Cesium加载MVT矢量瓦片:三种实用方案与避坑指南

CesiumMVT矢量瓦片
于 2026-10-29 06:08:01 修改
·本内容遵循CC 4.0 BY-SA版权协议

技术在GIS圈里很少像这样,一种格式标准,最后变成了一个绕不开的话题。不管你是做WebGIS、三维可视化,还是数据底座,只要你碰过矢量瓦片,八成绕不开那个后缀叫.pbf的东西。而最近大家讨论得最凶的,就是怎么在Cesium里把MVT跑起来,还跑得又稳又高效。

MVT,全称Mapbox Vector Tile,是矢量切片事实上的通用标准。它基于Google Protobuf编码,一个瓦片文件通常只有几十KB到几百KB,里面既承载几何信息,也携带属性信息。与传统栅格瓦片相比,它占用存储小、渲染灵活、样式可换、还能做交互查询。

问题恰恰出在这个地方:Cesium原生不识别MVT。Cesium的影像层、地形层、3D Tiles都有成熟接口,唯独矢量瓦片没有第一公民级的支持。这意味着,我们要么做转换,要么做中间层,要么上双引擎。这篇文章,我把自己在Cesium加载MVT这条路上试过的方案、踩过的坑、留下的代码,一次性讲清楚。按着这条路走,至少能让你少走两三个月的弯路。

1. MVT格式的底层逻辑:从编码规范到坐标换算

1.1 矢量瓦片和栅格瓦片的“本质差异”

先破除一个最常见的误解:很多人以为MVT就是“小图片”或者“矢量版PDF”,其实完全不是。MVT是一份结构化二进制协议,保存的是几何坐标和属性字段,而不是像素。渲染这件事,是前端基于样式定义实时完成的。

栅格瓦片(PNG/JPEG)在服务端就已经“画完了”,客户端只能整块显示,放大缩小时不是变模糊,就是要重新请求。MVT则完全不同,客户端拿到的是每个要素的坐标和属性,想渲多细就有多细,想改什么颜色就改什么颜色,还能支持点击查询。下面这张对比表,基本就能说明问题:

对比项 栅格瓦片 MVT矢量瓦片
文件体积 固定清晰度,中大型 小,与要素复杂度相关
渲染依赖 服务端固定样式 客户端实时样式
缩放清晰度 放大易模糊 矢量无损
交互查询 不支持 原生支持
服务端成本 样式变更需重新出图 样式前移,切片可复用
客户端算力 省 消耗一定算力

所以本质上,MVT是“数据和渲染分离”的产物。服务端只负责给数据,客户端负责画数据。这也是为什么切片只需要做一次,后续想换主题、换色系、换标注,都不需要重新出图。

1.2 解码一个.pbf:图层、要素、几何体与坐标系统

MVT文件内部结构分四层嵌套:Tile(瓦片)、Layer(图层)、Feature(要素)、Geometry(几何)。一个MVT可以包含多个图层,比如一个底图瓦片里,经常同时存在道路层、建筑层、水域层,每层独立渲染,互不干扰。

这里有一组关键约定,做开发的人必须牢牢记住。坐标范围上,MVT内部坐标是相对瓦片左上角的整数,向右x增大,向下y增大,原点在左上角。内部分辨率extent,常见默认值是4096,代表整个瓦片被分成4096×4096格,这是最容易踩坑的地方,很多人当成256来算,结果坐标差了一个数量级。编码方式上,整型坐标采用ZigZag编码压缩,几何命令由整数表示,1=MoveTo,2=LineTo,7=ClosePath。属性表为了减少冗余,每个图层的keys和values单独存储,feature里只存key和value的索引。

如果要自己写解码器,推荐直接用@mapbox/vector-tile这个库,不要从零解析Protobuf。它能直接把pbf二进制解析成JavaScript对象,而且返回的feature自带GeoJSON格式的geometry和properties,省掉大量体力活。

真正要注意的是geometry坐标的转换。以extent=4096为例,一个feature的坐标是瓦片内的第1000、800个格子,那它在256尺寸瓦片下的像素位置大约是(1000/4096×256, 800/4096×256)。如果你直接用1000、800去做经纬度换算,结果一定会飞到天上去。

