1.2geotrellis3.5.2-单波段或多波段瓦片搜索与渲染

最新推荐文章于 2024-03-15 18:34:31 发布
最新推荐文章于 2024-03-15 18:34:31 发布
阅读量445 收藏
点赞数
文章标签： 大数据 geotrellis gis
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_18188119/article/details/115483607
版权
本文介绍了如何利用Geotrellis 3.5.2库进行单波段或多波段瓦片的搜索与渲染，将结果保存为PNG图片。内容包括编码概述、代码位置、功能代码及测试代码的展示，并给出了渲染某瓦片的测试结果。文章还预告了接下来将探讨如何在前端地图上展示切片数据。
摘要由CSDN通过智能技术生成

1.2geotrellis3.5.2-单波段或多波段瓦片搜索与渲染

前言

  • 注意：如果你没先看下我的第一篇文章-导读，建议还是先看下（导读）
  • 目标：读取存放在本地磁盘/HDFS的单波段/多波段瓦片进行渲染，保存成png图片
  • 抢先体验：
    在这里插入图片描述

步骤

1.编码

概述

  • 提供单波段和多波段搜索渲染瓦片的方法

代码文件位置

在这里插入图片描述

功能代码

单波段和多波段瓦片搜索渲染代码
注意：OverzoomingValueReader有一个trait（特征）类似于java的接口，它有三个实现类
在这里插入图片描述

package com.tiger.geotrellis.common.render

import geotrellis.layer.SpatialKey
import geotrellis.raster.render.{ColorMap, Png}
import geotrellis.raster.{ByteArrayTile, MultibandTile, Tile}
import geotrellis.store.file.FileValueReader
import geotrellis.store.hadoop.HadoopValueReader
import geotrellis.store.{LayerId, OverzoomingValueReader}

/**
  * 单波段/多波段栅格数据切片后瓦片的搜索和渲染
  */
object RenderTiff {
  /*
    无数据透明的瓦片
   */
  val nodataPng: Png = ByteArrayTile.empty(256, 256).renderPng()

  /**
    * 渲染单波段瓦片
    *
    * @param tileValueReader 瓦片读取器
    * @param layerName       图层名
    * @param zoom            级别
    * @param x               瓦片索引坐标x
    * @param y               瓦片索引坐标y
    * @param colorMap        颜色渲染规则
    * @return Png对象实例
    */
  def renderSinglebandTile(tileValueReader: OverzoomingValueReader, layerName: String, zoom: Int, x: Int, y: Int, colorMap: ColorMap): Png = {
    try {
      //根据级别和瓦片坐标搜索到瓦片 如果找不到就会报错
      val tile = tileValueReader.reader[SpatialKey, Tile](LayerId(layerName, zoom)).read(x, y)
      //渲染成png 使用colorMap渲染
      val png = tile.renderPng(colorMap)
      //返回png
      png
    } catch {
      case _: Exception =>
        //没有数据的区域就返回透明的无数据png
        nodataPng
    }
  }

  /**
    * 渲染多波段瓦片
    *
    * @param tileValueReader 瓦片读取器
    * @param layerName       图层名
    * @param zoom            级别
    * @param x               瓦片索引坐标x
    * @param y               瓦片索引坐标y
    * @return Png对象实例
    */
  def renderMultibandTile(tileValueReader: OverzoomingValueReader, layerName: String, zoom: Int, x: Int, y: Int): Png = {
    try {
      //根据级别和瓦片坐标搜索到瓦片 如果找不到就会报错
      val multibandTile = tileValueReader.reader[SpatialKey, MultibandTile](LayerId(layerName, zoom)).read(x, y)
      //color()，这个方法是  将RGB或RGBA多波段瓦片转换为整数压缩RGBA单波段瓦片
      val colorTile = multibandTile.color()
      //渲染成png
      val png = colorTile.renderPng()
      //返回png
      png
    } catch {
      case _: Exception =>
        //没有数据的区域就返回透明的无数据png
        nodataPng
    }
  }

