使用rasterio处理卫星图像的基础方法包括：1.安装库并读取geotiff文件获取元数据和波段数据；2.查看图像波段结构并提取特定波段；3.结合matplotlib显示图像并调整对比度；4.保存处理后的图像并保留空间参考信息。首先，通过pip安装rasterio，并用open()函数读取文件，获取分辨率、坐标系等元数据及所有波段数据；若遇gdal依赖问题可改用conda安装。接着，通过image.shape查看波段数与图像尺寸，利用索引如image[0, :, :]提取单一波段。然后，使用matplotlib的imshow()显示图像，对rgb合成图像进行维度调整并通过numpy.clip进行线性拉伸以优化显示效果。最后，基于原始文件的profile修改波段数量，调用write()函数将处理后的rgb数据写入新geotiff文件，确保空间信息完整保留，便于后续gis应用。
处理卫星图像在遥感、地理信息系统（GIS）和环境监测等领域非常常见。python中的 rasterio 库是一个功能强大且易于上手的工具，专门用于读写栅格图像数据，比如GeoTIFF格式的卫星影像。
下面是一些使用 rasterio 处理卫星图像的基础方法和技巧，适合刚入门的同学。
1. 安装与基本读取
首先确保你已经安装了 rasterio，可以通过 pip 安装：
立即学习“Python免费学习笔记（深入）”；
pip install rasterio
安装完成后，第一步通常是读取一个 GeoTIFF 文件。例如：
import rasterio with rasterio.open('satellite_image.tif') as src: print(src.meta) image = src.read()
这段代码会打开文件并读取所有波段的数据。src.meta 包含了图像的基本信息，比如分辨率、坐标系、波段数等，这些信息对后续处理非常重要。
小提示：如果你看到报错说找不到 GDAL 库，可以尝试用 conda 安装 rasterio，或者单独安装 GDAL 支持。
2. 查看图像信息和波段结构
卫星图像通常包含多个波段，比如红、绿、蓝、近红外等。你可以通过如下方式查看：
print(image.shape) # 输出 (波段数, 高度, 宽度)
例如 (4, 1024, 1024) 表示有 4 个波段，图像大小为 1024×1024 像素。
如果你想单独提取某个波段（比如红色波段），可以这样做：
red_band = image[0, :, :] # 第一个波段 green_band = image[1, :, :] blue_band = image[2, :, :]
这些波段可以用于合成真彩色图像或进行植被指数计算（如 NDVI）。
3. 显示图像和调整对比度
虽然 rasterio 本身不提供绘图功能，但结合 matplotlib 可以方便地显示图像：
import matplotlib.pyplot as plt plt.imshow(red_band, cmap='Reds') plt.colorbar() plt.show()
如果是 RGB 合成图像，可以这样显示：
rgb = image[[0, 1, 2], :, :] # 假设前三波段是RGB rgb = rgb.transpose(1, 2, 0) # 调整维度顺序为 (height, width, bands) plt.imshow(rgb) plt.show()
注意：原始数据可能动态范围很大，导致图像看起来太暗或太亮。可以用 numpy 的 clip 方法做简单拉伸：
import numpy as np rgb = np.clip(rgb / 3000, 0, 1) # 假设最大值是3000，做线性拉伸
4. 保存处理后的图像
处理完图像后，可以将其保存为新的 GeoTIFF 文件，保留原有的元数据：
profile = src.profile # 修改输出波段数量 profile.update(count=3) with rasterio.open('output_rgb.tif', 'w', **profile) as dst: dst.write(rgb[:, :, 0], 1) # 写入第一个波段 dst.write(rgb[:, :, 1], 2) # 第二个 dst.write(rgb[:, :, 2], 3) # 第三个
这一步很关键，特别是当你需要将结果用于 GIS 软件时，保留空间参考信息很重要。
基本上就这些。
刚开始接触 rasterio 时可能会觉得有点抽象，尤其是多维数组操作和坐标变换部分。但只要掌握了读取、查看、显示和保存这几个核心流程，就能应对大多数基础需求了。后面再结合 numpy 和 gdal 等工具，能做的事情就会越来越多。
