数据安全态势管理DSPM详解:从数据资产地图到治理闭环

数据安全态势管理DSPM数据资产发现
于 2026-10-29 03:53:36 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 数据安全为什么突然需要"态势管理"

前阵子参加一个安全圈的小型闭门会,有位某零售企业的安全负责人抛了个问题:公司上了DLP、数据库审计、脱敏平台、CASB,一套组合拳打下来,理应固若金汤。但一次高管问"我们的客户手机号到底存在哪几个地方、哪些人能碰到",他抬手想调报表,翻了半个多小时,发现没有一个平台能直接回答。这个场景我太熟了。

问题不在于缺工具,而在于工具各自为政。DLP看的是"数据往外走那一下",数据库审计看的是"数据库里谁查了什么",CASB看的是"SaaS应用里的访问行为",但它们都默认你事先知道数据在哪儿。真实世界里,数据早就散了——云上的对象存储、开发环境的测试库、销售团队自建共享文件夹、财务那边的低代码平台,甚至某个离职员工的个人网盘备份。数据安全态势管理(DSPM,Data Security Posture Management)就是冲着这个问题来的:先把"数据到底在哪、谁在动、风险多大"这件事变成一张可以持续更新的地图,再围绕这张地图做治理。这篇文章我尽量用做项目的口吻,把这个概念拆开讲清楚,适合正在了解数据安全体系怎么搭、或者准备评估DSPM产品的团队。

1.1 数据不再乖乖待在内网

十年前做安全的思路很简单:机房是城堡,防火墙是城墙,数据都在城墙里面,守住边界就守住了大半数据。今天这个前提基本塌了。

业务上云之后,数据存储位置变成了"多云混合"。同一个客户的隐私数据,可能在核心交易库里有一份主档,在数据分析平台上有一份清洗后的副本,在BI报表工具里有一份聚合结果,在某个临时脚本生成的文件里有第三份。更麻烦的是,开发测试环节为了省事直接复制生产数据,测试环境的安全水位通常比生产环境低一个量级。我见过不止一家企业,生产库权限管得死死的,测试库却挂着弱口令躺在公网可达的位置。

再加上SaaS应用大量普及:CRM、在线文档、协同表格、项目管理系统,业务同事自己就能注册账号开用,根本不需要走IT审批。这些"影子数据"游离在安全团队视线之外,却恰恰是高价值数据被拖走的常见途径。

这就是DSPM出现的背景:数据安全的重心从"管住边界和通道"转向"管住数据本身的位置与状态"。先回答"在哪里",才有资格谈"怎么护"。没有一张动态的数据资产地图,后面所有策略都是盲打。

1.2 "态势"这个概念想解决什么问题

"态势"这个词最早来自军事领域的"态势感知",意思是:你不是只盯着一架敌机,而是对整个战场里敌我双方的位置、动向、威胁等级有一个全局研判。放到数据安全里翻译一下,就是三个持续动作:

  1. 持续发现:不停扫描云账号、数据库、数据仓库、对象存储、SaaS应用里的数据对象,识别新出现的数据存储位置。
  2. 持续评估:针对每个数据对象检查"配置是否安全"、"权限是否合理"、"访问行为是否异常"、"是否触发合规义务"。
  3. 持续治理:把评估结果变成可执行的处置工单,比如自动收紧过度授权的存储桶策略、通知数据Owner确认敏感数据、冻结异常账号。

我习惯用一个生活化类比来解释:过去的安全建设像年年体检,各项指标分开查,血压是血压、血糖是血糖,报告散落在不同科室。DSPM做的事情,是把这些指标合在一张电子健康档案上,并且不是一年查一次,而是七乘二十四小时监控,一旦某项指标异常,系统直接通知对应的"身体部位负责人"去处理。它不一定替代具体科室的检查设备,但它是那个把全局状态串起来、逼着你去行动的东西。