  /**
    * 渲染存储在本地文件夹下单波段瓦片
    *
    * @param fileValueReader 本地瓦片读取器
    * @param layerName       图层名
    * @param zoom            级别
    * @param x               瓦片索引坐标x
    * @param y               瓦片索引坐标y
    * @param colorMap        颜色渲染规则
    * @return Png对象实例
    */
  def renderLocalSinglebandTile(fileValueReader: FileValueReader, layerName: String, zoom: Int, x: Int, y: Int, colorMap: ColorMap): Png = {
    renderSinglebandTile(fileValueReader, layerName, zoom, x, y, colorMap)
  }

  /**
    * 渲染存储在本地文件夹下多波段瓦片
    *
    * @param fileValueReader 本地瓦片读取器
    * @param layerName       图层名
    * @param zoom            级别
    * @param x               瓦片索引坐标x
    * @param y               瓦片索引坐标y
    * @return Png对象实例
    */
  def renderLocalMultibandTile(fileValueReader: FileValueReader, layerName: String, zoom: Int, x: Int, y: Int): Png = {
    renderMultibandTile(fileValueReader, layerName, zoom, x, y)
  }

  /**
    * 渲染存储在HDFS中的单波段瓦片
    *
    * @param hadoopValueReader hdfs瓦片读取器
    * @param layerName         图层名
    * @param zoom              级别
    * @param x                 瓦片索引坐标x
    * @param y                 瓦片索引坐标y
    * @param colorMap          颜色渲染规则
    * @return Png对象实例
    */
  def renderHdfsSinglebandTile(hadoopValueReader: HadoopValueReader, layerName: String, zoom: Int, x: Int, y: Int, colorMap: ColorMap): Png = {
    renderSinglebandTile(hadoopValueReader, layerName, zoom, x, y, colorMap)
  }

  /**
    * 渲染存储在HDFS中的多波段瓦片
    *
    * @param hadoopValueReader hdfs瓦片读取器
    * @param layerName         图层名
    * @param zoom              级别
    * @param x                 瓦片索引坐标x
    * @param y                 瓦片索引坐标y
    * @return Png对象实例
    */
  def renderHdfsMultibandTile(hadoopValueReader: HadoopValueReader, layerName: String, zoom: Int, x: Int, y: Int): Png = {
    renderMultibandTile(hadoopValueReader, layerName, zoom, x, y)
  }

}

测试代码

测试代码是scala编写

package com.tiger.geotrellis.render

import com.tiger.geotrellis.common.render.RenderTiff
import geotrellis.raster.render.{ColorMap, RGB, RGBA}
import geotrellis.store.file.FileValueReader
import geotrellis.store.hadoop.HadoopValueReader
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.Path
import org.junit.jupiter.api.Test

/**
  * 单波段瓦片搜索与渲染
  * 单波段数据源： 福建省pm2.5栅格模拟数据
  * 多波段数据源： 福建省浦城县某一块真彩色遥感影像图
  */
class RenderTiffTest4S {
  /**
    * 测试 渲染存储在本地文件夹下单波段瓦片
    */
  @Test
  def testRenderLocalSinglebandTile(): Unit = {
    //本地瓦片读取器
    val reader = FileValueReader.apply("E:/study/bigdata/geotrellis/testdata/img/layers/")
    val layerName = "singlebandLayerJson"
    val zoom = 9
    val x = 424 //已知在这个位置上一定有数据
    val y = 217 //已知在这个位置上一定有数据
    //pm2.5渲染规则  单波段渲染的时候使用到
    val colorMapPm25: ColorMap =
    ColorMap(
      Map(
        0.0 -> RGBA(255, 255, 255, 1),
        35.0 -> RGB(0, 228, 0),
        75.0 -> RGB(255, 255, 0),
        115.0 -> RGB(255, 126, 0),
        150.0 -> RGB(255, 0, 0),
        250.0 -> RGB(153, 0, 76),
        1000.0 -> RGB(126, 1, 35)
      )
    )
    //调用方法
    val png = RenderTiff.renderLocalSinglebandTile(reader, layerName, zoom, x, y, colorMapPm25)
    //把图片保存到磁盘
    png.write("E:/study/bigdata/geotrellis/testdata/img/render/singlebandLayerJsonLocal.png")
    println("测试完成")
  }

