geemap学习笔记053:纹理特征

发布时间:2024年01月23日

前言

纹理特征通常描述了遥感影像中像素之间的空间关系和变化,对于地物分类、目标检测以及图像分割等遥感应用非常有价值。本节将会介绍Earth Engine中提供的一些纹理特征计算方法,包括熵和灰度共生矩阵。

1 导入库并显示数据

import ee
import geemap
import math
ee.Initialize()

# Create a map centered at (lat, lon).
Map = geemap.Map(center=[40, -100], zoom=4)

# 加载高分辨率的 NAIP 影像
image = ee.Image('USDA/NAIP/DOQQ/m_3712213_sw_10_1_20140613')

# Zoom to San Francisco, display.
Map.setCenter(-122.466123, 37.769833, 17)
Map.addLayer(image, {'max': 255}, 'image')
Map

image.png

2 熵(entropy)

# 获取近红外波段
nir = image.select('N')

# 定义一个核大小
square = ee.Kernel.square(**{'radius': 4})

# 计算熵(entropy)并展示 
entropy = nir.entropy(square)
Map.addLayer(entropy,
             {'min': 1, 'max': 5, 'palette': ['0000CC', 'CC0000']},
             'entropy')
Map

image.png

3 灰度共生矩阵

# 计算灰度共生矩阵,并且获取对比度
glcm = nir.glcmTexture(**{'size': 4})
contrast = glcm.select('N_contrast')
Map.addLayer(contrast,
             {'min': 0, 'max': 1500, 'palette': ['0000CC', 'CC0000']},
             'contrast')
Map

image.png

后记

大家如果有问题需要交流或者有项目需要合作,可以加Q Q :504156006详聊,加好友请留言“CSDN”,谢谢。

文章来源:https://blog.csdn.net/qq_41951977/article/details/135741022
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。