Cesium 加载 MVT 矢量瓦片:核心原理、方案选型与性能优化指南

MVTCesium矢量瓦片
于 2026-10-29 06:33:15 修改
·本内容遵循CC 4.0 BY-SA版权协议

前段时间处理一个区域三维可视化项目,后端直接甩过来一份 GeoJSON,一个区县范围动不动十几 MB,Cesium 加载以后浏览器直接卡成 PPT,缩放拖拽都要等半天。后来把数据切片成 MVT(Mapbox Vector Tiles,矢量瓦片)按需加载,才算把性能和体验都救了回来。这篇把我在 Cesium 里加载 MVT 的完整思路、方案选型和踩坑记录整理一下,给打算用矢量瓦片的同学做个参照。

1. MVT 格式本质:为什么矢量瓦片越来越流行

1.1 一句话认识 MVT

MVT 的全称是 Mapbox Vector Tile,是 Mapbox 提出的一套矢量瓦片规范,后来在 2015 年被 OSGeo 接纳为开放标准。它把地理范围按金字塔结构切分成若干张瓦片,但瓦片里存的不是像素,而是经过二进制编码的矢量几何数据(点、线、面)和属性数据。客户端拿到瓦片后自行渲染,因此放大不模糊、样式可动态替换,交互也比栅格瓦片灵活得多。

最关键的是,MVT 的编码压缩效率极高。它基于 Google Protocol Buffers(也就是 Protobuf)做序列化,字符串按字典存储,坐标用 ZigZag + Delta 编码压缩,体积往往只有同等 GeoJSON 的十分之一到二十分之一。这在处理大范围矢量数据时优势非常明显,也是我最终选择它的核心理由。

1.2 MVT 的内部结构:瓦片、图层、要素

MVT 的结构可以理解成一个三级嵌套:一张瓦片(Tile)里包含多个图层(Layer),每个图层里又包含多个要素(Feature)。

图层相当于一个要素集合,每个图层有名字,比如 road、building、water。地理语义相近的要素往往会放在同一个图层里,客户端可以根据图层名做单独控制。要素则包含几何和属性两部分,几何类型支持 Point、MultiPoint、LineString、MultiLineString、Polygon、MultiPolygon,基本上覆盖了矢量的全部形态。

这里要特别提一下坐标系统。MVT 瓦片的几何坐标并不是经纬度,而是瓦片局部坐标系,标准 extent 通常是 4096。也就是说,一张 256x256 的瓦片,内部坐标被划分成 4096x4096 的网格。这样设计的目的是让精度更高,但也意味着前端拿到几何后必须做一步坐标换算,否则画出来的东西位置完全不对。后面实操部分我会专门演示这个换算过程。

1.3 MVT 和 GeoJSON、栅格瓦片的对比

很多同学会问:GeoJSON 用得好好的,为什么非得换成 MVT?我列过一张对比表,差别其实很直观。

对比项 MVT 矢量瓦片 GeoJSON 栅格瓦片(PNG/WebP)
数据体积 极小 大 小
矢量交互 支持 支持 不支持
动态换样式 支持 支持(需要重新加载) 不支持
按需分块加载 天然支持 需要自己切 天然支持
前端渲染压力 中 小 小
调试难度 高(二进制) 低 低
后端切片成本 低 无切片,但传输大 高

GeoJSON 最大的问题不是格式本身,而是它在海量数据面前体积太大。一次全量加载,网络传输慢、前端解析慢、Entity 创建也慢,三点叠加就是卡顿的根源。栅格瓦片虽然体积小、加载快,但样式是后端渲染定死的,前端没法做要素级交互,比如鼠标划过识别地块ID这种需求它完全做不到。MVT 正好卡在中间,既保留了矢量交互,又靠分块和压缩把体积控制住了。

1.4 MVT 适合解决什么问题

从我自己的实践看,MVT 特别适合下面几类场景。

一是大范围、大数据量的矢量展示。比如全省的道路网络、全国的基础地理图层,全量 GeoJSON 根本没法直接交给浏览器。切成 MVT 后,前端只加载当前视野范围内的瓦片,每张瓦片读取和解析成本都很低。

