關于ArcGIS中加載影像數據,符號系統中渲染參數的解析

? ? 今天遇到一個很有意思的問題,故記錄下來,以作參考和后續的研究。歡迎隨時溝通交流。如果表達錯誤或誤導,請各位指正。

正文??

? ? 當我們拿到一幅成果影像數據的時候,在不同的GIS軟件中會有不同效果呈現,但這其實是影像是否有做拉伸所導致的,我們以ArcGIS為例:

? ? 加載一幅影像進來,他會默認利用百分比截斷和標準差來對影像數據進行拉伸,這是因為在Pro中的邏輯是智能的將一個影像去呈現出最佳的可視化效果。

? ? 而其他的軟件例如QGIS則是默認不拉伸

? ? 所以這就導致了在不同的軟件中查看同一幅影像是不一樣的效果,如果是將數據做為底圖的話,這個產生了不同的影響。所以因為Pro是為了更好的顯示一幅影像最佳的可視效果,導致了這種現象的出現。這是屬于是好心辦壞事了嗎

,你們評判

? ? 當然,如果不想要拉伸效果,將符號系統中的拉伸類型選擇無即可。

? ? 那么這個時候就有聰明的小明要問了,我這么多影像要加載進來,不可能一幅一幅的改吧,所以目前我想到的一共有兩種解決辦法:

? ? 1、創建鑲嵌數據集,把影像丟到鑲嵌數據集中,最后對統一的圖像集合做一次更改即可。

? ? 2、直接對Pro的渲染方式做更改,打開Pro,找到 選項->柵格和影像-> 外觀 -> 自定義渲染默認值->啟用自定義渲染默認值,將拉伸類型改為無即可。

? ? 并且在這里還可以選擇默認重采樣的方法,例如改為雙線性

? ? 這樣再新建的工程中加載影像就不會默認拉伸渲染了

課外小講堂

? ? ArcGISPro中默認拉伸的 百分比 、最大值最小值是什么意思呢,為什么看著都是0.500,究竟是有什么含義呢

? ? 我們先來看一下官方幫助文檔怎么說:

????????裁剪百分比拉伸類型在定義的最小和最大裁剪百分比像素值之間應用線性拉伸。

????????使用以上任意一種拉伸類型時,直方圖中處于定義值范圍外的所有值將被推到端點。 例如,假設您的直方圖具有上述相同的值域范圍,即 33 到 206,并且您將最小和最大裁剪百分比定義為 2。 如果低端的 2% 表示 33 到 45 之間的值,高端的 2% 表示 198 到 206 之間的值,則將在 0 到 255 之間重新分布直方圖中的值。 33 到 45 之間的值將變為 0,而 198 到 206 之間的值將變為 255,其他所有值在這兩者之間分布。 同樣,如果定義兩個標準差,則超過第 2 個標準差的值將變為 0 或 255,其余值在 0 到 255 之間拉伸。

? ? 這樣是不是不太好理解,我就用大白話解釋(不一定準確,以官方為準)

? ? 就像是咱們在比賽的時候,評委進行打分,最后的成績一般都是去掉一個最高分,去掉一個最低分,計算的平均分就是最后成績,那么百分比渲染也同理,最大值最小值即使值一樣,那他代表的含義也是不一樣的,比如在渲染的時候有 ?0-100的值需要渲染,最小值裁剪設置5,最大值裁剪也設置成5,那么根據最小他就會去除去0,1,2,3,4這幾個值,最大就會去除100,99,98,97,96這幾個值,實際參與渲染的只有5-95。這樣是不是好理解一點。

同時這個百分比并不是固定的,在pro中是根據影像的位深自動識別的,例如我們的測試數據是8位的時候裁剪百分比的最大最小就是0.5%,16位的就是0.25%。

Gamma值

? ? 同理,我們先看幫助文檔:

Gamma 指的是柵格數據集中等灰度值之間的對比度。 Gamma 對柵格數據集的黑色或白色值不會產生影響,而僅影響中間值。 通過應用 gamma 校正,可以控制柵格數據集的總體亮度。 此外,gamma 系數不僅會改變影像的亮度,還會改變紅綠藍之間的比率。