1.3 坐标转换:把瓦片坐标换算成经纬度

这个可以说是全网问烂了的问题。我直接给代码,注释写得尽量细,拿去就能用。

JAVASCRIPT
/**
* MVT瓦片内坐标转经纬度
* @param {number} zoom 切片层级
* @param {number} tileX 瓦片X索引
* @param {number} tileY 瓦片Y索引
* @param {number} extent 瓦片内部解析度,常见为4096
* @param {number} px 要素在瓦片内的X坐标(0~extent)
* @param {number} py 要素在瓦片内的Y坐标(0~extent)
* @returns {{lon: number, lat: number}}
*/
function mvtPointToLonLat(zoom, tileX, tileY, extent, px, py) {
const tileSize = 256;
const pixelX = (px / extent) * tileSize;
const pixelY = (py / extent) * tileSize;
const tileCount = Math.pow(2, zoom);
const lon = ((tileX + pixelX / tileSize) / tileCount) * 360 - 180;
const n = Math.PI - (2 * Math.PI * (tileY + pixelY / tileSize)) / tileCount;
const lat = (180 / Math.PI) * Math.atan(0.5 * (Math.exp(n) - Math.exp(-n)));
return { lon, lat };
}

这个函数解决了90%的偏移问题。特别提醒一句:经度是线性的,纬度不是。Web墨卡托在南纬和北纬地区压缩比例不同,如果你用线性公式去推纬度,低纬度地区误差还小,越靠近南北极偏差越大,直观表现就是要素整体向北漂移。

2. Cesium加载MVT的三种实用方案

到目前为止,Cesium官方并没有像支持3D Tiles那样原生支持MVT。所以社区里衍生出了一套套搭桥方案。我按稳定性、开发量、性能三个维度,把真正被验证过的三种方式讲透。

2.1 方案一:栅格化“中间人”方案,最稳的落地选择

思路不复杂:在前端把MVT解码并画到Canvas上,再把Canvas当图片交给Cesium的自定义ImageryProvider加载。好处是,Cesium的影像瓦片机制非常成熟,加载、缓存、LOD调度都是现成的,你只需要把“造图”这一步接管过来就行。

我在做某省全域一张图项目时,就是先用这个方案把MVT底层跑通,稳定性和加载速度都在可接受范围内。尤其适合底图展示、缩放切换、只读不编辑的典型场景。

实现要点:自定义一个ImageryProvider,重写requestImage方法,在方法里用fetch拿到.pbf二进制,用@mapbox/vector-tile解析,再用Canvas的2D上下文按样式绘制,最终resolve一个Canvas对象。Cesium会自动把它纳入瓦片调度。

这个方案的优点是兼容性好、开发量中等、不需要同步双引擎状态。缺点是样式更新不实时,做动画效果受限,纯静态底图完全够用。

2.2 方案二:MVT解码成GeoJSON,交给GeoJSONDataSource

如果你的数据量不大,几千到几万个要素,而且需要做点击选中、属性弹窗等交互,那么“先解码,后加载到GeoJSONDataSource”是最简单直接的方式。

流程就是请求MVT、用@mapbox/vector-tile解码、遍历图层和要素、坐标转换、组合成GeoJSON FeatureCollection、丢给Cesium.GeoJsonDataSource.load()。核心代码大致是:

JAVASCRIPT
const geoJsonData = { type: 'FeatureCollection', features: [] };
 
for (const layerName in tile.layers) {
const layer = tile.layers[layerName];
for (let i = 0; i < layer.length; i++) {
const feature = layer.feature(i);
// 注意:feature.geometry.coordinates 是瓦片内部坐标,必须先转换
// z、tileX、tileY 是外层传入的当前瓦片索引
const coords = feature.geometry.coordinates.map(ring =>
ring.map(([px, py]) => {
const { lon, lat } = mvtPointToLonLat(z, tileX, tileY, layer.extent, px, py);
return [lon, lat];
})
);
geoJsonData.features.push({
type: 'Feature',
properties: feature.properties,
geometry: { type: feature.geometry.type, coordinates: coords }
});
}
}
 
const dataSource = await Cesium.GeoJsonDataSource.load(geoJsonData, {
clampToGround: true,
stroke: Cesium.Color.WHITE,
fill: Cesium.Color.fromCssColorString('#3388ff').withAlpha(0.4)
});
viewer.dataSources.add(dataSource);