二是需要动态切换主题的场景。同一个 MVT 数据源,前端可以在运行时把道路的颜色、宽度、透明度全部改掉,不需要重新请求数据,这在做昼间/夜间模式时尤其方便。

三是需要做空间要素交互的场景。用户点击某个地块,前端能直接获取这个要素的属性数据。栅格瓦片做不到这一点,这也是很多业务系统最终倒向 MVT 的原因。

2. 三种加载 MVT 的方案,怎么选最合适

2.1 方案一:服务端转栅格,Cesium 直接加载

思路很简单:MVT 数据放在服务端,用 tileserver-gl、martin 这类工具把矢量瓦片实时渲染成 PNG 栅格瓦片,Cesium 端通过 UrlTemplateImageryProvider 加载普通栅格瓦片接口。

这个方案实现成本最低,代码量也最少,而且兼容性最好,不管 Cesium 几代版本都能跑。但它本质上是把 MVT 的矢量优势给“阉割”掉了,前端拿到的是图片,做不了要素点击,样式定制也受限于服务端渲染规则。适合那种只把地图当底图、不需要交互的业务,比如调度大屏里的背景地图。

2.2 方案二:MVT 转 GeoJSON,用 GeoJsonDataSource 加载

这是目前社区里用得最多的做法。前端用 @mapbox/vector-tile 这个库把 pbf 二进制解析出来,调用 feature.toGeoJSON() 转成 GeoJSON Feature,然后统一收集成一个 FeatureCollection,交给 Cesium 的 GeoJsonDataSource.load 去创建 Entity。

好处是链路非常清晰,Cesium 原生 API 就能搞定,不需要引入复杂的自定义渲染逻辑,项目里只要会 Cesium 基本操作的同学都能上手。缺点是 GeoJsonDataSource 内部是逐要素创建 Entity 的,要素数量一旦上去,性能就会明显下降。对于中低数据量、快速验证原型、交互要求一般的项目,这个方案足够用。

2.3 方案三:自定义 Primitive,按几何类型直接绘制

如果想要大数据量下的极致性能,就需要绕开 Entity 机制,自己解析 MVT 后把同类型几何合并,用 Cesium.Primitive 或 GeometryInstance 批量绘制。

这个方案性能最好,但开发成本也最高。你需要自己处理坐标换算、几何合并、多边形环绕顺序、材质覆盖、视野裁剪等等问题,很多细节在网上找不到现成答案。适合数字孪生、大屏指挥中心这类需要海量数据且性能要求极高的项目。

2.4 我建议的选型逻辑

我的经验是:项目初期不要一上来就追求 Primitive。先用方案二把 MVT 解析工具层做好,跑通业务效果,然后再根据实际帧率决定要不要向方案三迁移。多数业务场景下,方案二配合瓦片缓存和数量控制,是性价比最高的选择。如果一开始就啃 Primitive,很容易陷入几何调试的海洋,业务迟迟出不了成果。

我整理了一个简单的选型思路供参考:

判断条件 推荐方案
只需要底图,无交互 方案一:服务端转栅格
交互为主,单屏要素 5000 以内 方案二:GeoJsonDataSource
单屏要素 5000 以上,或需要动画高性能 方案三:自定义 Primitive
团队对 Cesium 底层不熟,想快速上线 方案二,后续再升级

3. 实操:在 Cesium 里一步步加载 MVT

3.1 准备数据与依赖

第一步先把数据源搞定,MVT 服务要返回标准的 pbf 二进制,接口形式一般是 https://your-host/tiles/{z}/{x}/{y}.pbf。如果你手头只有 GeoJSON,也可以先用 geojson-vt 在服务端切片成 MVT,或者用 tippecanoe 离线切片再发布。

前端依赖安装两个库就够了:

BASH
npm install pbf @mapbox/vector-tile

pbf 负责解析 Protobuf,@mapbox/vector-tile 负责把二进制数据抽象成瓦片、图层、要素对象。另外建议装一个 @mapbox/tilebelt,用来做经纬度和瓦片编号的换算,非常省事。

