前言

遥感图像往往尺寸较大，无法用默认的图像浏览器加载。
GDAL是空间数据处理的开源包，支持多种数据格式的读写。
遥感图像是一种带大地坐标的栅格数据，因此，可以借用GDAL对遥感图像进行读写，本文就来记录一些相关操作。

GDAL的安装和引入

gdal可通过荧光动力学实验室(Laboratory for Fluorescence Dynamics)提供的镜像网站下载安装：
网站链接：https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal

有些老版本gdal的引入方式是直接import：

import gdal

新版本的gdal引入方式如下：

from osgeo import gdal

行列数和波段数

下面的示例读取了一张tif遥感图片，输出该栅格数据的行列数和波段数：

from osgeo import gdal

data = gdal.Open("xdu.tif")
rows = data.RasterYSize
cols = data.RasterXSize
bands = data.RasterCount
print(f"rows:{rows}")
print(f"cols:{cols}")
print(f"bands:{bands}")

输出：

rows:37787
cols:36805
bands:4

坐标转换参数

GetGeoTransform()方法返回栅格数据的坐标转换参数，即行列坐标与空间坐标的转换参数，示例：

from osgeo import gdal

data = gdal.Open("xdu.tif")
geotrans = data.GetGeoTransform()
print(geotrans)

输出：

(298735.10954000003, 0.057460000000000004, 0.0, 3779222.4793800004, 0.0, -0.057460000000000004)

输出值为一个元组，6个元素的含义如下：

• 298735.10954000003：左上角像元x坐标
• 0.057460000000000004：x方向比例尺(像元宽度)
• 0.0：x方向旋转角度
• 3779222.4793800004：左上角像元y坐标
• 0.0：y方向旋转角度
• -0.057460000000000004：y方向比例尺(像元高度)

若影像不含地理坐标信息，默认返回值是：(0,1,0,0,0,1)

空间参照系统信息

·GetProjection()方法返回栅格数据的坐标转换参数，示例：

from osgeo import gdal

data = gdal.Open("xdu.tif")
proj = data.GetProjection()
print(proj)

输出：

PROJCS[“WGS 84 / UTM zone 49N”,GEOGCS[“WGS 84”,DATUM[“WGS_1984”,SPHEROID[“WGS 84”,6378137,298.257223563,AUTHORITY[“EPSG”,“7030”]],AUTHORITY[“EPSG”,“6326”]],PRIMEM[“Greenwich”,0,AUTHORITY[“EPSG”,“8901”]],UNIT[“degree”,0.0174532925199433,AUTHORITY[“EPSG”,“9122”]],AUTHORITY[“EPSG”,“4326”]],PROJECTION[“Transverse_Mercator”],PARAMETER[“latitude_of_origin”,0],PARAMETER[“central_meridian”,111],PARAMETER[“scale_factor”,0.9996],PARAMETER[“false_easting”,500000],PARAMETER[“false_northing”,0],UNIT[“metre”,1,AUTHORITY[“EPSG”,“9001”]],AXIS[“Easting”,EAST],AXIS[“Northing”,NORTH],AUTHORITY[“EPSG”,“32649”]]

栅格数据转数组

ReadAsArray()方法可实现将栅格数据转换成数组(Array)形式，以便后续处理，示例：

from osgeo import gdal

data = gdal.Open("xdu.tif")
data_array = data.ReadAsArray()
print(data_array.shape)
band1 = data.GetRasterBand(1)  # 获取第一个波段的数据
band1_array = band1.ReadAsArray()
print(band1_array.shape)

输出：

(4, 37787, 36805)
(37787, 36805)

对于单波段栅格数据，ReadAsArray()函数返回(rows, columns)
对于多波段栅格数据，ReadAsArray()函数返回(bands, rows, columns)

按块读取栅格

ReadAsArray同样支持按块读取栅格信息，即读取部分区域图像信息，示例：

from osgeo import gdal

data = gdal.Open("xdu.tif")
data_array = data.ReadAsArray(xoff=15000, yoff=15000, xsize=5, ysize=5)
print(data_array)

输出：

[[[ 56 73 64 57 67]
[ 40 48 60 57 64]
[ 35 45 76 65 62]
[ 42 73 93 74 67]
[ 58 80 92 76 74]]
[[ 71 89 81 76 86]
[ 55 63 77 75 84]
[ 51 61 92 83 81]
[ 58 89 110 93 86]
[ 74 96 109 95 94]]
[[ 34 51 41 35 43]
[ 21 28 40 37 43]
[ 19 28 59 46 41]
[ 27 58 76 55 44]
[ 42 64 72 54 49]]
[[255 255 255 255 255]
[255 255 255 255 255]
[255 255 255 255 255]
[255 255 255 255 255]
[255 255 255 255 255]]]

