1. 理解Rasterio中的仿射变换
在GIS和遥感数据处理中，仿射变换是将像素坐标（行、列）映射到地理坐标（x、y）的关键数学工具。Rasterio作为Python中强大的栅格数据处理库，其transform模块提供了完整的仿射变换实现。
注意：仿射变换不仅用于地理数据，任何需要将图像坐标映射到其他坐标系的场景都可以使用类似原理。
1.1 仿射变换的数学原理
仿射变换的矩阵表示为：
code复制[ x ] = [a, b, c] [ col ]
[ y ] [d, e, f] * [ row ]
[ 1 ]
这6个参数的实际含义是：
- a：x方向上的像素大小（东西方向分辨率）
- b：x轴旋转参数（通常为0）
- c：左上角像素中心的x坐标
- d：y轴旋转参数（通常为0）
- e：y方向上的像素大小（南北方向分辨率，通常为负值）
- f：左上角像素中心的y坐标
在实际应用中，我们通常遇到的是"北向上"的栅格数据，此时b和d为0，e为负值。例如，一个分辨率为30米的标准UTM栅格可能具有如下变换：
python复制from affine import Affine
transform = Affine(30.0, 0.0, 500000.0,
0.0, -30.0, 4500000.0)
1.2 为什么需要仿射变换？
仿射变换解决了三个核心问题：
- 位置定位：知道图像中每个像素对应的实际地理位置
- 数据对齐：将不同来源、不同分辨率的栅格数据对齐到同一坐标系
- 空间分析：进行距离测量、面积计算等空间运算
在实际项目中，我曾遇到过一个典型场景：需要将无人机拍摄的高分辨率影像与卫星影像对齐。通过正确理解和应用仿射变换，我们成功实现了亚米级的对齐精度。
2. Rasterio中的Transform操作
2.1 基本转换操作
获取和查看变换
python复制import rasterio
with rasterio.open('data.tif') as src:
print(src.transform)
# 输出示例：| 30.00, 0.00, 500000.00|
# | 0.00,-30.00, 4500000.00|
# | 0.00, 0.00, 1.00|
坐标转换
python复制# 像素坐标 → 地理坐标
col, row = 100, 200
x, y = transform * (col, row)
# 地理坐标 → 像素坐标
x, y = 500100.0, 4499800.0
col, row = ~transform * (x, y) # 使用逆变换
技巧：在进行大量坐标转换时，先计算逆变换(~transform)再重复使用，可以提高性能。
2.2 创建变换的多种方式
方法1：直接指定参数
python复制from affine import Affine
transform = Affine(30.0, 0.0, 500000.0,
0.0, -30.0, 4500000.0)
方法2：从GDAL格式创建
python复制transform = Affine.from_gdal(500000.0, 30.0, 0.0,
4500000.0, 0.0, -30.0)
方法3：使用Rasterio便捷函数
python复制from rasterio.transform import from_origin
# 已知左上角坐标和分辨率
transform = from_origin(500000.0, 4500000.0, 30.0, 30.0)
2.3 变换的修改与组合
仿射变换可以通过矩阵乘法进行组合：
python复制# 放大2倍
new_transform = transform * Affine.scale(2, 2)
# 平移图像
new_transform = transform * Affine.translation(100, -100)
# 旋转45度（需谨慎使用）
new_transform = transform * Affine.rotation(45)
警告：旋转操作会引入非零的b和d参数，可能导致某些栅格操作变得复杂。在实际项目中，我通常会避免直接旋转栅格，而是考虑在显示或后续处理时应用旋转。
3. 高级应用场景
3.1 窗口操作与变换
处理大型栅格时，我们常使用窗口读取部分数据：
python复制from rasterio.windows import Window
with rasterio.open('large.tif') as src:
window = Window(1000, 1000, 500, 500)
win_transform = src.window_transform(window)
# 使用窗口变换保存裁剪后的数据
profile = src.profile.copy()
profile.update({
'height': window.height,
'width': window.width,
'transform': win_transform
})
with rasterio.open('clip.tif', 'w', **profile) as dst:
dst.write(src.read(window=window))
3.2 重采样与变换更新
改变分辨率时需要相应更新变换：
python复制def resample_raster(input_path, output_path, scale_factor):
with rasterio.open(input_path) as src:
# 计算新尺寸
new_height = int(src.height * scale_factor)
new_width = int(src.width * scale_factor)
# 更新变换
new_transform = src.transform * Affine.scale(1/scale_factor, 1/scale_factor)
# 更新元数据
profile = src.profile.copy()
profile.update({
'height': new_height,
'width': new_width,
'transform': new_transform
})
# 执行重采样
data = src.read(
out_shape=(src.count, new_height, new_width),
resampling=Resampling.bilinear
)
with rasterio.open(output_path, 'w', **profile) as dst:
dst.write(data)
3.3 栅格对齐实战
将两个不同分辨率的栅格对齐到同一网格：