BASH
npm install @mapbox/tilebelt

Cesium 版本我建议用 1.98 以上,新一些的版本对 GeoJsonDataSource 的加载和渲染稳定性更好。我这里用的是 1.107,实测没有问题。

3.2 核心流程总览

整个加载链路按顺序拆开是这样:

  1. 根据当前相机视野,计算出需要加载哪些 z/x/y 瓦片
  2. 对每个瓦片发 fetch 请求,拿到 arrayBuffer
  3. 用 pbf + vector-tile 解析出图层和要素
  4. 把每个要素转成 GeoJSON Feature
  5. 收集成一个 FeatureCollection,交给 GeoJsonDataSource 加载
  6. 把瓦片数据源缓存起来,相机移动后清理视野外的瓦片

核心难点在第 1 步和第 4 步。第 1 步需要理解 Cesium 的相机坐标系,第 4 步需要注意 toGeoJSON 的参数是瓦片编号 z/x/y,不是经纬度。

3.3 关键代码实现:计算视野内瓦片范围

先看怎么根据相机视野计算瓦片范围。我一般用 camera.computeViewRectangle 拿到当前视角对应的经纬度矩形,然后用 tilebelt 换算成瓦片编号。

JAVASCRIPT
import * as Cesium from 'cesium';
import * as tilebelt from '@mapbox/tilebelt';
 
function getVisibleTiles(viewer, zoom) {
// 获取当前视野对应的经纬度矩形
const rect = viewer.camera.computeViewRectangle();
if (!rect) return [];
 
// 矩形的西南角和东北角
const west = Cesium.Math.toDegrees(rect.west);
const south = Cesium.Math.toDegrees(rect.south);
const east = Cesium.Math.toDegrees(rect.east);
const north = Cesium.Math.toDegrees(rect.north);
 
// 用 tilebelt 把经纬度换算成瓦片编号
// tilebelt.pointToTile(lon, lat, zoom) 返回 [x, y, z]
const minTile = tilebelt.pointToTile(west, north, zoom);
const maxTile = tilebelt.pointToTile(east, south, zoom);
 
const tiles = [];
for (let x = minTile[0]; x <= maxTile[0]; x++) {
for (let y = minTile[1]; y <= maxTile[1]; y++) {
tiles.push({ z: zoom, x, y });
}
}
 
return tiles;
}

这里 zoom 怎么定?最简单的方式是根据相机高度估算,也可以用 Cesium 的分屏器计算。我在项目里用的是高度估算法,经验公式大致是:zoom 越小,视野越广;zoom 越大,视野越细。你可以在 camera.changed 事件里打印 camera.positionCartographic.height,对照你想要加载的数据量,调出一个适合自己项目的经验值。这个值不需要特别精确,因为后面的瓦片缓存机制会把重复请求挡住。

3.4 关键代码实现:解析 MVT 并转 GeoJSON

拿到瓦片编号后,重点来了——把 pbf 二进制解析成 GeoJSON。这一步是整个方案的核心,理解了这段代码,后续就畅通了。

JAVASCRIPT
import Protobuf from 'pbf';
import { VectorTile } from '@mapbox/vector-tile';
 
async function fetchMvtToGeoJson(url, z, x, y) {
const response = await fetch(url);
if (!response.ok) {
throw new Error(`Failed to load tile: ${response.status}`);
}
 
const buffer = await response.arrayBuffer();
 
// 用 pbf 解析 Protobuf 二进制
const tile = new VectorTile(new Protobuf(buffer));
 
// 汇总所有要素
const features = [];
 
// 遍历图层
const layerNames = Object.keys(tile.layers);
for (const layerName of layerNames) {
const layer = tile.layers[layerName];
 
// 遍历图层里的每个要素
for (let i = 0; i < layer.length; i++) {
const feature = layer.feature(i);
 
// 核心:把瓦片局部坐标转成经纬度坐标
// 注意参数顺序是 x, y, z,也就是瓦片编号,不是经纬度
const geojson = feature.toGeoJSON(x, y, z);
 
