Raster是個啥子東西

現如今，不僅是在遙感應用中能看到花花綠綠的影像了，在GIS應用中也能隨處看到她們的身影。在各種在線地圖中，衛星影像作為底圖與矢量的道路層疊加；高程DEM作為高程來源實現地形的山影效果。相信大家對影像這個詞，應該一點兒也不感到陌生。

那麽柵格呢？相對與我們熟悉的影像，這倆只是名詞上的區別麽？

柵格（Raster）和影像（Images/Imagery）在GIS應用中經常被相互指代。如果非要區別一下呢，影像是指通過各種遙感設備，傳感器，或者照相機得到的電子的或者紙質的圖片，柵格則是一種數據模型，用來特指影像存儲方式的。類比一下，如果把ArcGIS中存儲顯示的圖片都稱之為酒的話，柵格就是酒瓶，而影像就是瓶中的美酒了。

咱們再來仔細看看柵格數據。

如果說使用矢量來描繪我們的世界，需要使用到點，線或者是面。而構成點，線，或者面的最小單元，是點（結點）。那麽另外一種用於描繪地物的數據-柵格的最小單元又是什麽呢？

如果你曾經好奇的把影像/柵格數據放大放大再放大，那麽可能會註意到，當放大到某一個層級後，柵格數據就會變成下圖所示的狀態，變成了一個個的小格子。這些小格子，就是柵格數據的最小單元，Cell，也叫像元。對影像來說，這個最小的單元被叫做pixel，像素。

熟悉shape格式的筒子們都知道，線或者面數據都是通過點串來存儲的。打開屬性表也能夠看到，撇開業務屬性，就空間屬性而言，每一條線就是一條記錄，而這條記錄中存儲的shape再展開來才是構成這條線的點串的坐標（xy坐標）。而柵格數據的組織方式就非常的簡單，有多簡單呢，它就是一矩陣！柵格/影像數據看起來很復雜，還那麽大一塊，但是其實就是按行和列存儲的像元。柵格運算的時候與矩陣運算是一樣的，找到相應的位置，然後將象元值進行相應的加減乘除就可以了。

通過矩陣方式存儲的柵格數據有顯而易見的優點，數據結構簡單。矢量的點，線，面也可以存儲在柵格數據中，這樣更方便參與空間分析的運算。BUT，將地物都柵格化了存儲也有自己的弊端的。首先，柵格化之後，數據的精度取決於且僅取決於柵格的象元大小。象元越小，數據的所占的磁盤空間越大，處理起來越慢。再有呢，就是柵格的最小單元是不能夠再分割的，在數據存儲或者重建的時候會有誤差。例如像元大小為1m的柵格是不能精確存儲邊長為10.5m的矢量邊的。

正如上面提到的，像元有個不能被改變的特性，就是它是一個正方形，長 = 寬 = 像元大小 = 格網大小（柵格） = 分辨率（影像）。對於一個柵格來說，長與寬可以不同，說明柵格的行數與列數不等，也就是每一行的像元數與每一列的像元數不等。但是在一個柵格數據中，像元大小是一定的。

象元值又代表了什麽呢？

如果需要了解一個矢量數據的屬性，我們Identify一下，就可以看到該矢量背後的故事。這個多邊形代表的是那個省，這個省的人口有多少，編碼是什麽等等等等。那麽我們Identify一下柵格的某個位置，得到的RGB的值表示又是什麽意思呢？

小時候的自然課應該也有講過，世間萬物對不同光的吸收和反射是不同的。而我們看到的影像，就是通過傳感器記錄下每一個位置對紅光（Red），綠光（Green）和藍光（Blue）的反射值得到的。（高級傳感器例如衛星上用的還記錄了更多光波段的反射值，這裏不羅嗦了）柵格數據中，代表實際“屬性”的像元值就是反射值。

當然了，反射值只是針對航片，衛片和照片的。對於DEM或者其他高程影像來說，像元值代表的就是該位置的實際高度。而土地分類圖中每一個像元值代表的是該位置上的土地利用類型。

還有一個問題，就是如果柵格都是矩陣，那麽為什麽會有離散數據（Discrete Data）和連續數據（Continues Data）的區別？

這個是由於柵格數據所表現的事物類型是多種多樣的。根據柵格中像元值的分布類型，將他們分成了3類，離散數據（有時也叫專題數據），主要是指分類結果數據，例如土地利用圖；連續數據，一般是真實地物的直接體現，比如各種遙感影像，DEM，溫度圖等等等等；最後一類是圖片，例如掃描地圖或者樓房照片等。

預告一下，下一貼要講講像元深度（pixel depth）,波段等屬性信息。

柵格那點兒事（一）---Raster是個啥子東西