  /**
    * 测试 渲染存储在本地文件夹下多波段瓦片
    */
  @Test
  def testRenderLocalMultibandTile(): Unit = {
    //本地瓦片读取器
    val reader = FileValueReader.apply("E:/study/bigdata/geotrellis/testdata/img/layers/")
    val layerName = "multibandLayerJson"
    val zoom = 18
    val x = 217377 //已知在这个位置上一定有数据
    val y = 109886 //已知在这个位置上一定有数据
    //调用方法,不需要ColorMap默认就是真彩色渲染
    val png = RenderTiff.renderLocalMultibandTile(reader, layerName, zoom, x, y)
    //把图片保存到磁盘
    png.write("E:/study/bigdata/geotrellis/testdata/img/render/multibandLayerJsonLocal.png")
    println("测试完成")
  }

  /**
    * 测试 渲染存储在HDFS中的单波段瓦片
    */
  @Test
  def testRenderHdfsSinglebandTile(): Unit = {

    val configuration = new Configuration()
    val reader = HadoopValueReader.apply(new Path("hdfs://node1:8020/data/test/layers/"), configuration)

    val layerName = "singlebandLayerJson"
    val zoom = 9
    val x = 424 //已知在这个位置上一定有数据
    val y = 217 //已知在这个位置上一定有数据
    //pm2.5渲染规则  单波段渲染的时候使用到
    val colorMapPm25: ColorMap =
    ColorMap(
      Map(
        0.0 -> RGBA(255, 255, 255, 1),
        35.0 -> RGB(0, 228, 0),
        75.0 -> RGB(255, 255, 0),
        115.0 -> RGB(255, 126, 0),
        150.0 -> RGB(255, 0, 0),
        250.0 -> RGB(153, 0, 76),
        1000.0 -> RGB(126, 1, 35)
      )
    )
    //调用方法
    val png = RenderTiff.renderHdfsSinglebandTile(reader, layerName, zoom, x, y, colorMapPm25)
    //把图片保存到磁盘
    png.write("E:/study/bigdata/geotrellis/testdata/img/render/singlebandLayerJsonHdfs.png")
    println("测试完成")
  }

  /**
    * 测试 渲染存储在HDFS中的多波段瓦片
    */
  @Test
  def testRenderHdfsMultibandTile(): Unit = {

    val configuration = new Configuration()
    val reader = HadoopValueReader.apply(new Path("hdfs://node1:8020/data/test/layers/"), configuration)

    val layerName = "multibandLayerJson"
    val zoom = 18
    val x = 217377 //已知在这个位置上一定有数据
    val y = 109886 //已知在这个位置上一定有数据
    //调用方法,不需要ColorMap默认就是真彩色渲染
    val png = RenderTiff.renderHdfsMultibandTile(reader, layerName, zoom, x, y)
    //把图片保存到磁盘
    png.write("E:/study/bigdata/geotrellis/testdata/img/render/multibandLayerJsonHdfs.png")
    println("测试完成")
  }
}

2.结果

测试的某一个瓦片的渲染结果图。
在这里插入图片描述

总结

  • 编写测试了核心的单波段和多波段瓦片搜索渲染的核心方法。
  • 下一篇推出自己编写TMS，在前端地图上展示已经切片好的数据。
  • 欢迎互相学习，交流讨论，本人的微信：huangchuanxiaa。

