### 使用 Python 进行多波段图像融合 在遥感领域，多波段图像融合是一种常见的技术需求。通过将不同波段的信息结合起来，可以生成更丰富的视觉效果或者提取更多有用的数据特征。以下是基于 Python 的一种实现方法。 #### 1. 数据准备 为了完成多波段图像的融合，通常需要先读取各个波段的数据并存储为 NumPy 数组形式。这可以通过 GDAL 库来实现[^2]： ```python from osgeo import gdal import numpy as np def read_image(file_path): dataset = gdal.Open(file_path) bands = [dataset.GetRasterBand(i + 1).ReadAsArray() for i in range(dataset.RasterCount)] return np.dstack(bands), dataset.GetGeoTransform(), dataset.GetProjection() ``` 上述函数 `read_image` 将指定路径下的遥感图像按波段顺序读入，并返回一个多维数组以及地理变换参数和投影信息。 --- #### 2. 图像融合算法 对于多波段图像融合，常用的技术包括加权平均法、主成分分析 (PCA) 和 Brovey 变换等。下面是一个简单的加权平均融合示例代码： ```python def weighted_average_fusion(image_bands, weights=None): """ 对输入的多波段图像执行加权平均融合。 参数: image_bands: 输入的多波段图像（NumPy 数组） weights: 各波段对应的权重列表，默认均分 返回: 融合后的单通道图像 """ if weights is None: weights = [1 / image_bands.shape[-1]] * image_bands.shape[-1] fused_band = np.zeros_like(image_bands[:, :, 0], dtype=np.float32) for idx, weight in enumerate(weights): fused_band += image_bands[:, :, idx].astype(np.float32) * weight return fused_band.clip(0, 255).astype(np.uint8) ``` 此函数接受一个三维 NumPy 数组作为输入，其中最后一维度表示不同的波段。如果未提供权重，则默认各波段具有相同的贡献度。 --- #### 3. 结果保存 经过融合处理后的新图像可利用 GDAL 写回磁盘上作为一个 GeoTIFF 文件[^3]: ```python def save_image(filename, geotransform, projection, data): driver = gdal.GetDriverByName('GTiff') out_dataset = driver.Create( filename, data.shape[1], data.shape[0], eType=gdal.GDT_Byte ) out_dataset.SetGeoTransform(geotransform) out_dataset.SetProjection(projection) outband = out_dataset.GetRasterBand(1) outband.WriteArray(data) out_dataset.FlushCache() # 示例调用流程 input_file = 'path_to_multiband_tif' output_file = 'fused_output.tif' image_data, geo_transform, proj_info = read_image(input_file) weights = [0.4, 0.3, 0.3] # 自定义权重分配给三个波段 fused_result = weighted_average_fusion(image_data, weights) save_image(output_file, geo_transform, proj_info, fused_result) ``` 以上脚本展示了完整的从读取原始数据到写入最终结果的过程。 --- ### 注意事项 - **坐标系一致性**：确保参与运算的所有图层都采用相同的空间参考系统(SRS)，否则可能引起几何偏差。 - **内存消耗**：当处理大尺寸高分辨率影像时需注意计算机资源占用情况；必要情况下考虑切片策略或分布式计算框架的支持。