这就是"态势管理"真正的含义——不是又一个单点检测工具,而是一套以数据为中心的持续观测与治理闭环。

2. DSPM到底管什么:五大核心能力拆解

市面上的DSPM产品功能清单写得天花乱坠,但其实核心能力就五块。我把每一块拆开说,你就知道评估一个产品时该重点看什么了。

2.1 数据资产发现与测绘

这是DSPM的地基。系统通过对接云平台的API、数据库连接协议、SaaS应用的开放接口,去枚举你能访问到的所有数据存储位置:云上对象存储桶、关系型数据库、数据仓库、数据湖、大数据组件、消息队列、SaaS业务系统,然后对每个存储位置做内容层面的采样识别。

这里务必注意"内容层面"四个字。传统CMDB或者云资产盘点只登记"这是个MySQL实例、大小多少",DSPM要做的是往数据里面看:这个库里有哪几张表存了身份证号?那个S3桶里有没有包含银行卡号的CSV文件?离线备份里是不是躺着一份未脱敏的用户全量导出?这种能力依赖内置的敏感数据识别规则库,常见的有姓名、手机号、身份证、银行卡、邮箱、地址、经纬度、医疗信息等类型,好的产品还会支持自定义正则和机器学习模型识别非结构化的合同、聊天记录、日志里的敏感片段。

发现环节的产出是一份"数据资产清单+敏感数据分布图"。我建议大家在验收这个概念时,直接问对方一个问题:你们能连接哪些数据源?内置了哪些敏感数据识别规则?对一份没见过的业务系统的自定义文件格式,需要多长时间能识别出来?答不上来这一层的产品,基本都是拿"连接了几个数据源"的空泛宣传在糊弄。

2.2 数据分类分级

光知道"哪里有敏感数据"还不够,还得知道"这堆敏感数据有多重要"。分类分级就是给数据定"身份等级"。

分类维度通常包括业务属性(客户数据、财务数据、人力资源数据、研发数据、生产运营数据)和敏感属性(个人隐私、受监管数据、商业机密)。分级维度则参照合规要求和业务影响,普遍做法是四级或五级:公开、内部、敏感、机密,或者更细的L1到L4/L5。大量产品会内置GDPR、CCPA、网络安全等级保护、数据安全法、个人信息保护法之类的合规场景模板,自动把数据映射到对应的监管条款上。

这一步的难点不在技术,而在业务共识。技术团队能识别出"这张表里有手机号",但"手机号字段属于敏感级还是机密级,取决于这个字段服务的是什么业务场景",需要业务方拍板。所以现实中DSPM项目里的分类分级工作,从来不是安全团队单方面能定的,而是需要拉上数据Owner和法务一起过一遍。好的工具一定会提供分级打标的协作流程,而不是只甩给你一个配置文件自己改。

2.3 权限与访问治理

数据发现做完之后,你会面临一个让人后背发凉的事实:很多敏感数据的访问权限远大于应有范围。常见的有三种情况:

  • 存储桶或数据库账号权限过大:对象存储策略写成通配符*,员工账号挂在管理员组里,内部开发账号拥有生产库的DDL权限。
  • 幽灵账号和闲置权限:离职员工账号没禁用,合作供应商账号在项目结束后仍然保留访问权,服务账号的密钥从来没轮换过。
  • 特权账号滥用:DBA、运维人员用高权限账号日常业务查询,权限面无法收敛。

DSPM的权限治理能力,是把数据对象与身份账号之间的授权关系抓出来,和"数据分级"做交叉比对,形成一条条风险条目:该账号持有超过其岗位必要级别的数据访问权,风险等级高,应整改。再配合身份治理系统或云IAM策略,能直接发起权限变更工单,或自动执行最小权限收敛。

这里多说一句:DSPM看到的权限和传统身份治理看到的权限,颗粒度不一样。传统IAM管的是"这个用户能访问哪些系统",DSPM管的是"这个用户能读取哪些具体数据字段、能下载哪些数据文件"。前者是系统级,后者是数据级,后者才是数据安全真正关心的。

2.4 风险评估与态势打分

把发现、分级、权限三块数据汇总之后,DSPM会做一道综合研判题,输出每个数据对象、每个数据域、乃至整个企业的"数据安全态势评分"。评分维度一般包括:

