python 遥感影像配准 融合 遥感影像的配准

文章目录

• 前言
• 步骤

• 1.ENVI：打开Image Registration Workflow
• 2.Image Registration Workflow

• (1)选择GF2为Base Image File，某季节Sentinel2为Warp，然后Next
• (2)修改该参数为100
• (3)人为选择5个左右控制点，然后Next
• (4)删除离谱点
• (5)在ENVI输出配准好的Sentinel影像为.tiff

• 最后

---

前言

由于GF-2影像的地理偏移，我们需要在地理上配准下载的Sentinel-2（4季节）和GF-2。

---

步骤

需要准备：1.ENVI；2.区域A的GF-2影像；3.区域A对应的四季节的哨兵影像。
哨兵影像要根据GF-2的矢量框，在Gee下载，矢量框的获取较为简单：
①定义地理坐标系为WGS1984；②重分类；③栅格转面
Gee下载四季影像

1.ENVI：打开Image Registration Workflow

2.Image Registration Workflow

(1)选择GF2为Base Image File，某季节Sentinel2为Warp，然后Next

(2)修改该参数为100

(3)人为选择5个左右控制点，然后Next

点“Start Editing"后便可以开始选择控制点

在GF-2上，瞅准某个位置，然后鼠标左键按下（出现十字），然后鼠标右键点击，弹出下图窗口，点击”Accept as Individual Points"，然后会自动跳转到Sentinel-2影像，找到对应位置的点，同操作，便完成了控制点1的人工选择。

你也可以随时"Stop Editing"，然后通过来回点击"Switch to Wrap"来查看两幅影像，去寻找你认为合适的控制点（我通常会选择十字路口、房屋或桥的交界处）。唯一需要注意的是，你决定要去选控制点时(“Start Editing”)，第一个Accept是要在GF-2影像上点击的（有时候"Switch to Wrap"后，你没有切回Base Image，即使显示的是Wrap Image，你Accept的这个点，实际是在Base Image上的，这会导致你选择的控制点完全匹配不上）。

(4)删除离谱点

这时它自动选好了控制点，点击"Show Table"。

删除ERROR高的点，推荐一个个删，然后让RMS Error<1（同时控制点要在10个以上）

最后，修改此参数为Wrap Image，否则会导致Sentinel-2的分辨率重采样为1米。

点击Next，影像导出为tiff，ASCII文件有时能在人工选择控制点时提供帮助，提高效率，但有时没有用。

在这里能导入ASCII文件，有时候能让你不需要再人工选择控制点了（因为四张哨兵的地理信息是匹配的）

(5)在ENVI输出配准好的Sentinel影像为.tiff

Sentinel{}/Warpsenti{}_C.tiff

例如：目标区域1：
Sentinel1/Warpsenti1_C.tiff
Sentinel1/Warpsenti1_X.tiff
Sentinel1/Warpsenti1_Q.tiff
Sentinel1/Warpsenti1_D.tiff

最后

如果以GF-2为Base Image，那么每个区域要做4次配准，n个区域就是4n次配准；
如果以Sentinel-2为Base Image，那么每个区域只需要做1次配准，但最终的耕地结果可能和比赛方的“参考答案”存在地理偏差，不知道会不会因此影响比赛分数。
如果不影响，那么就能大大节省时间！

---

Gee代码：

//—————————————————————————————需要修改的参数1:ro 矢量框路径————————————————————————
var ro = ee.FeatureCollection("users/Liuyifei/MAP_data/Studyarea/huantai");
ro = ro.first().geometry()
function maskS2clouds(image) {
  var qa = image.select('QA60');

  // Bits 10 and 11 are clouds and cirrus, respectively.
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;

  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));

  return image.updateMask(mask).divide(10000);
}
var Mlt = function(image) {
  return image.multiply(10000);
};
//——————————————————————需要修改的参数2:folderr 第几个目标区域，只改数字————————————————————————
var folderr='Mapsenti'+'1';
//——————————————————————其它不需要动了————————————————————————
var start1='2020-12-01';
var end1='2021-03-01';
var dirname1=folderr+'_D';

var start2='2020-03-01';
var end2='2020-06-01';
var dirname2=folderr+'_C';

var start3='2021-06-01';
var end3='2021-09-01';
var dirname3=folderr+'_X';

var start4='2020-09-01';
var end4='2020-12-01';
var dirname4=folderr+'_Q';
// Map the function over one year of data.