// 给要素打上图层名标记,方便后面按图层设置样式
geojson.properties = geojson.properties || {};
geojson.properties.layerName = layerName;
 
features.push(geojson);
}
}
 
return {
type: 'FeatureCollection',
features
};
}

很多刚接触 MVT 的同学会在 toGeoJSON 这里踩坑,误以为参数要传坐标范围,其实这里需要的就是瓦片编号 x/y/z。vector-tile 内部会自动计算当前瓦片的经纬度范围,把局部坐标换算成真实经纬度,这个细节务必记住。

3.5 关键代码实现:加载到 Cesium 并动态设置样式

解析完成后,后续就是 Cesium 的常规操作了。把 FeatureCollection 交给 GeoJsonDataSource.load,设置默认样式,然后遍历 entities 根据属性重新设置颜色。

JAVASCRIPT
async function loadMvtTileToViewer(viewer, tile) {
const { z, x, y } = tile;
const url = `https://your-host/tiles/${z}/${x}/${y}.pbf`;
 
const geojson = await fetchMvtToGeoJson(url, z, x, y);
 
// 如果当前瓦片没有任何要素,直接跳过
if (geojson.features.length === 0) {
return null;
}
 
// 默认样式
const dataSource = await Cesium.GeoJsonDataSource.load(geojson, {
stroke: Cesium.Color.WHITE,
strokeWidth: 1,
fill: Cesium.Color.fromCssColorString('#1890ff').withAlpha(0.3),
markerSize: 8,
clampToGround: false
});
 
// 按属性动态设置样式
const entities = dataSource.entities.values;
entities.forEach((entity) => {
const props = entity.properties;
if (!props) return;
 
// 读取属性值,注意 PropertyBag 需要用 getValue 取实时值
const level = props.level ? props.level.getValue(Cesium.JulianDate.now()) : 0;
 
if (entity.polygon) {
entity.polygon.material = level > 3
? Cesium.Color.fromCssColorString('#f5222d').withAlpha(0.6)
: Cesium.Color.fromCssColorString('#1890ff').withAlpha(0.4);
}
 
if (entity.point) {
entity.point.color = level > 3
? Cesium.Color.fromCssColorString('#f5222d')
: Cesium.Color.fromCssColorString('#1890ff');
}
});
 
// 把数据源加到场景中,并贴上瓦片ID作为标记,方便后面清理
viewer.dataSources.add(dataSource);
dataSource._tileKey = `${z}/${x}/${y}`;
 
return dataSource;
}

有一点需要注意,GeoJsonDataSource 加载后的 entity.properties 是 Cesium 的 PropertyBag 类型,直接取属性值需要调用 getValue(JulianDate.now())。如果属性是普通字符串或数值,也可以直接引用,但为了稳妥,统一用 getValue 方式处理最不容易出错。

3.6 瓦片缓存与视野外清理

如果每次相机一移动就反复请求瓦片,性能和网络压力都很差。这里加一个简单的 Map 缓存,同时监听 camera.moveEnd,在移动结束后清理视野外的瓦片。

JAVASCRIPT
const tileCache = new Map();
 
// 加载一张瓦片,并加入缓存
async function loadTileWithCache(viewer, tile) {
const key = `${tile.z}/${tile.x}/${tile.y}`;
if (tileCache.has(key)) return tileCache.get(key);
 
const dataSource = await loadMvtTileToViewer(viewer, tile);
if (dataSource) {
tileCache.set(key, dataSource);
}
return dataSource;
}
 
// 相机移动结束时调用:清除视野外瓦片
function clearInvisibleTiles(viewer, currentTiles) {
const visibleKeys = new Set(currentTiles.map((t) => `${t.z}/${t.x}/${t.y}`));
 
for (const [key, dataSource] of tileCache) {
if (!visibleKeys.has(key)) {
viewer.dataSources.remove(dataSource);
tileCache.delete(key);
}
}
}
 
// 监听相机变化
viewer.camera.moveEnd.addEventListener(() => {
const zoom = calculateZoomFromHeight(viewer.camera.positionCartographic.height);
const tiles = getVisibleTiles(viewer, zoom);
 
