gdal2tiles切图

gdal2tiles切图

切图流程

从原始数据获取所需的最高级别的瓦片,更低级的瓦片只需从这些最高级瓦片一层一层生成.

这样速度更快:因为最高级的瓦片只能利用gdal从原始tif中获取,其速度受tif尺寸影响很大,且从tif上取得级别越低,单次所取范围越大,速度也越慢.举个实际的例子,从原始tif上获取某位置17级的瓦片的时间将远远大于从原始tif获取4张对应位置的18级瓦片,并将其合成的时间.

首先会读取元数据中的坐标范围信息，通过坐标范围在全球中的位置关系可以计算出需要生成的图片编号。如下图所示：

图中的白色实际为透明色，原因是该等级下数据范围只占那么大。

Cesium前端加载逻辑相同，首先获取tilemapresource.xml中的extent，当extent与当前浏览器窗口有交集时才会请求瓦片。

瓦片合并

应用场景：

高分辨率的tif影像数据量高达上百GB，如果直接对其进行切片操作会比较费时，可以先将其分割成多个tif，每个tif分别执行切片操作，最后将瓦片合并到一个文件夹供前端调用。

存在问题：

每个tif切片时都可能会生成同文件夹且同名的瓦片文件，如果直接进行文件夹复制，会导致图像被覆盖，无法展示完整范围的图像。如下图所示：

正常想要的应该是左下角的效果，但是如果直接用文件夹复制，就会导致最后只保留右侧中的一张图片。

问题解决：

在每个tif生成切片时，直接往同一个文件夹生成，在生成png时先判断如果文件夹名称相同且png名称相同的话，需要执行图片合并操作，将两张图片合并为1张。（gdal2tiles.py中实际上有这部分逻辑，需要在调用命令行时加上重采样参数-r antialias，里面会执行Image.composite方法，但是需要注意每个tif切片时对于tilemapresource.xml的更新需要在源码上修改一下，源码中是直接对tilemapresource.xml进行覆盖，应该是进行比较后动态更新里面的数值）

注：如果涉及到切片合并，需要保证待合成的图像都是在antialias重采样模式下生成的，才能够成功合并，否则可能出现黑图情况。

参考链接

[1]. gdal2tiles.py

[2]. gdal2tiles.py翻译版

[3]. gdal2tiles工具

[4]. How it works(14) GDAL2Tiles源码阅读