关于ArcGIS中加载影像数据,符号系统中渲染参数的解析

    今天遇到一个很有意思的问题,故记录下来,以作参考和后续的研究。欢迎随时沟通交流。如果表达错误或误导,请各位指正。

正文  

    当我们拿到一幅成果影像数据的时候,在不同的GIS软件中会有不同效果呈现,但这其实是影像是否有做拉伸所导致的,我们以ArcGIS为例:

    加载一幅影像进来,他会默认利用百分比截断和标准差来对影像数据进行拉伸,这是因为在Pro中的逻辑是智能的将一个影像去呈现出最佳的可视化效果。

    而其他的软件例如QGIS则是默认不拉伸

    所以这就导致了在不同的软件中查看同一幅影像是不一样的效果,如果是将数据做为底图的话,这个产生了不同的影响。所以因为Pro是为了更好的显示一幅影像最佳的可视效果,导致了这种现象的出现。这是属于是好心办坏事了吗

,你们评判

    当然,如果不想要拉伸效果,将符号系统中的拉伸类型选择无即可。

    那么这个时候就有聪明的小明要问了,我这么多影像要加载进来,不可能一幅一幅的改吧,所以目前我想到的一共有两种解决办法:

    1、创建镶嵌数据集,把影像丢到镶嵌数据集中,最后对统一的图像集合做一次更改即可。

    2、直接对Pro的渲染方式做更改,打开Pro,找到 选项->栅格和影像-> 外观 -> 自定义渲染默认值->启用自定义渲染默认值,将拉伸类型改为无即可。

    并且在这里还可以选择默认重采样的方法,例如改为双线性

    这样再新建的工程中加载影像就不会默认拉伸渲染了

课外小讲堂

    ArcGISPro中默认拉伸的 百分比 、最大值最小值是什么意思呢,为什么看着都是0.500,究竟是有什么含义呢

    我们先来看一下官方帮助文档怎么说:

        裁剪百分比拉伸类型在定义的最小和最大裁剪百分比像素值之间应用线性拉伸。

        使用以上任意一种拉伸类型时,直方图中处于定义值范围外的所有值将被推到端点。 例如,假设您的直方图具有上述相同的值域范围,即 33 到 206,并且您将最小和最大裁剪百分比定义为 2。 如果低端的 2% 表示 33 到 45 之间的值,高端的 2% 表示 198 到 206 之间的值,则将在 0 到 255 之间重新分布直方图中的值。 33 到 45 之间的值将变为 0,而 198 到 206 之间的值将变为 255,其他所有值在这两者之间分布。 同样,如果定义两个标准差,则超过第 2 个标准差的值将变为 0 或 255,其余值在 0 到 255 之间拉伸。

    这样是不是不太好理解,我就用大白话解释(不一定准确,以官方为准)

    就像是咱们在比赛的时候,评委进行打分,最后的成绩一般都是去掉一个最高分,去掉一个最低分,计算的平均分就是最后成绩,那么百分比渲染也同理,最大值最小值即使值一样,那他代表的含义也是不一样的,比如在渲染的时候有  0-100的值需要渲染,最小值裁剪设置5,最大值裁剪也设置成5,那么根据最小他就会去除去0,1,2,3,4这几个值,最大就会去除100,99,98,97,96这几个值,实际参与渲染的只有5-95。这样是不是好理解一点。

同时这个百分比并不是固定的,在pro中是根据影像的位深自动识别的,例如我们的测试数据是8位的时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,我们先看帮助文档:

Gamma 指的是栅格数据集中等灰度值之间的对比度。 Gamma 对栅格数据集的黑色或白色值不会产生影响,而仅影响中间值。 通过应用 gamma 校正,可以控制栅格数据集的总体亮度。 此外,gamma 系数不仅会改变影像的亮度,还会改变红绿蓝之间的比率。

    小于 1 的 Gamma 值将降低较暗区域的对比度并增加较亮区域的对比度。 这将使影像变暗,但不会降低影像的黑暗或明亮区域的饱和度。 这有助于呈现较亮要素的细节,如建筑物顶部。 相反,大于 1 的 gamma 值将增加较暗区域的对比度,如建筑物阴影。 使用高程数据时,大于 1 的 Gamma 值也将有助于呈现较低高程区域的细节。

    在下图中,可以看到调整用于显示栅格数据集的 Gamma 值的效果:

    关于Gamma值的设置,在ArcMap中Gamma值可以选择拉伸渲染还是不拉伸,会有一个复选框,

image.png

    而Pro当中则取消了这个复选框

    解释如下,Gamma值一般是根据影像自动设置的  ,目的同样是达到影像的最佳可视效果,Gamma 系数可以调节栅格数据集中等灰度值,大于1或者小于1都会对影像产生不同的渲染效果,将栅格影像的Gamma值改成“1”,则影像不进行校正,为影像原始显示状态。

    具体的原理可以参考下面这篇博客,

浅析图像处理中的名词:Gamma 校正(Gamma变换、Gamma调整)_gamma校正-CSDN博客

欢迎指正批评

点点关注,不再迷路。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/73829.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

北森测评的经验

测评经验记录 首先声明,北森测评就是垃圾,把行测拿过来就能评测能力了?直接去参加公务员考试更好。网上2024年的题库 评测分为 阅读理解数学计算图形题性格测试 图形题 总结的经验如下 图形推理题 一组图形,推测另一组图形最…

Java/Scala是什么

Java 和 Scala 是两种运行在 ​JVM(Java 虚拟机)​ 上的编程语言,虽然共享相同的运行时环境,但它们在设计哲学、语法特性和适用场景上有显著差异。以下是两者的详细解析: ​1. Java ​核心特性 ​面向对象&#xff1…