// 限制并发数量,避免一卡一卡
tiles.slice(0, 16).forEach((tile) => loadTileWithCache(viewer, tile));
 
clearInvisibleTiles(viewer, tiles);
});

移动结束事件里一次最多加载 16 张瓦片,这是一个经验值。加载太多,解析和建 Entity 的任务积压,反而会让场景卡顿。你可以根据机器性能适当调大或调小。

3.7 性能调优的四个要点

第一,控制 Entity 总量。GeoJsonDataSource 是逐个建 Entity 的,单场景超过两三万个 Entity,普通电脑就会明显掉帧。建议在加载瓦片时统计要素数量,超过阈值就跳过细粒度要素,或者做抽稀。

第二,用 requestRenderMode 模式。Cesium 默认是持续渲染,即使画面没变化也在消耗 GPU。开启 requestRenderMode 后,只有场景变化或数据更新时才重新渲染,对 CPU 和 GPU 占用都有帮助。

JAVASCRIPT
const viewer = new Cesium.Viewer('cesiumContainer', {
requestRenderMode: true,
maximumRenderTimeChange: Infinity
});

第三,合并同类几何。如果同一个瓦片里有很多小多边形,可以先合并成一个 MultiPolygon 再交给 Cesium,Entity 数量会大幅下降。这个操作可以在解析 MVT 时顺手完成,后端如果支持输出合并后的集合,效果更好。

第四,控制并发请求。sessionStorage、浏览器同一域名并发限制通常在 6 个左右。一次性发 20 个瓦片请求并不会让整体速度变快,反而会阻塞后续请求。用 Promise 并发控制,一次处理 4 到 6 个,整体体验是最稳的。

4. 踩坑实录:这些问题我替你先试过了

4.1 坐标偏移严重,要素跑到了地图外面

我第一次接入 MVT 时,加载出的道路线直接偏了半个中国,当时第一反应是代码写错了。排查后发现,数据源本身是 EPSG:3857(Web Mercator)投影,而地图底图用的坐标基准或者后端切片参数不统一,导致换算结果完全不对。

解决办法是在服务端把数据源投影标准化。如果数据源是 3857,前端 toGeoJSON 默认会转成 WGS84 经纬度,这是常规流程。但如果你用的是 4326 切片的数据源,则需要额外的坐标翻转逻辑,不能直接套标准解法。

建议在一开始做数据对接时,就和后端明确约定切片的投影、extent、瓦片编号规则,把这些写进接口文档。坐标系的坑,越早约定越省心。

4.2 多边形填充错乱,孔洞变成实心

MVT 解析后的多边形渲染出来颜色像“打翻了的调色盘”,有些面填充到孔洞里,河流显示成块状,这是因为多边形的顶点环绕顺序(winding order)不正确。Cesium 在默认情况下要求多边形的外环是逆时针方向、内环是顺时针方向,如果 MVT 里的几何顺序恰好相反,填充就会被反算。

GeoJsonDataSource 加载时会自动做一部分容错处理,所以方案二遇到这个问题概率较低。但如果你升级到自定义 Primitive,这一块就要自己处理了。可以写一个简单的方向校正函数,遍历 Polygon 的坐标组,用鞋带公式判断方向,不对就反转。

4.3 样式颜色不对,明明设置了 fill 还是默认蓝

这个问题很经典。MVT 数据本身是按照一套 Mapbox Style Spec 来配色的,但 Cesium 的 GeoJsonDataSource 并不认识这套规范,它会统一套用 load 方法里的 fill、stroke 参数。结果就是所有要素都是同一个颜色,跟你在 Mapbox 里看到的效果天差地别。

解决思路是放弃“一次 load 全部设置样式”的做法,改为加载完成后按属性或者按图层名逐个设置。

JAVASCRIPT
// 按图层名设置不同颜色
entities.forEach((entity) => {
const layerName = entity.properties?.layerName?.getValue?.();
if (!layerName) return;
 
if (entity.polygon) {
entity.polygon.material = getColorForLayer(layerName);
}
});