输出四组5x5的矩阵，表示各波段数据。

其中，该函数具体的参数含义如下：

• xoff，yoff：想要读取的部分原点位置在整张图像中距离全图原点的位置
• xsize和ysize指定要读取部分图像的矩形大小

实现大图显示

有些遥感影像地图通常较大，用微软默认的图片查看器无法打开显示。通是借助QGIS、ENVI这类专业软件进行查看，这类软件的显示逻辑基本上是“分层动态加载”，即全局显示时显示缩略图，放大显示时，重新加载局部的精细图，不过存在的问题是浏览不流畅，每次拖动或缩放时，图片均需要消耗时间来进行重新加载。于是思考，有无其它解决方式？

方案一：拉伸变换

图像无法加载的主要原因是加载图像时，需要将图像的每个像素点信息加载进内存，如果将每个像素点所需内存体积减小，就可能能够直接进行加载查看。

这篇博文[3]采用了对图像进行拉伸变化的思路，对图像的每个像素点进行拉伸变换，处理成8位整型。不过经我实测发现，对于大型遥感图像所起到效果有限，并且十分耗时。

方案二：瓦片显示

瓦片是一个遥感术语，是指将一定范围内的地图按照一定的尺寸和格式，切成若干行和列的正方形栅格图片。整幅图显示不了，那就切分成多个瓦片进行分块显示，再进行组装，可以有效减小资源依赖。

这篇博文[4]采用了该方案进行图像显示。经实测，该方案能够有效解决遥感大图显示问题，并且拖动浏览较为流畅，但在显示之前需要耗费一定时间来切分瓦片。下面是瓦片显示实现的核心代码。

1. 切分瓦片
   第一步是设定瓦片尺寸为1000x1000，然后根据图像的尺寸来进行切片，主要方式是通过ReadAsArray(w_range_start, h_range_start, w_range, h_range)来读取区域栅格图像数据，然后保存进字典。

class Tiles:
   def __init__(self, dataset, size=1000, image_type=None):
       """
       初始化影像瓦片
       :param dataset: 影像源数据集
       :param size:
       """
       # 瓦片大小，默认1000
       self.size = 1000
       self.image_type = image_type
       # 实际的瓦片字典
       self.tiles_dict_source = {}
       # 显示的瓦片
       self.tiles_dict_show = {}
       self.dataset = dataset
       self.bands = self.dataset.RasterCount
       self.width = self.dataset.RasterXSize
       self.height = self.dataset.RasterYSize
       self.size = size
       self.max_value = -99999
       self.min_value = 99999
       # 横向瓦片个数
       self.w_t = math.ceil(self.width / self.size)
       # 纵向瓦片个数（图片宽度/瓦片大小(1000))(向上取整数)
       self.h_t = math.ceil(self.height / self.size)
       # 初始化图层极值
       self.native_extremum_array = np.zeros([self.bands, 2])
       self.extremum_array = np.zeros([self.bands, 2])
       self.static = {}
       # 获取各个图层的最大和最小值
       for band in range(self.bands):
           self.native_extremum_array[band] = [-999999999, 999999999]
           self.extremum_array[band] = [-999999999, 999999999]
       # 初始化瓦片
       self.__init_tiles()

   def __init_tiles(self):
       """
       瓦片切片
       :return:
       """
       # 遍历纵向瓦片个数
       for h in range(self.h_t):
           h_range_start = h * self.size  # h下表索引，h_range_start初始范围
           h_range = self.size
           # 最终越界处理
           if h_range_start + h_range > self.height:
               h_range = self.height - h_range_start
           # 遍历横向瓦片个数
           for w in range(self.w_t):
               w_range_start = w * self.size
               w_range = self.size
               # 最终越界处理
               if w_range_start + w_range > self.width:
                   w_range = self.width - w_range_start
               # 读取栅格范围数据，保存进字典
               tiles = self.dataset.ReadAsArray(w_range_start, h_range_start, w_range, h_range)
               self.tiles_dict_source[(h, w)] = tiles
           System.signal.signal_progress.emit("正在切分瓦片:", (h + 1) * 100 / self.h_t)
           QApplication.processEvents()

