5. GDAL python教程（4）——用GDAL讀取柵格數據

 

GDAL原生支持超過100種柵格數據類型，涵蓋所有主流GIS與RS數據格式，包括

• ArcInfo grids, ArcSDE raster, Imagine, Idrisi, ENVI, GRASS, GeoTIFF
• HDF4, HDF5
• USGS DOQ, USGS DEM
• ECW, MrSID
• TIFF, JPEG, JPEG2000, PNG, GIF, BMP

完整的支持列表可以參考 http://www.gdal.org/formats_list.html

5.1. 導入GDAL支持庫

舊版本（1.5以前）：

import gdal, gdalconst

新版本（1.6以後）：

from osgeo import gdal, gdalconst

gdal和gdalconst最好都要導入，其中gdalconst中的常量都加了前綴，力圖與其他的module衝突最小。所以對gdalconst你可以直接這樣導入：

from osgeo.gdalconst import *

GDAL數據驅動，與OGR數據驅動類似，需要先創建某一類型的數據驅動，再創建響應的柵格數據集。 一次性註冊所有的數據驅動，但是隻能讀不能寫：gdal.AllRegister() 單獨註冊某一類型的數據驅動，這樣的話可以讀也可以寫，可以新建數據集：

driver = gdal.GetDriverByName('HFA')
driver.Register()

打開已有的柵格數據集：

fn = 'aster.img'
ds = gdal.Open(fn, GA_ReadOnly)
if ds is None:
   print 'Could not open ' + fn
    sys.exit(1)

讀取柵格數據集的x方向像素數，y方向像素數，和波段數

cols = ds.RasterXSize
rows = ds.RasterYSize
bands = ds.RasterCount

注意後面沒有括號，因爲他們是屬性(properties)不是方法(methods) 讀取地理座標參考信息(georeference info)

GeoTransform是一個list，存儲着柵格數據集的地理座標信息

adfGeoTransform[0] /* top left x 左上角x座標*/
adfGeoTransform[1] /* w--e pixel resolution 東西方向上的像素分辨率*/
adfGeoTransform[2] /* rotation, 0 if image is "north up" 如果北邊朝上，地圖的旋轉角度*/
adfGeoTransform[3] /* top left y 左上角y座標*/
adfGeoTransform[4] /* rotation, 0 if image is "north up" 如果北邊朝上，地圖的旋轉角度*/
adfGeoTransform[5] /* n-s pixel resolution 南北方向上的像素分辨率*/

注意柵格數據集的座標一般都是以左上角爲基準的。

下面的例子是從一個柵格數據集中取出Geotransform作爲一個list，然後讀取其中的數據

geotransform = ds.GetGeoTransform()
originX = geotransform[0]
originY = geotransform[3]originY = geotransform[3]
pixelWidth = geotransform[1]
pixelHeight = geotransform[5]

計算某一座標對應像素的相對位置(pixel offset)，也就是該座標與左上角的像素的相對位置，按像素數計算，計算公式如下：

xOffset = int((x – originX) / pixelWidth)
yOffset = int((y – originY) / pixelHeight)

讀取某一像素點的值，需要分兩步 首先讀取一個波段(band)：GetRasterBand(<index>)，其參數爲波段的索引號 然後用ReadAsArray(<xoff>, <yoff>, <xsize>, <ysize>)，讀出從(xoff,yoff)開始，大小爲(xsize,ysize)的矩陣。如果將矩陣大小設爲1X1，就是讀取一個像素了。但是這一方法只能將讀出的數據放到矩陣中，就算只讀取一個像素也是一樣。例如：

band = ds.GetRasterBand(1)
data = band.ReadAsArray(xOffset, yOffset, 1, 1)

如果想一次讀取一整張圖，那麼將offset都設定爲0，size則設定爲整個圖幅的size，例如：

data = band.ReadAsArray(0, 0, cols, rows)

但是要注意，從data中讀取某一像素的值，必須要用data[yoff, xoff]。注意不要搞反了。數學中的矩陣是[row,col]，而這裏恰恰相反！這裏面row對應y軸，col對應x軸。

注意在適當的時候釋放內存，例如band = None 或者dataset = None。尤其當圖很大的時候

如何更有效率的讀取柵格數據？顯然一個一個的讀取效率非常低，將整個柵格數據集都塞進二維數組也不是個好辦法，因爲這樣佔的內存還是很多。更好的方法是按塊(block)來存取數據，只把要用的那一塊放進內存。本週的樣例代碼中有一個utils模塊，可以讀取block大小。

例如：

import utils
blockSize = utils.GetBlockSize(band)
xBlockSize = blockSize[0]
yBlockSize = blockSize[1]

平鋪(tiled)，即柵格數據按block存儲。有的格式，例如GeoTiff沒有平鋪，一行是一個block。Erdas imagine格式則按64x64像素平鋪。 如果一行是一個block，那麼按行讀取是比較節省資源的。 如果是平鋪的數據結構，那麼設定ReadAsArray()的參數值，讓它一次只讀入一個block，就是效率最高的方法了。例如：

rows = 13, cols = 11, xBSize = 5, yBSize = 5
for i in range(0, rows, yBSize):
if i + yBSize < rows:
    numRows = yBSize
else:
    numRows = rows – i
    for j in range(0, cols, xBSize):
        if j + xBSize < cols:
            numCols = xBSize
        else:
            numCols = colsnumCols = cols – j
        data = band.ReadAsArray(j, i, numCols, numRows)

這一段代碼具有通用性，可以時常拿來用的。

下面介紹一點二維數組的處理技巧 這裏要用到兩個庫，Numeric和numpy。Numeric比較老了，FWTools用它。自己安裝配置的話還是配功能更強的numpy。 數據類型轉換：

data = band.ReadAsArray(j, i, nCols, nRows)
data = data.astype(Numeric.Float) # Numeric
data = data.astype(numpy.float) # numpy

或者簡單點只寫一句

data = band.ReadAsArray(j, i, nCols, nRows).astype(Numeric.Float)

掩膜mask 這是Numeric和numpy庫的功能，輸入一個數組和條件，輸出一個二值數組。例如

mask = Numeric.greater(data, 0)mask = Numeric.greater(data, 0)
>>> a = Numeric.array([0, 4, 6, 0, 2])
>>> print a
[0 4 6 0 2]
>>> mask = Numeric.greater(a, 0)
>>> print mask
[0 1 1 0 1]

數組求和

>>> a = Numeric.array([0, 4, 6, 0, 2])
>>> print a>>> print a
[0 4 6 0 2]
>>> print Numeric.sum(a)
12

如果是二維數組，那sum就會返回一個一維數組

>>> b = Numeric.array([a, [5, 10, 0, 3, 0]])
>>> print b
[[ 0      4  6  0  2]
[ 5 10  0  3  0]]
>>> print Numeric.sum(b)>>> print Numeric.sum(b)
[ 5 14  6  3  2]

所以，二維數組的求和就要這樣

>>> print Numeric.sum(Numeric.sum(b))
30

這裏有一個小技巧，統計大於0的像素個數，可以聯合運用mask和sum兩個函數

>>> print a
[0 4 6 0 2]
>>> mask = Numeric.greater(a, 0)
>>> print mask
[0 1 1 0 1]
>>> print Numeric.sum(mask)
3