  • 暴露风险:敏感数据是否被配置为公开访问、是否存放于公网可达的存储中。
  • 访问风险:过度授权账号数量、特权账号使用频率、异常地理位置访问。
  • 流转风险:敏感数据是否被复制到测试环境、是否经DLP等通道外发、是否存在违规下载行为。
  • 合规风险:未映射到合规条款的敏感数据、留存超期的个人数据、跨境传输场景。

态势评分的价值不在于那个数字本身,而在于它可以做两件事。第一,横向对比:不同业务线之间谁的风险水位最高,管理者可以直接点名问责。第二,纵向跟踪:整改动作执行了一个季度,评分提升了多少,安全投入的ROI有了量化出口。我在实际推动项目时发现,给老板汇报"我们一共发现213个高风险数据对象、整改后下降到47个",比汇报"我们部署了一套安全系统"有说服力得多。

2.5 合规映射与处置闭环

最后这块能力把DSPM从"监控工具"变成"治理平台"。围绕数据保护法规(国内这边常见的是数据安全法、个人信息保护法和等保测评要求),系统自动检查当前的数据处理活动是否满足对应条款:个人信息的收集有没有超出最小必要范围?敏感生物识别信息是不是单独存储了?重要数据的跨境传输有没有审批记录?超长留存的日志数据该不该自动清理?这些检查结果直接生成合规差距清单。

处置闭环则是指风险发现之后不能停在列表里。成熟的DSPM会提供工作流引擎:自动创建工单、按规则分配给数据Owner、设定整改时限、验证处置结果、关闭工单。高级一点的还能联动防火墙、云安全组、DLP策略,实现自动化阻断。比如检测到一个敏感数据存储桶被配置为完全公开,策略引擎可以直接调用云平台的API把桶策略收回去,全程不需要人工介入。这个"发现即处置"的闭环,决定了一个DSPM项目的真实治理效率。

3. 别再和DLP、CASB、CSPM混为一谈

DSPM最容易被搞混的,就是和DLP、CASB、CSPM这几类名字相似的兄弟产品。很多朋友问"我上了某云厂的CSPM,是不是DSPM就不用上了",我的回答是:看你想解决什么问题,但大概率两者都得有。

3.1 各家工具的"眼睛"看的是不同问题

CSPM全称是云安全态势管理,管的是云基础设施的配置风险和合规风险。它看的是"这朵云里,虚拟机、网络、存储、IAM这些基础设施配得安不安全",比如安全组是不是放开了22端口、对象存储有没有开公共访问、有没有启用加密。说白了CSPM是管"房子本身"的。

DLP全称是数据防泄露,管的是数据流转环节的监控和阻断。它通常部署在网络出口、终端和邮件网关这些"通道"上,盯着数据是不是要离开你的控制边界。DSPM则完全以数据为中心,它不关心通道,只关心数据实体本身的位置、权限和使用状况。

CASB全称是云访问安全代理,管的是用户访问SaaS应用和云服务时的行为管控,比如单点登录、权限治理、异常行为检测、影子IT发现。

用一句话区分:CSPM看基础设施,CASB看访问行为,DLP看流转通道,DSPM看数据本体及其被访问的态势。

3.2 一张表格理清边界

工具类型 核心观测对象 典型问题 主要能力 覆盖层
DSPM 数据对象及其位置、权限、流转 敏感数据在哪?谁在访问?权限是否过大? 数据发现、分类分级、风险评估、处置闭环 数据层
CSPM 云基础设施配置 存储桶是否公开?安全组是否过宽? 配置合规检查、基础设施风险扫描 基础设施层
DLP 数据流转通道 敏感数据是否经邮件、网盘、终端外泄? 内容识别、通道监控、阻断 网络/终端边界
CASB 用户对云应用的访问行为 谁用了哪些SaaS?访问行为是否异常? 单点登录、行为分析、影子IT管控 访问/应用层

3.3 DSPM和它们是怎么协作的

实际部署中,只要预算允许,这些工具是上下游协作关系,而不是替代关系。举一个真实的联动场景:

某企业的DSPM在做数据发现时,定位到一个位于海外地域的S3桶里存放着包含身份证号、银行卡号的业务导出文件,且桶策略设为"任何人可读"。CSPM也能发现这个桶是公共读的,但它不知道里面的数据是敏感个人数据,顶多报一条"公共读配置风险"。DSPM则能进一步判定"敏感数据+公开访问+公网可达"属于最高等级风险,直接触发处置。