参考

  • 官方文档：https://geotrellis.readthedocs.io/en/v3.5.1
tiger-hcx
关注
专栏目录
1.1geotrellis3.5.2-栅格数据切片
tiger_hcx的博客
04-05 770
1.1geotrellis3.5.2-栅格数据切片前言步骤1.pipeline简单介绍2.完整的pom文件3.数据源4.编码概述代码文件位置功能代码测试代码5.结果总结 前言 目标：使用geotrellis3.5.2中的pipeline模块进行单波段/多波段栅格数据切片存放在本地磁盘/HDFS 版本描述：geotrellis:3.5.2、scala:2.11.12、hadoop3.0.0、java:1.8 、maven:3.6.1、springboot2.3.9.RELEASE 步骤 1.pipeline
记一次geoserver发布两波段的样式设置
的博客
09-27 193
【代码】记一次geoserver发布两波段的样式设置。
Geotrellis学习笔记（六）——关于mask
qq_32432081的博客
08-09 807
参考资料： http://www.cnblogs.com/shoufengwei/p/5422844.html http://www.cnblogs.com/shoufengwei/p/5852300.html 已知一个polygon，要获取和这个polygon相交的所有瓦片，并且计算相交部分的统计值，再将相交的部分拼成一张图。强大的geotrellis可以轻松的用几行代码解决这个问题： ...
geotrellis使用（九）使用geotrellis进行栅格渲染
weixin_30535565的博客
06-17 350
目录 前言 图像渲染 总结 参考链接 一、前言 前面几篇文章讲解了如何使用Geotrellis进行数据处理、瓦片生成等，今天主要表一下如何使用Geotrellis进行栅格渲染。 昨日完成了两种数据叠加生成瓦片的工作，然而在进行瓦片渲染的时候始终得不到想要的漂亮的颜色效果，由于这块代码是从之前Geotrellis官方DEMO中拷贝过来的，从未进行深究，所以折腾半天也没...
【geoserver】控制栅格服务的波段组合
where_yang的博客
04-29 904
【geoserver】能否控制栅格服务的波段选择？想要假彩色服务怎么做？
GDALBuildVRT异构波段的支持
weixin_33967071的博客
01-12 316
目录 简述 修改源码 1、修改DatasetProperty结构体 2、修改VRTBuilder::AnalyseRaster函数 3、修改VRTBuilder::CreateVRTNonSeparate函数 简述 GDALBuildVRT工具和函数默认都是不支持异构波段的（即要建立虚拟影像目录的文件中有波段与其它有异的，少于指定波段等特征的），公司一个项目中需要支持这个特性，不足的以第1波...
转载：GeoServer发布多层级TIF地图大图数据
java_YHY的博客
08-25 2653
原文转载自：https://blog.csdn.net/gjysk/article/details/104442731 转载仅为方便自身查阅学习，请支持原创作者！ 一、概述 通常情况下，我们所拿到的数据是地图各层级构建好金字塔后的tif文件，每个层级对应一份tif文件，这篇文章主要是要解决多层级地图数据发布的问题。文章中以天地图的数据为例进行演示说明。 二、配置比例尺和坐标(Gridsets) 首先我们需要在Gridsets里添加下载的天地图各层级所对应的比例尺和坐标，按照如下的步骤进行添加。 1、如下图所
GIS相关细节
最新发布
qq_52231465的博客
03-15 454
部分旧版本geoserver是不支持四个波段的，需要把阿尔法波段去掉。
matplotlib-3.5.2-cp310-cp310-win_amd64.zip
11-21
标题“matplotlib-3.5.2-cp310-cp310-win_amd64.zip”指的是一个包含matplotlib库特定版本的压缩文件，版本为3.5.2，专为Python 3.10编译，并且适用于Windows 64位（AMD64）系统。Matplotlib是一个广泛使用的数据...
helm-v3.5.2-linux-amd64.tar.gz
02-19
5. 对旧版本的兼容性：虽然Helm 3放弃了对Helm 2的支持，但这个版本可能会继续改进与早期版本的兼容性，帮助用户平滑迁移。 在使用“helm-v3.5.2-linux-amd64.tar.gz”这个压缩包时，你需要将其解压到LinuxAMD64...
etcd-v3.5.2-linux-amd64.tar.gz
09-20
3. **故障恢复**：etcd使用多副本架构，可以配置为运行多个实例，形成一个集群。如果一个实例失败，其他实例可以接管并保持服务的连续性，确保集群的高可用性。 4. **版本控制**：etcd支持版本控制，这意味着每个键...