注意一个坑:如果直接拿feature.geometry.coordinates去加载,数据会堆到地球右侧某个诡异角落。必须把瓦片坐标全部换算成经纬度,这一步不能省。

这个方案的优缺点同样明显。开发量最小、交互直接、能快速验证,但性能瓶颈也明显。要素一旦到几十万上百万级别,GeoJSONDataSource会卡成PPT。它适合原型验证、小范围地图、临时工具类页面。

2.3 方案三:Cesium + MapLibre GL JS 双引擎融合

如果你的底图复杂、样式要求高,比如需要多图层控制、图标、文字标注、避让规则这些高级能力,栅格化方案就会显得吃力。这时候上双引擎:MapLibre GL JS负责把MVT渲染成高质量2D底图,Cesium作为三维场景叠加在上面,两个引擎同步相机状态。

这种做法在业内其实很常见。产品要么是“先有2D后有3D”,要么是“2D交互面板加3D主视角”,双引擎几乎成了标配。集成方式不复杂,但有几个点必须处理好:

  1. 容器层级:MapLibre的div在下层,Cesium的div在上层。
  2. Cesium透明设置:必须设置viewer.scene.globe.show = false,把地球表面隐藏,同时给Cesium容器背景设为透明,否则看不到下层底图。
  3. 相机同步:需要监听Cesium的camera.moveEnd、rotateEnd等事件,将heading、pitch、roll换算后同步给MapLibre。反向同步通常不做,因为MapLibre很少作为控制主引擎。

相机同步的核心代码片段放在后面实操部分,这里先点出最关键的一点:

JAVASCRIPT
function syncCameraToMapLibre() {
const camera = viewer.camera;
const carto = camera.positionCartographic;
const pitch = camera.pitch;
mapLibreInstance.jumpTo({
center: [Cesium.Math.toDegrees(carto.longitude), Cesium.Math.toDegrees(carto.latitude)],
bearing: Cesium.Math.toDegrees(camera.heading),
pitch: Cesium.Math.toDegrees(Math.max(0, Math.PI / 2 - pitch))
});
}

这段代码里最容易被坑的就是俯仰角换算。Cesium里pitch为0时视线水平,pitch为90度时垂直俯视;MapLibre里pitch为0时垂直俯视,pitch越大视线越倾斜。所以同步时必须做一个减法换算:MapLibrePitch = 90 - CesiumPitchDegrees。不做这一步,你的2D底图和3D视角永远对不上。

双引擎方案体验最好、样式还原度最高,开发量也最大。适合中大型交付项目、政府类大屏、需要精细控制底图效果的产品。

2.4 进阶方向:自定义Primitive渲染MVT

如果你追求真正“矢量级”渲染,不让底图栅格化,那就需要自定义Primitive。思路是在Web Worker里解析MVT,用Cesium的Primitive接口自定义几何体,样式自己定义。

这需要你对Cesium渲染管线非常熟。目前社区里有CesiumVectorTile、cesium-mvt等开源库,但它们停更已久,在较新版本Cesium上大多有兼容问题。如果团队没有专门的Cesium渲染工程师,不建议直接上这个方案。大多数项目用栅格化或双引擎已经足够。

2.5 如何选择:一张决策表

需求场景 推荐方案 理由
底图只读、样式固定、快速上线 方案一:栅格化中间人 开发量小、稳定性高
数据量小、需要点选弹窗 方案二:GeoJSON接桥 纯前端零服务依赖
复杂样式、多图层交互、精细化底图 方案三:双引擎融合 样式还原度最高
海量要素、状态动态更新、强交互 自研Primitive 性能上限最高,开发成本极大