接下来DSPM调用了云IAM接口收回公开访问策略,同时把事件同步给DLP,将这个桶的出口加入重点监控规则;CASB在用户侧追踪到,过去一周有3个账号曾从这个桶下载过文件,顺藤摸瓜发现其中两个账号是已离职员工的遗留账号。你看,单一工具只能看到自己那一层,组合起来才是一条完整的风险处置链。

当然,不是所有企业一上来就有条件四件套齐上。比较理性的路径是:先上DSPM把数据底数摸清楚,因为数据发现得到的分类分级信息,反过来能指导CSPM的优先检查、DLP的策略配置、CASB的访问规则,让后三者的部署从"猜"变成"按图索骥"。

4. 从概念到落地:DSPM项目怎么一步步推进

概念说多了容易飘,我聊点实打实的推进路径。一个企业要从零开始跑起DSPM项目,我建议分成四个阶段,每个阶段都有明确的交付物和验收标准,避免项目变成"审计报告PPT"。

4.1 第一阶段:先搞清楚自己手里到底有什么

选一个旗舰云账号或者核心业务区域作为试点,接入DSPM平台,配置数据源连接凭证。这一步的关键动作是"把能连的都连上":云对象存储、关系型数据库、数据仓库、大数据平台、常用SaaS接口。连接过程中最常遇到的问题就是云账号的只读权限配置不对,导致扫描器访问不了存储元数据。我建议选型时直接问厂家要一份"最小权限策略模板",省去自己逐个接口调试的时间。

试点跑完,交付物是一份数据资产盘点报告:多少个存储位置、多少库表、多少文件,敏感数据的分布情况,识别出多少陌生存储位置。这个阶段通常不需要动任何现有策略,纯观测性质,业务方抵触最小,是最好推进的阶段。

一个重要提醒:扫描器本身需要一定的资源开销,大规模做全量内容指纹识别的性能消耗不小。试点阶段就要做好扫描频率和扫描深度的规划,比如全量扫描安排在业务低峰期,日常只用变更增量扫描。

4.2 第二阶段:给数据打标签,定级

分类分级是DSPM的枢纽,因为后续所有风险评估都要依赖数据等级。这个阶段必须拉上业务部门一起做,不能安全团队自己闷头定。

我的做法是这样的:先把DSPM自动识别出来的敏感数据清单导出成表格,按业务域分组,发给对应的数据Owner,让他们确认每一类数据的"业务重要程度"和"最坏泄露场景下的影响等级"。安全团队提供初始建议值,业务方确认或修订,最后在DSPM平台里落地分级打标。两边有分歧的,再拉法务介入,以合规要求为准。

这里有一个常见的坑:分级维度过细过复杂,定了七八个维度、十几个等级,业务方根本填不过来。我建议初期先定"数据等级"和"所属业务域"两个主字段就够了,后续再按需扩展。等级建议就四档:L1公开、L2内部、L3敏感、L4机密。定得太细,治理体系会被自己的复杂度拖垮。

4.3 第三阶段:评估风险基线

分级打标完成后,DSPM才开始真正发力。系统会把数据等级和权限配置、访问行为、存储位置、加密状态交叉分析,生成完整的风险清单。这一步要做的不是赶紧整改,而是先"定格"当前水位,形成风险基线。

我在交付过的项目里,这个阶段出来的报告往往相当刺激。有一个客户第一次跑全量评估,发现L4级机密数据中有超过40%被超过必要范围的账号访问,十几个对象存储的策略允许公网写入,敏感数据的副本散落在四个环境里,其中一个还是没有任何日志审计的开发沙箱。这些发现单拎哪一个出来,在之前的合规检查里其实都被部分覆盖过,但从来没有被汇总成一张"数据风险全景图"。

基线的意义在于给整改提供优先级依据。风险条目动辄上千条,不可能一口气全消,按"数据等级×暴露程度×访问规模"算出一个风险值排序,先处理最top的那批。我见过有些团队一上来就想把所有问题清零,结果整改流程跑了两周就崩了,正确节奏是"高优先级快切、中优先级按月滚动、低优先级进季度计划"。