2. 影像分析
   影像分析这步主要是用来统计更新中的影像极值，以便后续拉伸处理。

def image_extremum(self):
    length = len(self.tiles_dict_source)
    cur = 0
    for key, value in self.tiles_dict_source.items():
        # 统计极值
        for band in range(self.bands):
            layer = value[band]
            max_new = np.max(layer)
            min_new = np.min(layer)
            max_old = self.native_extremum_array[band][0]
            min_old = self.native_extremum_array[band][1]
            if max_new > max_old:
                max_old = max_new
            if min_new < min_old:
                min_old = min_new
            self.native_extremum_array[band] = [max_old, min_old]
        cur = cur + 1
        System.signal.signal_progress.emit("影像分析:", (cur / length) * 100)
        QApplication.processEvents()

3. 初始化影像显示
   此步主要是对影像进行拉伸变换，将影像值拉伸到0-255之间，然后将处理后的数据保存进一个新的字典tiles_dict_show

def stretch_extremum(self, array):
    """
    影像拉伸-将影像值拉伸到0-255之间
    :param array:
    :return:
    """
    show_tiles = np.empty(array.shape, dtype='uint8')
    for band in range(self.bands):
        # 影像极值
        max_value = self.extremum_array[band][0]
        min_value = self.extremum_array[band][1]
        coefficient = (max_value - min_value) / 255
        if self.bands == 1:
            coefficient_array = array[:, :] / coefficient
        else:
            coefficient_array = array[band, :, :] / coefficient
        coefficient_array = coefficient_array - min_value / coefficient
        show_layer = coefficient_array.astype('uint8')
        if self.bands == 1:
            show_tiles = show_layer
        else:
            show_tiles[band] = show_layer
    if self.bands == 1:
        return show_tiles
    else:
        return np.rollaxis(show_tiles, 0, 3)
       
def init_show_tiles(self, native=True, max_pix=255, min_pix=0):
    """
    初始化用于显示的影像瓦片
    :param min_pix:
    :param max_pix:
    :param native:
    :return:
    """
    self.__set_extremum(native, max_pix, min_pix)
    length = len(self.tiles_dict_source)  # 瓦片字典的长度
    cur = 0
    for key, value in self.tiles_dict_source.items():
        # 显示光学影像
        # 将需要显示的保存到tiles_dict_show字典中
        if System.m_image_type_optical == self.image_type:
            self.tiles_dict_show[key] = self.stretch_extremum(value)
        # 显示雷达影像
        elif System.m_image_type_radar == self.image_type:
            self.tiles_dict_show[key] = self.radar_show(value, 255, 0)
        # 更新进度条信息
        cur = cur + 1
        System.signal.signal_progress.emit("初始化影像显示:", (cur / length) * 100)
        QApplication.processEvents()

4. 创建瓦片并显示
   最后这步是根据每一个瓦片的数据，单独创建一个pixmap，从而能够使其在QGraphicsView进行显示。

def create_pixmap(self, image_array):
    """
    根据给定的数组生成pixmap
    :param image_array:
    :return:
    """
    shape = image_array.shape
    height = 0
    width = 0
    bytesPerComponent = 1
    if len(shape) == 2:
        height, width = shape
    elif len(shape) == 3:
        height, width, bytesPerComponent = shape
    bytesPerLine = bytesPerComponent * width
    if bytesPerComponent == 1:
        # 显示灰度图像
        QImg = QImage(image_array.tobytes(), width, height, bytesPerLine, QImage.Format_Grayscale8)
    elif bytesPerComponent == 3:
        # 显示GGB图像
        QImg = QImage(image_array.tobytes(), width, height, bytesPerLine, QImage.Format_RGB888)
    else:
        # 如果不符合就不显示
        return
    return QPixmap.fromImage(QImg)
    
def create_pixmap_tiles(self):
    """
    根据显示的图层创建pixmap的瓦片
    :return:
    """
    length = len(self.image.get_show_layer())
    cur = 0
    for key, value in self.image.get_show_layer().items():
        # 对于每个需要生成的瓦片单独创建一个pixmap
        pixmap = self.create_pixmap(value)
        self.pixmap_tiles[key] = pixmap
        cur = cur + 1
        System.signal.signal_progress.emit("正在创建瓦片:", cur * 100 / length)
        QApplication.processEvents()
    print("pixmap瓦片创建完成")
    # self.image.start_image_static()

参考

[1] Python+GDAL栅格数据基本操作 https://blog.csdn.net/weixin_40625478/article/details/107839548
[2] Python空间数据处理1:GDAL读写遥感图像 https://blog.csdn.net/vonuo/article/details/74783291
[3]如何利用Python对遥感影像进行显示 https://blog.csdn.net/u012569919/article/details/109864492
[4] pyqt5 分割瓦片显示超大图像 https://blog.csdn.net/ZH_CS/article/details/124708547