python复制def align_to_reference(target_path, reference_path, output_path):
with rasterio.open(reference_path) as ref:
with rasterio.open(target_path) as src:
# 准备输出profile
profile = src.profile.copy()
profile.update({
'height': ref.height,
'width': ref.width,
'transform': ref.transform,
'crs': ref.crs
})
# 创建输出数组
destination = np.zeros((src.count, ref.height, ref.width),
dtype=src.dtypes[0])
# 重投影并重采样
reproject(
source=src.read(),
destination=destination,
src_transform=src.transform,
src_crs=src.crs,
dst_transform=ref.transform,
dst_crs=ref.crs,
resampling=Resampling.bilinear
)
with rasterio.open(output_path, 'w', **profile) as dst:
dst.write(destination)
4. 实战经验与问题排查
4.1 常见问题及解决方案
问题1：变换参数不合理
症状：坐标转换结果明显错误，或栅格显示位置异常。
检查清单：
- 确认a和e的符号是否正确（通常a>0, e<0）
- 检查b和d是否接近0（除非确实需要旋转）
- 验证左上角坐标是否合理
python复制def validate_transform(transform):
if transform.a <= 0 or transform.e >= 0:
raise ValueError("分辨率参数异常：a应为正，e应为负")
if abs(transform.b) > 1e-6 or abs(transform.d) > 1e-6:
print("警告：检测到非零旋转参数")
问题2：重采样后位置偏移
原因：变换更新与数据重采样不匹配。
解决方案：
- 确保先计算新变换，再进行重采样
- 对于整数倍重采样，使用精确的尺度因子
问题3：跨UTM带的数据对齐
挑战：不同UTM带的坐标参考系不同。
解决方案：
- 统一重投影到一个CRS
- 使用
calculate_default_transform计算中间变换
4.2 性能优化技巧
- 批量坐标转换：对于大量坐标，使用数组操作而非循环：
python复制cols = np.array([100, 101, 102])
rows = np.array([200, 201, 202])
xs, ys = transform * (cols, rows)
- 缓存逆变换：重复使用的逆变换应该预先计算：
python复制inv_transform = ~transform
col, row = inv_transform * (x, y)
- 窗口读取：处理大文件时，使用窗口读取减少内存使用。
4.3 实际项目经验
在最近的一个生态监测项目中，我们需要整合：
- 30米分辨率的Landsat数据
- 10米分辨率的Sentinel-2数据
- 0.5米分辨率的无人机影像
通过精心设计变换链，我们实现了：
- 所有数据对齐到同一网格
- 保持原始数据的几何精度
- 支持多尺度分析
关键步骤包括：
- 选择适当的基准分辨率（10米）
- 使用双线性重采样保持平滑过渡
- 为每个数据源创建精确的变换链
5. 扩展应用：创建规则网格
有时我们需要从头创建规则的地理网格：
python复制def create_grid(left, top, dx, dy, nx, ny):
"""创建规则地理网格
参数：
left: 左上角x坐标
top: 左上角y坐标
dx: x方向分辨率
dy: y方向分辨率（应为正数，函数内部处理符号）
nx: x方向像素数
ny: y方向像素数
返回：
transform: 仿射变换
bounds: 边界字典
"""
transform = Affine(dx, 0.0, left,
0.0, -dy, top) # 注意dy取负
bounds = {
'left': left,
'right': left + nx * dx,
'bottom': top - ny * dy,
'top': top,
'width': nx,
'height': ny
}
return transform, bounds
使用示例：
python复制# 创建1km网格
transform, bounds = create_grid(
left=500000, top=4500000,
dx=1000, dy=1000,
nx=100, ny=80
)
print(f"网格范围：{bounds}")
print(f"变换矩阵：\n{transform}")
6. 地面控制点(GCPs)处理
对于非规则变换或未校正的影像，可以使用地面控制点：
python复制from rasterio.control import GroundControlPoint
# 创建GCP列表
gcps = [
GroundControlPoint(row=0, col=0, x=500000, y=4500000, z=0),
GroundControlPoint(row=0, col=1000, x=503000, y=4500000, z=0),
GroundControlPoint(row=800, col=0, x=500000, y=4497600, z=0),
GroundControlPoint(row=800, col=1000, x=503000, y=4497600, z=0)
]
# 写入带GCP的数据
with rasterio.open('ortho.tif') as src:
profile = src.profile.copy()
profile.update({'gcps': gcps})
with rasterio.open('with_gcps.tif', 'w', **profile) as dst:
dst.gcps = (gcps, 'GCPs from field survey')
dst.write(src.read())
专业建议：当使用GCPs时，考虑使用rasterio.warp.reproject进行精确校正，这通常比简单的仿射变换更能处理复杂变形。