? ? 小于 1 的 Gamma 值將降低較暗區域的對比度并增加較亮區域的對比度。 這將使影像變暗,但不會降低影像的黑暗或明亮區域的飽和度。 這有助于呈現較亮要素的細節,如建筑物頂部。 相反,大于 1 的 gamma 值將增加較暗區域的對比度,如建筑物陰影。 使用高程數據時,大于 1 的 Gamma 值也將有助于呈現較低高程區域的細節。

? ? 在下圖中,可以看到調整用于顯示柵格數據集的 Gamma 值的效果:

? ? 關于Gamma值的設置,在ArcMap中Gamma值可以選擇拉伸渲染還是不拉伸,會有一個復選框,

image.png

? ? 而Pro當中則取消了這個復選框

??? 解釋如下,Gamma值一般是根據影像自動設置的 ?,目的同樣是達到影像的最佳可視效果,Gamma 系數可以調節柵格數據集中等灰度值,大于1或者小于1都會對影像產生不同的渲染效果,將柵格影像的Gamma值改成“1”,則影像不進行校正,為影像原始顯示狀態。

? ? 具體的原理可以參考下面這篇博客,

淺析圖像處理中的名詞:Gamma 校正(Gamma變換、Gamma調整)_gamma校正-CSDN博客

歡迎指正批評

點點關注,不再迷路。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/web/73829.shtml
繁體地址,請注明出處:http://hk.pswp.cn/web/73829.shtml
英文地址,請注明出處:http://en.pswp.cn/web/73829.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

北森測評的經驗

測評經驗記錄 首先聲明,北森測評就是垃圾,把行測拿過來就能評測能力了?直接去參加公務員考試更好。網上2024年的題庫 評測分為 閱讀理解數學計算圖形題性格測試 圖形題 總結的經驗如下 圖形推理題 一組圖形,推測另一組圖形最…

Java/Scala是什么

Java 和 Scala 是兩種運行在 ?JVM(Java 虛擬機)? 上的編程語言,雖然共享相同的運行時環境,但它們在設計哲學、語法特性和適用場景上有顯著差異。以下是兩者的詳細解析: ?1. Java ?核心特性 ?面向對象&#xff1…

SQL Server 備份相關信息查看

目錄標題 一、統計每個數據庫在不同備份目錄和備份類型下的備份次數,以及最后一次備份的時間整體功能詳細解釋 二、查詢所有完整數據庫備份的信息,包括備份集 ID、數據庫名稱、備份開始時間和備份文件的物理設備名稱,并按備份開始時間降序排列…

CANoe入門——CANoe的診斷模塊,調用CAPL進行uds診斷

目錄 一、診斷窗口介紹 二、診斷數據庫文件管理 三、添加基礎診斷描述文件(若沒有CDD/ODX/PDX文件)并使用對應的診斷功能進行UDS診斷 3.1、添加基礎診斷描述文件 3.2、基于基礎診斷,使用診斷控制臺進行UDS診斷 3.2.1、生成基礎診斷 3.…

【數據結構】二叉樹的遞歸

數據結構系列三:二叉樹(二) 一、遞歸的原理 1.全訪問 2.主角 3.返回值 4.執等 二、遞歸的化關系思路 三、遞歸的方法設計 一、遞歸的原理 1.全訪問 方法里調用方法自己,就會形成調用方法本身的一層一層全新相同的調用,方法的形參設置…

Imgui處理glfw的鼠標鍵盤的方法

在Imgui初始化時,會重新接手glfw的鍵盤鼠標事件。也就是遇到glfw的鍵盤鼠標事件時,imgui先會運行自己的處理過程,然后再去處理用戶自己注冊的glfw的鍵盤鼠標事件。 看imgui_impl_glfw.cpp源碼的安裝回調函數部分代碼 void ImGui_ImplGlfw_In…

【LVS】負載均衡群集部署(DR模式)

部署前IP分配 DR服務器:192.168.166.101 vip:192.168.166.100 Web服務器1:192.168.166.104 vip:192.168.166.100 Web服務器2:192.168.166.107 vip:192.168.166.100 NFS服務器:192.168.166.108 …

C++Primer學習(14.1 基本概念)

當運算符作用于類類型的運算對象時,可以通過運算符重載重新定義該運算符的含義。明智地使用運算符重載能令我們的程序更易于編寫和閱讀。舉個例子,因為在Sales_item類中定義了輸入、輸出和加法運算符,所以可以通過下述形式輸出兩個Sales_item…

