBand->RasterIO(GF_Write, 0, 0, x_size, y_size, pafScanline, x_size, y_size, GDT_Float64, 0, 0);
			delete[] pafScanline;
			GDALClose((GDALDatasetH)poDataset);
			GDALClose((GDALDatasetH)poDataset_actual);
			cout << "New file is :" << one_file_path << endl;
		}
	}
	GDALDestroyDriverManager();
}

  上述代码主要都是在create_missing_raster(string path)函数内实现具体功能的,我们主要就对这一函数加以讲解。

  首先,我们需要基于文件夹中遥感影像文件的文件名称特征,遍历生成文件名列表。在这里,我们使用两个嵌套的for循环,生成所有可能的栅格图像文件名,并将这些文件名保存在all_file_path向量中。其中,栅格图像的文件名根据年份和天数生成,并通过setfill('0')setw(3)这两个函数保证我们生成的日期满足YYYYDDD这种格式。

  随后,基于GDALAllRegister这一GDAL库的初始化函数,用于注册所有支持的数据格式驱动程序。接下来,我们使用GDALOpen函数,从2018001这一天开始,通过循环打开对应名字的文件,直到找到文件夹中第一个实际存在的栅格图像文件poDataset_actual),并获取其栅格图像的行列数(x_sizey_size);我们后期的操作需要用到这个行列数,并且会将这个实际存在的栅格文件作为生成新的栅格文件的模板。

  接下来,我们遍历文件名列表all_file_path,对每个文件名进行处理。对于不存在的栅格图像文件,使用GDALDriver创建一个新的数据集(poDataset),并将其中的像元值设置为0。如果栅格图像文件已经存在,则跳过不处理。其中,在对缺失的栅格图像加以生成时,我们首先使用GetGDALDriverManager()->GetDriverByName函数获取GDAL驱动程序对象,然后使用CreateCopy函数创建新的栅格图像;其中,我们就是以前期找到的文件夹中第一个实际存在的栅格图像文one_actual_path为模板。随后,我们用0填充新创建的栅格图像,并使用RasterIO函数对栅格图像的像元进行写入操作。

  最后,在上述处理完成后,使用GDALClose函数关闭数据集,并输出新创建的栅格图像的文件名。随后,我们使用GDALDestroyDriverManager销毁GDAL驱动程序管理器,释放资源。

  随后,我们运行代码,可以看到每一个新生成的栅格图像文件(也就是原本当日没有成像的日期对应的遥感影像)都会打印出来。

C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补,C++学习与应用,遥感处理与应用,空间分析原理与应用,C++,GDAL,遥感影像,多时相,缺失日期,栅格图像,缺失日期填补

  随后,我们打开文件夹,可以看到之前没有遥感影像的日期,目前也都存在一景遥感影像与其对应了。比如2018年的061这一天,目前已经有了一景遥感影像。

C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补,C++学习与应用,遥感处理与应用,空间分析原理与应用,C++,GDAL,遥感影像,多时相,缺失日期,栅格图像,缺失日期填补

  至此,大功告成。

欢迎关注:疯狂学习GIS文章来源地址https://www.toymoban.com/news/detail-600999.html

到了这里,关于C++ GDAL找出多时相遥感影像缺失的日期并自动生成新的全零图像作为替补的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Python】GDAL基本操作/遥感大图显示

    遥感图像往往尺寸较大,无法用默认的图像浏览器加载。 GDAL是空间数据处理的开源包,支持多种数据格式的读写。 遥感图像是一种带大地坐标的栅格数据,因此,可以借用GDAL对遥感图像进行读写,本文就来记录一些相关操作。 gdal可通过荧光动力学实验室(Laboratory for Fluor

    2024年02月02日
    浏览(43)
  • C#+GDAL影像处理笔记05:修改tiff影像的存储分块blocksize

    目录 目录 1. 在GDAL的安装包中找到gdal_translate.exe 2. 使用命令行修改数据的存储分块 3.

    2024年02月13日
    浏览(35)
  • Python遥感图像处理应用篇036:GDAL+Scikit-image计算遥感图像梯度直方图HOG

    方向梯度直方图HOG(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功

    2024年02月11日
    浏览(49)
  • 基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月11日
    浏览(53)
  • PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月10日
    浏览(63)
  • 【遥感专题系列】影像信息提取之——面向对象的影像分类技术

    “同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为

    2024年01月19日
    浏览(55)
  • (二)Landsat_5 TM 遥感影像波段合成真假彩色影像

    回顾以下Landsat系列卫星的发展史,可以发现Landsat_5卫星已经退役,作为世界上寿命最长的地球观测卫星,其在影像方面对人类的发展具有很深刻的意义。Landsat_5 TM共有7个波段,通过不同的波段组合,形成不同遥感图像,也就是常见的红绿蓝三通道影像立方体。地物对每一个

    2024年02月11日
    浏览(56)
  • 【学习笔记】遥感影像分类相关精度指标

    混淆矩阵是分类精度的评定指标。是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。 对检核分类精度的样区内所有的像元,统计其分类图中的类别与实际类别之间的混淆程度。 混淆矩阵中,对角线上元素为被正确分类的样本数目,非对角线上的元

    2024年01月22日
    浏览(64)
  • 论AI自动生成游戏的局限性及其意义缺失

            近年来,人工智能技术在游戏开发领域的应用日益广泛,包括智能NPC设计、游戏关卡生成、剧情编排等。然而,关于让AI完全自主地编写和设计整个游戏的讨论也日渐兴起。本文旨在探讨为何让AI自己来写游戏在当前阶段并无实质意义,主要从创意、情感共鸣、可

    2024年01月18日
    浏览(38)
  • 通过Stable Diffusion生成虚假的遥感影像

    这两天玩了一下stable diffusion,是真的好玩! 然后我在想遥感有没有相关的生成模型,找了一下,还真找到了(https://github.com/xiaoyuan1996/Stable-Diffusion-for-Remote-Sensing-Image-Generation/tree/main)。 该模型的作者是空天院的 Zhiqiang yuan ,他提供了相关的训练代码、预测代码、已经训练好

    2024年01月24日
    浏览(242)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包