SQL Server 备份相关信息查看

目录标题 一、统计每个数据库在不同备份目录和备份类型下的备份次数,以及最后一次备份的时间整体功能详细解释 二、查询所有完整数据库备份的信息,包括备份集 ID、数据库名称、备份开始时间和备份文件的物理设备名称,并按备份开始时间降序排列…

CANoe入门——CANoe的诊断模块,调用CAPL进行uds诊断

目录 一、诊断窗口介绍 二、诊断数据库文件管理 三、添加基础诊断描述文件(若没有CDD/ODX/PDX文件)并使用对应的诊断功能进行UDS诊断 3.1、添加基础诊断描述文件 3.2、基于基础诊断,使用诊断控制台进行UDS诊断 3.2.1、生成基础诊断 3.…

【数据结构】二叉树的递归

数据结构系列三:二叉树(二) 一、递归的原理 1.全访问 2.主角 3.返回值 4.执等 二、递归的化关系思路 三、递归的方法设计 一、递归的原理 1.全访问 方法里调用方法自己,就会形成调用方法本身的一层一层全新相同的调用,方法的形参设置…

Imgui处理glfw的鼠标键盘的方法

在Imgui初始化时,会重新接手glfw的键盘鼠标事件。也就是遇到glfw的键盘鼠标事件时,imgui先会运行自己的处理过程,然后再去处理用户自己注册的glfw的键盘鼠标事件。 看imgui_impl_glfw.cpp源码的安装回调函数部分代码 void ImGui_ImplGlfw_In…

【LVS】负载均衡群集部署(DR模式)

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

C++Primer学习(14.1 基本概念)

当运算符作用于类类型的运算对象时,可以通过运算符重载重新定义该运算符的含义。明智地使用运算符重载能令我们的程序更易于编写和阅读。举个例子,因为在Sales_item类中定义了输入、输出和加法运算符,所以可以通过下述形式输出两个Sales_item…

计算机视觉准备八股中

一边记录一边看,这段实习跑路之前运行完3DGAN,弄完润了,现在开始记忆八股 1.CLIP模型的主要创新点: 图像和文本两种不同模态数据之间的深度融合、对比学习、自监督学习 2.等效步长是每一步操作步长的乘积 3.卷积层计算输入输出…

基于大语言模型的智能音乐创作系统——从推荐到生成

一、引言:当AI成为音乐创作伙伴 2023年,一款由大语言模型(LLM)生成的钢琴曲《量子交响曲》在Spotify冲上热搜,引发音乐界震动。传统音乐创作需要数年专业训练,而现代AI技术正在打破这一壁垒。本文提出一种…

Mysql---锁篇

1:MySQL 有哪些锁? 全局锁 flush tables with read lock 整个数据库就处于只读状态了 unlock tables 释放全局锁 全局锁主要应用于做全库逻辑备份,这样在备份数据库期间,不会因为数据或表结构的更新,而出现备份文件的数…

VLAN综合实验二

一.实验拓扑: 二.实验需求: 1.内网Ip地址使用172.16.0.0/分配 2.sw1和SW2之间互为备份 3.VRRP/STP/VLAN/Eth-trunk均使用 4.所有Pc均通过DHCP获取IP地址 5.ISP只能配置IP地址 6.所有…

GEO(生成引擎优化)实施策略全解析:从用户意图到效果追踪

——基于行业实证的AI信源占位方法论 ​一、理解用户查询:构建AI语料的核心起点 生成式AI的内容推荐逻辑以用户意图为核心,​精准捕捉高频问题是GEO优化的第一步。企业需通过以下方法挖掘用户真实需求: ​AI对话日志分析: 分析用…

HTML基础及进阶

目录 一、HTML基础 1.什么是HTML 2.常用标签 (1)标题标签:h1-h6数字越小文字会越大,这个标签会占一整行 (2)加粗标签: (3)换行标签: (4&am…

MSTP与链路聚合技术

MSTP(多生成树协议) 简介 MSTP(多生成树协议)是Spanning Tree Protocol(STP)的改进版,支持网络中使用多条生成树,并根据用户需求限制生成树间的路径。MSTP将多个VLAN映射到一棵生成…

ModuleNotFoundError: No module named ‘ml_logger.logbook‘

问题 (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上传下载 帮助类

工作中FTP的上传和下载还是很常用的。如下载打标数据,上传打标结果等。 这个类常用方法都有了:上传,下载,判断文件夹是否存在,创建文件夹,获取当前目录下文件列表(不包括文件夹) ,获取当前目录下文件列表(不包括文件夹) ,获取FTP文件列表(包括文件夹), 获取当前目…

PyTorch 分布式训练(Distributed Data Parallel, DDP)简介

PyTorch 分布式训练(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 提供的分布式训练接口,DistributedDataPara…

策略模式_行为型_GOF23

策略模式 策略模式(Strategy Pattern)是一种行为型设计模式,核心思想是将一组算法封装成独立对象,使它们可以相互替换,从而让算法的变化独立于使用它的客户端。这类似于游戏中的技能切换——玩家根据战况选择不同技能…

【Python】天气数据可视化

1. Python进行数据可视化 在数据分析和科学计算领域,Python凭借其强大的库和简洁的语法,成为了众多开发者和科研人员的首选工具。数据可视化作为数据分析的重要环节,能够帮助我们更直观地理解数据背后的规律和趋势。本文将详细介绍如何使用P…