标签：红光 最小 格式 扫描 gre 矩阵 来源 不能 等等
Raster是个啥子东西
现如今，不仅是在遥感应用中能看到花花绿绿的影像了，在GIS应用中也能随处看到她们的身影。在各种在线地图中，卫星影像作为底图与矢量的道路层叠加；高程DEM作为高程来源实现地形的山影效果。相信大家对影像这个词，应该一点儿也不感到陌生。
那么栅格呢？相对与我们熟悉的影像，这俩只是名词上的区别么？
栅格（Raster）和影像（Images/Imagery）在GIS应用中经常被相互指代。如果非要区别一下呢，影像是指通过各种遥感设备，传感器，或者照相机得到的电子的或者纸质的图片，栅格则是一种数据模型，用来特指影像存储方式的。类比一下，如果把ArcGIS中存储显示的图片都称之为酒的话，栅格就是酒瓶，而影像就是瓶中的美酒了。
咱们再来仔细看看栅格数据。
如果说使用矢量来描绘我们的世界，需要使用到点，线或者是面。而构成点，线，或者面的最小单元，是点（结点）。那么另外一种用于描绘地物的数据-栅格的最小单元又是什么呢？
如果你曾经好奇的把影像/栅格数据放大放大再放大，那么可能会注意到，当放大到某一个层级后，栅格数据就会变成下图所示的状态，变成了一个个的小格子。这些小格子，就是栅格数据的最小单元，Cell，也叫像元。对影像来说，这个最小的单元被叫做pixel，像素。
熟悉shape格式的筒子们都知道，线或者面数据都是通过点串来存储的。打开属性表也能够看到，撇开业务属性，就空间属性而言，每一条线就是一条记录，而这条记录中存储的shape再展开来才是构成这条线的点串的坐标（xy坐标）。而栅格数据的组织方式就非常的简单，有多简单呢，它就是一矩阵！栅格/影像数据看起来很复杂，还那么大一块，但是其实就是按行和列存储的像元。栅格运算的时候与矩阵运算是一样的，找到相应的位置，然后将象元值进行相应的加减乘除就可以了。
通过矩阵方式存储的栅格数据有显而易见的优点，数据结构简单。矢量的点，线，面也可以存储在栅格数据中，这样更方便参与空间分析的运算。BUT，将地物都栅格化了存储也有自己的弊端的。首先，栅格化之后，数据的精度取决于且仅取决于栅格的象元大小。象元越小，数据的所占的磁盘空间越大，处理起来越慢。再有呢，就是栅格的最小单元是不能够再分割的，在数据存储或者重建的时候会有误差。例如像元大小为1m的栅格是不能精确存储边长为10.5m的矢量边的。
正如上面提到的，像元有个不能被改变的特性，就是它是一个正方形，长 = 宽 = 像元大小 = 格网大小（栅格） = 分辨率（影像）。对于一个栅格来说，长与宽可以不同，说明栅格的行数与列数不等，也就是每一行的像元数与每一列的像元数不等。但是在一个栅格数据中，像元大小是一定的。
象元值又代表了什么呢？
如果需要了解一个矢量数据的属性，我们Identify一下，就可以看到该矢量背后的故事。这个多边形代表的是那个省，这个省的人口有多少，编码是什么等等等等。那么我们Identify一下栅格的某个位置，得到的RGB的值表示又是什么意思呢？
小时候的自然课应该也有讲过，世间万物对不同光的吸收和反射是不同的。而我们看到的影像，就是通过传感器记录下每一个位置对红光（Red），绿光（Green）和蓝光（Blue）的反射值得到的。（高级传感器例如卫星上用的还记录了更多光波段的反射值，这里不罗嗦了）栅格数据中，代表实际“属性”的像元值就是反射值。
当然了，反射值只是针对航片，卫片和照片的。对于DEM或者其他高程影像来说，像元值代表的就是该位置的实际高度。而土地分类图中每一个像元值代表的是该位置上的土地利用类型。
还有一个问题，就是如果栅格都是矩阵，那么为什么会有离散数据（Discrete Data）和连续数据（Continues Data）的区别？
这个是由于栅格数据所表现的事物类型是多种多样的。根据栅格中像元值的分布类型，将他们分成了3类，离散数据（有时也叫专题数据），主要是指分类结果数据，例如土地利用图；连续数据，一般是真实地物的直接体现，比如各种遥感影像，DEM，温度图等等等等；最后一类是图片，例如扫描地图或者楼房照片等。
预告一下，下一贴要讲讲像元深度（pixel depth）,波段等属性信息。
标签：红光 最小 格式 扫描 gre 矩阵 来源 不能 等等
原文地址：http://www.cnblogs.com/xiaocai0923/p/7502649.html