計算機視覺準備八股中

一邊記錄一邊看,這段實習跑路之前運行完3DGAN,弄完潤了,現在開始記憶八股 1.CLIP模型的主要創新點: 圖像和文本兩種不同模態數據之間的深度融合、對比學習、自監督學習 2.等效步長是每一步操作步長的乘積 3.卷積層計算輸入輸出…

基于大語言模型的智能音樂創作系統——從推薦到生成

一、引言:當AI成為音樂創作伙伴 2023年,一款由大語言模型(LLM)生成的鋼琴曲《量子交響曲》在Spotify沖上熱搜,引發音樂界震動。傳統音樂創作需要數年專業訓練,而現代AI技術正在打破這一壁壘。本文提出一種…

Mysql---鎖篇

1:MySQL 有哪些鎖? 全局鎖 flush tables with read lock 整個數據庫就處于只讀狀態了 unlock tables 釋放全局鎖 全局鎖主要應用于做全庫邏輯備份,這樣在備份數據庫期間,不會因為數據或表結構的更新,而出現備份文件的數…

VLAN綜合實驗二

一.實驗拓撲: 二.實驗需求: 1.內網Ip地址使用172.16.0.0/分配 2.sw1和SW2之間互為備份 3.VRRP/STP/VLAN/Eth-trunk均使用 4.所有Pc均通過DHCP獲取IP地址 5.ISP只能配置IP地址 6.所有…

GEO(生成引擎優化)實施策略全解析:從用戶意圖到效果追蹤

——基于行業實證的AI信源占位方法論 ?一、理解用戶查詢:構建AI語料的核心起點 生成式AI的內容推薦邏輯以用戶意圖為核心,?精準捕捉高頻問題是GEO優化的第一步。企業需通過以下方法挖掘用戶真實需求: ?AI對話日志分析: 分析用…

HTML基礎及進階

目錄 一、HTML基礎 1.什么是HTML 2.常用標簽 (1)標題標簽:h1-h6數字越小文字會越大,這個標簽會占一整行 (2)加粗標簽: (3)換行標簽: (4&am…

MSTP與鏈路聚合技術

MSTP(多生成樹協議) 簡介 MSTP(多生成樹協議)是Spanning Tree Protocol(STP)的改進版,支持網絡中使用多條生成樹,并根據用戶需求限制生成樹間的路徑。MSTP將多個VLAN映射到一棵生成…

ModuleNotFoundError: No module named ‘ml_logger.logbook‘

問題 (legion) zhouy24RL-DSlab:~/zhouy24Files/legion/LEGION$ python main.py ML_LOGGER_USER is not set. This is required for online usage. Traceback (most recent call last): File “main.py”, line 7, in from mtrl.app.run import run File “/data/zhouy24File…

c# ftp上傳下載 幫助類

工作中FTP的上傳和下載還是很常用的。如下載打標數據,上傳打標結果等。 這個類常用方法都有了:上傳,下載,判斷文件夾是否存在,創建文件夾,獲取當前目錄下文件列表(不包括文件夾) ,獲取當前目錄下文件列表(不包括文件夾) ,獲取FTP文件列表(包括文件夾), 獲取當前目…

PyTorch 分布式訓練(Distributed Data Parallel, DDP)簡介

PyTorch 分布式訓練(Distributed Data Parallel, DDP) 一、DDP 核心概念 torch.nn.parallel.DistributedDataParallel 1. DDP 是什么? Distributed Data Parallel (DDP) 是 PyTorch 提供的分布式訓練接口,DistributedDataPara…

策略模式_行為型_GOF23

策略模式 策略模式(Strategy Pattern)是一種行為型設計模式,核心思想是將一組算法封裝成獨立對象,使它們可以相互替換,從而讓算法的變化獨立于使用它的客戶端。這類似于游戲中的技能切換——玩家根據戰況選擇不同技能…

【Python】天氣數據可視化

1. Python進行數據可視化 在數據分析和科學計算領域,Python憑借其強大的庫和簡潔的語法,成為了眾多開發者和科研人員的首選工具。數據可視化作為數據分析的重要環節,能夠幫助我們更直觀地理解數據背后的規律和趨勢。本文將詳細介紹如何使用P…