// Load Sentinel-2 TOA reflectance data.

//export data1
var exportdataset1 =  ee.ImageCollection('COPERNICUS/S2_SR')
                  .filterBounds(ro)
                  .filterDate(start1,end1)
                  // Pre-filter to get less cloudy granules.
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                  // .sort('CLOUDY_PIXEL_PERCENTAGE',false)
                  .map(maskS2clouds)
                  .select(['B2','B3', 'B4', 'B8']);

var exp1=exportdataset1.map(Mlt)
var mosaic1 = exp1.median().clip(ro);

Map.addLayer(mosaic1, {bands: ['B4', 'B3', 'B2'],min:0.0,max:0.3,gamma:0.5}, 'Crop Landcover');
  Export.image.toDrive({
      image:mosaic1,
      description:dirname1,
      scale:10,
      folder :folderr,
      // crs: "EPSG:32649",
      maxPixels: 1e13,
      region:ro,
      fileFormat: 'GeoTIFF',
      formatOptions: {
        cloudOptimized: true
      }
    });
var num=exportdataset1.size()
print('Winter',num)
//export data2
var exportdataset2 =  ee.ImageCollection('COPERNICUS/S2_SR')
                  .filterBounds(ro)
                  .filterDate(start2,end2)
                  // Pre-filter to get less cloudy granules.
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                  .map(maskS2clouds)
                  .select(['B2','B3', 'B4', 'B8']);

var exp2=exportdataset2.map(Mlt);
var mosaic2 = exp2.median().clip(ro);
  
  Export.image.toDrive({
      image:mosaic2,
      description:dirname2,
      scale:10,
      folder :folderr,
      // crs: "EPSG:32649",
      maxPixels: 1e13,
      region:ro,
      fileFormat: 'GeoTIFF',
      formatOptions: {
        cloudOptimized: true
      }
    });
var num=exportdataset2.size()
print('Spring',num)
//export data3
var exportdataset3 =  ee.ImageCollection('COPERNICUS/S2_SR')
                  .filterBounds(ro)
                  .filterDate(start3,end3)
                  // Pre-filter to get less cloudy granules.
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                  .map(maskS2clouds)
                  .select(['B2','B3', 'B4', 'B8']);

var exp3=exportdataset3.map(Mlt);
var mosaic3 = exp3.median().clip(ro);
  
  Export.image.toDrive({
      image:mosaic3,
      description:dirname3,
      scale:10,
      folder :folderr,
      // crs: "EPSG:32649",
      maxPixels: 1e13,
      region:ro,
      fileFormat: 'GeoTIFF',
      formatOptions: {
        cloudOptimized: true
      }
    });
var num=exportdataset3.size()
print('Summer',num)
//export data4
var exportdataset4 =  ee.ImageCollection('COPERNICUS/S2_SR')
                  .filterBounds(ro)
                  .filterDate(start4,end4)
                  // Pre-filter to get less cloudy granules.
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                  .map(maskS2clouds)
                  .select(['B2','B3', 'B4', 'B8']);

var exp4=exportdataset4.map(Mlt);
var mosaic4 = exp4.median().clip(ro);
  
  Export.image.toDrive({
      image:mosaic4,
      description:dirname4,
      scale:10,
      folder :folderr,
      // crs: "EPSG:32649",
      maxPixels: 1e13,
      region:ro,
      fileFormat: 'GeoTIFF',
      formatOptions: {
        cloudOptimized: true
      }
    });
var num=exportdataset4.size()
print('Autumn',num)'''