3. 实操全过程与踩坑记录

纸上谈兵没意思。我直接把一个完整链路走一遍,从数据到代码,带你亲历一次。

3.1 用Tippecanoe把GeoJSON切片成MVT

数据源一般是GeoJSON或者Shapefile,切片工具推荐Tippecanoe,Mapbox官方出品,社区生态很成熟。安装完以后,一条命令就能出瓦片:

BASH
tippecanoe -o output.mbtiles -z14 --drop-densest-as-needed -r1 -ps input.geojson

参数含义解释一下。-z14是最大切片层级到14级,层级越高切片越细、文件越多、体积越大。--drop-densest-as-needed是当某一层级数据量超限时,自动丢弃最密集区域的部分要素,保证瓦片体积控制在合理范围。-r1是几何简化率为1像素,简化过度会导致房屋轮廓变成锯齿条。-ps是像素精度,设置为-ps 1,表示切片时精简坐标到1像素精度,太小丢细节,太大体积膨胀。

切片完成后,一般用tileserver或者自建接口把mbtiles发布成{x}/{y}/{z}.pbf的HTTP接口。如果不想维护数据库,可以直接用MBTiles格式,很多静态服务都支持这种单文件格式。

这条命令的参数组合,是我踩过不少坑后固定下来的工程配方。很关键的一点:千万不要省略--drop-densest-as-needed或--drop-fraction,否则高密度区切片体积分分钟爆炸,页面加载直接白屏。

3.2 完整代码:栅格化方案落地

下面这段代码是我实际项目里提取出来的精简版,可以直接改改就用。核心是三个部分:解码MVT、绘制Canvas、继承ImageryProvider并接入Cesium。

JAVASCRIPT
import * as Cesium from 'cesium';
import Protobuf from 'pbf';
import { VectorTile } from '@mapbox/vector-tile';
import { mvtPointToLonLat } from './geoTransform';
 
async function decodeMVT(url) {
const buffer = await fetch(url).then(res => res.arrayBuffer());
return new VectorTile(new Protobuf(new Uint8Array(buffer)));
}
 
function drawMVTOnCanvas(canvas, tile, style) {
const ctx = canvas.getContext('2d');
const firstLayer = tile.layers[Object.keys(tile.layers)[0]];
const extent = firstLayer ? firstLayer.extent : 4096;
const scale = 256 / extent;
 
ctx.clearRect(0, 0, 256, 256);
ctx.lineJoin = 'round';
 
for (const name in tile.layers) {
const layer = tile.layers[name];
for (let i = 0; i < layer.length; i++) {
const feature = layer.feature(i);
const geo = feature.toGeoJSON(0, 0); // 返回瓦片相对坐标(0~extent)
if (geo.geometry.type === 'Polygon') {
ctx.beginPath();
geo.geometry.coordinates.forEach(ring => {
ring.forEach(([x, y], idx) => {
if (idx === 0) ctx.moveTo(x * scale, y * scale);
else ctx.lineTo(x * scale, y * scale);
});
ctx.closePath();
});
ctx.fillStyle = style.fill;
ctx.fill();
ctx.strokeStyle = style.stroke;
ctx.lineWidth = style.lineWidth;
ctx.stroke();
}
// LineString、Point 的处理逻辑同理,按样式分别绘制
}
}
}

上面用到了feature.toGeoJSON(0, 0),两个参数是相对偏移量,传0,0表示输出坐标就是瓦片内部坐标。绘制时用scale统一缩放到256画布。这里千万不要把返回结果当作普通GeoJSON直接渲染,否则尺寸差16倍,画面上会是一坨糊在一起的色块。

然后是自定义ImageryProvider的接入:

JAVASCRIPT
class MVTImageryProvider {
constructor(options) {
this.url = options.url; // 形如 https://host/{z}/{x}/{y}.mvt
this.tileWidth = 256;
this.tileHeight = 256;
this.minimumLevel = options.minimumLevel || 0;
this.maximumLevel = options.maximumLevel || 18;
this.rectangle = options.rectangle || Cesium.Rectangle.fromDegrees(-180, -85, 180, 85);
this.ready = true;
this.readyPromise = Promise.resolve(true);
this.style = Object.assign({ fill: '#9fd9ff', stroke: '#1e8fff', lineWidth: 1 }, options.style);
this.errorEvent = new Cesium.Event();
}
 
getTileCredits() { return []; }
 
requestImage(x, y, level) {
return new Promise((resolve, reject) => {
const url = this.url.replace('{z}', level).replace('{x}', x).replace('{y}', y);
decodeMVT(url)
.then(tile => {
const canvas = document.createElement('canvas');
canvas.width = 256;
canvas.height = 256;
drawMVTOnCanvas(canvas, tile, this.style);
resolve(canvas);
})
.catch(err => reject(err));
});
}
}
 
const viewer = new Cesium.Viewer('cesiumContainer', {
baseLayer: false,
imageryProvider: false,
scene3DOnly: true
});
viewer.imageryLayers.addImageryProvider(new MVTImageryProvider({
url: 'https://your-tile-server/{z}/{x}/{y}.mvt',
maximumLevel: 14,
style: { fill: '#b8d8f0', stroke: '#247BA0', lineWidth: 1 }
}));

这样Cesium影像层就能正常请求MVT瓦片并渲染。测试时可以在requestImage里加日志,观察瓦片请求顺序是否正常。

3.3 性能参数调优实录

接入成功后,第一波问题一定是“卡”。我在实际优化中,主要盯这几个位置。

解码耗时是首要瓶颈。MVT解析是纯CPU操作,建议把解码和绘制放进Web Worker,主线程只做调度。瓦片量大的时候,主线程照样会卡。实测下来,解一个小瓦片通常需要几毫秒,乘以几十个并发瓦片,就是几十毫秒的阻塞。

Canvas复用也很关键。每次requestImage都新建Canvas对象,性能很差。可以维护一个对象池,用完清空再复用。代码上要注意并发安全,避免两个瓦片同时拿同一个Canvas实例。

并发限制同样不能忽略。Cesium的ImageryProvider会一次性发起很多并发请求,实测下来,最大并发限制到8到12比较稳定,超过容易导致服务端雪崩。如果需要强控,可以在requestImage外层做一个简单的令牌计数。

瓦片缓存方面,Cesium默认有内存LRU缓存,但栅格化方案中的Canvas本身也是一块内存,缓存太多同样会撑爆。建议把maximumLevel控制在合理层级,不要盲目开到22级,那是给自己找麻烦。

关于栅格化方案的性能天花板,实测数据是:一台普通开发机,8G内存、i7处理器,加载到15级的海量道路MVT数据,帧数能稳定在50fps以上。如果帧率掉到30fps以下,优先排查解码和绘制是否被放在了主线程。

3.4 最容易被忽视的三个细节

细节一:Cesium容器背景透明。无论用双引擎还是纯Cesium叠加其他图层,只要在Cesium里设了baseLayer: false,就一定要在CSS里给容器加背景透明,否则Cesium自带一个深蓝或黑色背景铺满整个viewer,把你的底图完全盖住。

CSS
# cesiumContainer {
background: transparent;
}

细节二:中文字体渲染。MVT里的标签渲染到Canvas上,直接用fillText画中文,部分系统下会出现字体缺失或乱码。比较稳妥的做法是,给Canvas设置font时,把微软雅黑或思源黑体放进fallback:

JAVASCRIPT
ctx.font = '12px "微软雅黑", "Source Han Sans CN", sans-serif';

细节三:瓦片冗余边界。MVT在切片时通常带buffer,也就是在瓦片边界外多扩展一圈要素,防止相邻瓦片边缘出现断线。栅格化方案里,如果你在绘制时只画瓦片范围内的部分,会导致边缘要素被裁掉,出现明显的缺线现象。正确做法是绘制时不需要特殊裁剪,超出256画布的部分Canvas会自动裁掉,要素跨边界绘制也没问题。