4.4 第四阶段:策略编排与自动处置

风险基线稳定之后,就要从"发现问题"转向"自动治理"了。DSPM平台通常会提供策略编排能力,你可以定义类似这样的规则:"如果检测到L3及以上级别的数据对象被配置为公网可读,立即自动收回公共读取权限,并创建工单通知数据Owner"。再比如:"任何包含L4数据的存储位置,必须开启服务端加密,否则阻断新建写入请求"。

这个阶段要特别注意"处置的误伤问题"。自动收回权限看着爽,但万一有合法业务真的需要特定网段访问呢?所以自动化策略一定要分两步走:先跑一段时间的"灰度模式",只告警不处置,观察告警与业务实际请求是否冲突;确认规则准确率足够高之后,再开启自动处置。另外所有自动处置动作都要有审计日志和快速回滚通道,这是上线前必须满足的条件,否则一旦误断,安全团队就要背"业务中断"的锅。

跑完这四个阶段,基本上一个企业就拥有一套"看得见、管得住、处置得掉"的数据安全治理闭环了。整个过程快则三个月,慢则半年以上,取决于数据源复杂度、业务配合度和已有安全基础设施的成熟度。

5. 踩坑实录:我在DSPM实践中遇到的几个真问题

说了一路的"应该怎么做",现在我得诚实交代一下实操里遇到过的问题。这些坑基本每个团队都会踩,提前知道能省不少事。

5.1 影子数据多到超出预期

第一次全量扫描上来的结果里,往往会出现一堆"无主数据":某个云账号里躺着一个其他人都不认识的对象存储,里面是半年前的某次营销活动临时上传的素材包;某个开发用的MySQL实例里,除了应用配置文件还藏着一张老客户信息表。这些数据的Owner基本找不到人,连它是怎么被创建出来的都说不清楚。数据安全的第一步是"数据资产属性明确",但大量影子数据连个负责人都没有,分类分级根本无从谈起。

我的处理方式是先"框定责任边界":给无主存储位置设一个90天的"孤儿数据观察期",期间只监控不处置,同时发公告要求各业务线认领;到期仍无人认领的,按数据敏感度决定是归档还是删除。这里没有任何捷径,就是要靠组织手段硬推。安全工具能发现影子数据,但清理影子数据,靠的是管理层给的授权和业务线的配合。

5.2 API权限是最大的风险口

多数DSPM产品通过云API连接数据源,连接凭证本身有了"读取所有存储元数据"的能力,这类凭证的安全级别要按最高等级对待。我就见过一个项目的扫描凭证密钥被提交到了代码仓库里,等于把"打开所有敏感数据地图的钥匙"直接交了出去。

对策其实很简单:为DSPM扫描器单独创建服务账号,严格限定只读权限,密钥走密钥管理系统托管并定期轮换,禁止在配置文件中明文存放。另外建议给扫描账号启用云厂商的访问日志,任何使用该账号的异常行为都能被追溯。听起来都是基础操作,但真到项目交付时检查,十有八九有团队会踩这个坑。

5.3 分类分级标准定不好,后面全白搭

很多团队一上来就追求完美:分级维度定义了好几套,既参考了等保的级别划分,又参考了金融行业标准还要兼顾跨境传输场景。结果业务方看不懂、填不了、最后干脆把分级字段全部填成"敏感"了事。一旦分级失去区分度,整个风险排序就变成一刀切,所有数据看着都像最高风险,最终等于没有风险,治理动作也找不到抓手。

我的建议是:标准先粗后细。第一版就按那四档来,确保业务方能凭常识完成80%以上数据的标注。运行一个季度之后,再根据真实风险分布情况,细化出场景化的子类标签,比如"客户个人数据-住址"、"财务数据-支付凭证",让标签真正贴近业务流程。分级标准是在使用中长出来的,不是上线前一次性拍出来的。

5.4 别把合规映射做成"为了检查而检查"

合规检查很容易变成机械化的勾选动作:系统提示"该数据对象未映射GDPR条款",负责的同事点了"已确认",工单关闭,完事。但实际上这个映射动作完全没落到业务实践里,数据该跨境传输照样传输、该超期留存照样留存。