这算是 Cesium 加载 MVT 时绕不开的一个环节,也侧面说明用 Cesium 做矢量底图,不如 Mapbox GL JS 那么“开箱即用”。

4.4 瓦片加载越多帧率越差,最终直接卡死

我遇到过这样一个场景:瓦片加载逻辑写完后,整个地图滑几下就卡死了,打开浏览器性能面板一看,Entity 数量破了两万,渲染引擎一直在做几何更新。

这个问题的本质是方案二的天花板被触碰了。我的处理分三步:第一步,降低最大加载瓦片数量,比如一次只处理 9 张或 16 张;第二步,开启 requestRenderMode,减少不必要的渲染帧;第三步,对数据做抽稀,过滤掉过小或者非关键的要素。

如果这三步做完仍然卡顿,那就说明业务的数据量确实超过了 GeoJsonDataSource 的能力边界,此时再考虑迁移到自定义 Primitive。我的经验是:单屏要素超过 5000 就要开始关注性能,超过 20000 就要立刻启动优化。

4.5 相机移动后老瓦片不清除,要素越堆越多

这是缓存逻辑没写好的典型表现。viewer 里的 dataSource 只增不减,每次移动都加载新瓦片,老瓦片一直挂着,内存和渲染压力越来越大。

解决办法就是前面代码里的 clearInvisibleTiles,在相机移动结束时算一次当前可见瓦片集合,用一个 Set 保存可见 key,遍历缓存表删掉不在集合里的项。这个逻辑写起来不难,但千万别忘了,否则项目跑长了必出问题。

4.6 网络异常和空瓦片处理

MVT 服务在数据稀疏区域会返回 404 或者空 pbf,这是正常现象。空瓦片直接跳过,不要报错中断整个流程;404 的瓦片也不要立刻缓存失败状态,否则移动相机回来后又要重复请求。我的做法是给失败请求加一个短期重试标记,比如 30 秒内不再请求同一瓦片,超时后重新尝试。

5. 一些额外的实操建议

如果你看完上面的内容,决定在项目里引入 MVT,我再补充几个贯穿始终的经验。

第一个建议是做好工具层抽象。把 fetchMvtToGeoJson、getVisibleTiles、loadTileWithCache 这些函数封装成一个独立的 mvt-loader 模块,不要散落在业务代码里。后续不管是换 Cesium 版本,还是迁移到自定义 Primitive 方案,这个工具层都可以原样复用,迁移成本会低很多。

第二个建议是重视瓦片数据的调试。写一个简单的瓦片查看器,输入 z/x/y 编号,能直接打印出该瓦片的图层、要素数、属性字段。MVT 是二进制格式,直接看数据看不出问题,这个调试工具能帮你省下大量排查时间。

第三个建议是性能优化要先用数据说话。不要凭感觉调参数,先在浏览器 Performance 面板里记录 Entity 创建时间、渲染帧率、内存占用曲线,找到真正的瓶颈,再针对性优化。很多时候卡顿的原因不在解析层面,而在 Entity 数量或样式更新策略上。

第四个建议是不要过早追求方案三。Primitive 路线不是不能碰,而是在项目初期、数据量还没有明确压力的情况下,投入产出比太低。先用 GeoJsonDataSource 把业务跑起来,积累一段真实运行数据,再决定要不要重构成 Primitive,这是更稳妥的路径。

MVT 在 Cesium 里的接入其实没有想象中那么神秘,关键就是搞清楚坐标换算、瓦片缓存、样式控制这几个核心点。把这几个点逐个击破,后续无论数据量膨胀到多大,你都会有一条清晰的优化路径可以走。

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
3个国产AI大模型实战:如何用DeepSeek+豆包+千问批量生成高质量测试用例(附完整代码)
本文详细介绍了如何利用DeepSeek、豆包和千问三大国产AI大模型批量生成高质量测试用例的实战方法。通过Python环境配置、多模型SDK安装和统一接口封装,实现高效测试用例生成,并结合结构化提示词设计和多模型结果对比分析,显著提升测试效率和覆盖率。
weixin_29197699