1.3geotrellis3.5.2-leaflet加载使用springboot编写的TMS服务
tiger_hcx的博客
04-07 518
1.3geotrellis3.5.2-leaflet加载使用springboot编写TMS服务前言步骤1.编码概述代码文件位置功能代码前端调用2.结果总结参考 前言 目标：在springboot中使用已经切片好的瓦片数据编写发布TMS服务，并使用leaflet加载。 结果预览 步骤 1.编码 概述 本文重点在编写TMS接口，然后在leaflet中使用。 代码文件位置 功能代码 RenderTiff在上篇文章中已经讲解和测试过，本文重点在TmsController package com.tiger
四十. geotrellis使用 优雅的处理请求超过最大层级数据
GIS摆渡人
05-20 219
前言 要说清楚这个题目对我来说可能都不是一件简单的事情，我简单尝试。 研究 GIS 的人应该都清楚在 GIS 中最常用的技术是瓦片技术，无论是传统的栅格瓦片还是比较新颖的矢量瓦片，一旦将数据切好瓦片就会造成其层级固定，假如说 0 - 11 级，请求此层级范围内数据的时候能够正常响应，但是当用户请求超过最高级（假如为 12 ）的时候该如何处理呢？传统方式只能返回 404 ，即显示空白数据，然而有没有更好的方式呢，能够使得用户在请求超过最高级数据的时候能够优雅的并且正确的返回...
geoserver 获取点击位置栅格影像各波段的值
kmblack1的专栏
11-20 1177
变量SE_GEOWORKSPACE为工作空间名称 //查询栅格的值 function getRasterValue(minx, miny, maxx, maxy) { let url = "/geoserver/" + SE_GEOWORKSPACE + "/wms" + "?SERVICE=WMS" + "&VERSION=2.0.0" + "&REQUEST=GetFeatureInfo" + "&FORMA
内网geoserver发布多层级影像数据，并实现调用（使用leaflet）
qq_42751928的博客
06-10 3589
公司近期会有项目需要实现在内网环境下调用高德、百度地图，但是内网与互联网又是物理隔离，无法直接调用各地图api，目前的方法是，将需要使用的地图下载到本地服务器上，并通过geoserver发布为服务，来实现调用。 步骤分为以下几步： 一、下载地图数据 在各种地图下载器中流连之后，发现还是“太乐地图下载器”好用些，下载下来直接就可以发布，只需要注册下就可以。【其他下载器：BIGEMAP下载器、水经注、sxearth等，只是繁琐程度不同，都可以使用】 ‘太乐’下载步骤放在文章末尾，需要请移步（毕竟不是文章重点（0
Geoserver发布切片地图组完整教程
热门推荐
wo_buzhidao的博客
12-04 3万+
Geoserver发布切片地图组完整教程特别注意：geoserver中所有使用的名称都不用使用中文！！！！，以免出现未知错误。 - 下载安装Geoserver 1.下载地址http://geoserver.org/download/，下载后安装版安装，war包办放在tomcat项目中webapps文件夹下，启动后自动部署。 - 发布地图 1.登录网址http://localhost:8080
geoserver发布多层级地图数据（大图拼接/MBTilers规范）
山月记
11-25 1万+
应用场景我是革命一块砖，哪里需要往哪搬！哈哈，身为全栈做的活挺多了，不过公司最近要用geoserver发布地图服务，又要开始了一个陌生的领域的探索。 Geoserver是一款开源免费的地图服务器，功能十分强大。或许我们会碰到这样一个场景，工作在内网下，不能使用外网的天地图资源（手动笑cry），这时我们只能把需要的地图下载下来用geoserver发布了。然而对于多层级的数据地图数据发布方案不是很明确
十八. geotrellis使用 导入多波段Tiff、读取多波段Tile
GIS摆渡人
05-19 629
Geotrellis系列文章链接地址http://www.cnblogs.com/shoufengwei/p/5619419.html 目录 前言 多波段数据导入 读取多波段瓦片 提取单波段 总结 一、前言        之前我们处理的都是单波段的Tiff数据，可以实现瓦片的读取、处理等操作，如果Tiff为多波段Tiff，并且我们不希望在导入的时候将多波段合并成单波段，这时候就需要进行多波段数据处理。多波段数据处理方式基本与...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

tiger-hcx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值