我在做项目复盘的时候总结过一条原则:合规映射必须绑定"限制动作",而不仅仅是"检查动作"。比如映射到"数据最小化留存"这一条时,同时绑定一个周期任务,定期扫描该数据对象的最后访问时间和内容变化情况,一旦发现超出了规定的留存周期,系统自动发起删除审批流。把"检查项"变成"持续执行的策略",合规才不是一张挂在墙上的告示。

6. 给准备选型的人一些实在参考

聊完了概念、能力、落地路径和踩坑经历,最后给准备选型DSPM产品的团队一些可操作的建议。

6.1 工具选型看什么

不要被厂商的"全栈能力"宣传带跑。我给的清单是:

  1. 数据源覆盖度:先拉一张自家现有数据资产清单,挨个问对方"这个能不能连"。数据库类型、云服务商、SaaS应用,连接能力是不是原生的,还是需要通过通用接口二次开发。原生连接和通用抓取,扫描深度和稳定性差着档次。
  2. 敏感数据识别质量:直接拿一份脱敏的真实业务数据做成测试文件,扔给对方做识别测试,看准确率和误报率。别听Demo里的演示数据,没有业务特色的数据看不出真实水平。
  3. 分类分级工作流:是不是支持按业务域分配审核任务、数据Owner有没有便捷的审核界面、分级结果能不能批量导入导出。这些反而不起眼的功能,决定项目推进时业务方愿意配合的程度。
  4. 处置闭环能力:能不能对接你们现有的工单系统、企业微信或钉钉的审批流、云平台的IAM接口。发现风险只是开始,能不能在预算内把处置动作跑通,才是项目价值的兑现点。
  5. 部署形态:纯SaaS版、私有化部署还是混合部署,各有利弊。敏感数据发现这个环节讲究"以数据为扫描对象",如果企业对数据出域有强约束,那么私有化部署几乎是硬性前提。

产品各有差异,没有"最好",只有"匹配你的数据环境和企业治理流程"。

6.2 上线多久能看到效果

这是老板们最关心的问题。以我的经验,一个有明确负责人的中型企业试点项目,四周左右能完成核心数据源接入和第一轮扫描,出第一版资产清单;两个月左右能完成分类分级的初版落地,产出风险基线报告;三个月左右跑通处置闭环的核心风险条目。看到这里你可能觉得"还挺快",但请务必理解,能看到效果的前提是试点范围控制得好,以及业务方愿意配合分级打标。任何一环节卡壳,时间线都会显著拉长。

6.3 衡量项目价值的三个指标

最后建议团队用三个指标衡量DSPM项目的真实价值:

  1. 敏感数据资产覆盖率:经过发现的敏感数据量/应审计范围内预估的敏感数据总量。覆盖率越高,说明盲区越小。
  2. 高风险条目下降量:以风险基线为起点,月度统计高风险风险条目的关闭数量和下降趋势。这是治理动作是否有效最直接的证据。
  3. 平均处置时长:从发现高风险数据项到完成处置的平均时间,从基线的"无人知晓"缩短到"数小时闭环",就是项目价值的体现。

做数据安全的人经常被问到:上了一堆平台,到底防住了什么?DSPM给了一个相对诚实的答案——它能让你第一次真正看清自己手里的牌。看清之后能不能打好,考验的就是流程、组织和技术一起配合的功夫了。我在实际项目里最大的体会是,DSPM不只是一个采购项,它更像一面镜子,把过去那些"以为管住了、其实没管住"的地方全部照出来。照出来的过程不舒服,但这是每个认真做数据安全的团队迟早要面对的一天。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
零基础玩转STM32CubeIDE LL库:5分钟搞定串口通信(附完整代码)
本文为零基础开发者提供了一份STM32CubeIDE LL库串口通信的快速实战指南。通过CubeMX配置、LL库核心API详解,以及中断接收与环形缓冲区的完整代码实现,帮助读者在5分钟内搭建稳定可靠的串口收发框架,解决从HAL切换到LL库的常见困惑,提升嵌入式开发效率。
王瑞恩