4. 常见问题排查与避坑速查

4.1 从现象到根因的排查表

现象 可能原因 解决方案
地图白屏,控制台无报错 容器背景被Cesium填满 设置globe.show = false,容器背景透明
要素位置飞了或整体偏移 瓦片坐标未转换,或extent混用 统一用mvtPointToLonLat,确认extent值
相邻瓦片接缝处断线 切片buffer太小或绘制时裁剪边界 切片时buffer调整到5到8像素
线宽粗细不一 未按屏幕像素设置线宽 绘制时统一换算为缩放后的像素单位
标签乱码或空白 中文字体未配置 font栈加中文字体,检查Canvas跨域字体加载
请求瓦片数量巨大 未限制maximumLevel或并发过高 设置合理层级上限,并发限制8到12
高频请求导致服务端扛不住 缺少瓦片缓存 服务端加CDN或前端做LRU缓存
双引擎同步时视角跳变 heading/pitch换算公式错误 检查MapLibre与Cesium的pitch定义差异

4.2 三个值得单独讲的深坑

第一个深坑:Cesium和MapLibre的pitch换算。前面提过,值得再强调一次。Cesium的pitch值是弧度,单位rad,定义是视线与水平面的夹角,俯视时为正值,俯视90度即pitch=π/2。MapLibre的pitch,单位角度,定义是相机与正上方的夹角,0度时相机垂直向下,数值越大越倾斜。两者同步公式为:

JAVASCRIPT
maplibrePitchDeg = 90 - CesiumMath.toDegrees(cesiumPitchRad)

我第一次做双引擎同步时,直接做了等值拷贝,结果二维底图和三维场景完全对不上,就像两个平行宇宙。花了半天才发现是pitch定义的问题。这个坑几乎每个做双引擎的人都踩过。

第二个深坑:Cesium的sceneMode切换。如果你的项目允许用户在2D和3D之间切换,双引擎方案的同步逻辑会非常繁琐。2D模式下Cesium没有heading和pitch的概念,同步逻辑基本失灵。我试到最后,干脆限制双引擎方案只支持3D模式,2D模式单独用MapLibre渲染,不走双引擎了。如果非要两者都支持,需要写一套很繁复的相机状态机,建议评估投入产出比。

第三个深坑:瓦片数据跨域请求。MVT服务器和你的站点如果不在同一域,自定义ImageryProvider里直接fetch,跨域限制会完全暴露出来。务必要在服务端配置CORS,否则浏览器Network里一片红色错误,页面白得干干净净。

4.3 一条“救急路线”的经验总结

如果项目马上要上线,但MVT的问题还是一团乱麻,我个人的救急策略是:先跑数据全量转GeoJSON,用方案二直接出活。哪怕有点卡,先把功能和页面串起来,给产品、客户确认整体形态。之后再用栅格化方案替换渲染层,渐进式修复性能问题。这样既能保住交付节奏,又不会在MVT上死磕太久,是很务实的推进方式。

另外,在数据服务层面,我强烈建议在切片阶段就把数据质量把关做掉。面数据是否闭合、经纬度是否合法、属性字段是否完整、最大最小层级是否匹配业务尺度,都值得专门写脚本批量检查。数据不干净,后面所有的渲染和交互都会跟着出问题。

写到最后,说点个人感受。MVT这个格式,单看规范文档会觉得很抽象,真正做一遍才知道它好在哪里、坑在哪里。很多人一上来就想着让Cesium“原生支持MVT”,到处找插件和库,其实换个思路,要么桥接、要么栅格化、要么双引擎,问题反而变得简单可控。

我个人的体会是,没有银弹。选方案的时候,不要问“哪个方案最好”,而应该问“我们团队对哪条链路的掌控力最强”。文档再全,也不如你亲手在requestImage里打断点看一次瓦片坐标靠得住。技术选型和排错都是这样,跑通一次,比看十遍文档都管用。

希望在Cesium加载MVT上迷茫的你,能从这篇文章里找到一条适合自己的路。有问题欢迎在评论区交流,一起踩坑,一起脱坑。

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
Docker 磁盘占用过多问题处理过程记录
Docker 磁盘爆满问题处理
JAVA·D·WangJing