基于二维四参数模型的坐标转换

    前言

    前段时间数据工程测绘部领导找到我,需要一个坐标转换工具。自2018年7月1号起,国家全面启动CGCS2000坐标系,以前的54坐标系,80坐标系都要转成2000坐标。测绘部曾花5万块钱临时购买了一个转换工具,但后期更高精度坐标转换还需要费用。网上也有一些坐标转换的小工具,但是,只能支持单点或简单txt格式的转换。

     GIS专业的我,对于坐标转换原理、思路还是以前在学校的时候学的,于是,我开始网上搜索,布尔莎模型、二维7参数模型、二维四参数模型,高斯正算、高斯反算、最小二乘法。。。结合国家下发的《80T2000坐标转换》方案,以及网上能找到的资料,历时2个月,坐标转换工具终于完成,自己也小有成就感。

    工具包括二维四参数转换,和布尔莎七参数转换等。转换结果跟网上多个转换工具比较,结果高度一致,精度远高出国家要求转换精度。由于,要经常验证各种数据精度,基于让我自己使用便捷的原则,哪里不爽改哪里,经过不断完善,参数计算转换使用便捷,验证方便。现将四参数转换过程、实现思路、结果验证,以及遇到的问题分享出来,供大家学习!布尔莎七参数转换,将在后期整理后发出。

    界面

    先上个二维四参数计算的界面,示例中数据为54转80,平均残差0.04,如果是80转2000,转换精度更高。

 

  该参数计算还支持导入参数验证残差,导入参数0,即可验证不使用转换参数的情况,残差在50m左右。

    遇到的问题

1.x y 的困惑

    当我第一次把工具交到数据工程部领导时,还比较满意,但是也提了两点,其中一点,他说到“我干了测试这么多年,始终分不清XY,主要是很多工具对XY的定义不一样!”,在他的建议下,我把XY坐标换成了,北坐标和东坐标,这样一来,测绘人员就可以很清楚的做区分了。

2.都是带号的错

   刚开始计算的转换参数跟南方CASS工具有一定的差别,纵偏移-500m左右,但是我带入四参数模型发现残差很小,满足转换精度。我把南方CASS计算的参数代入,残差却很大。我用Coord工具验证,计算结果跟我计算的几乎完全一致。

    百思不得其解,后来经过反复实验,才发现是带号的问题。南方CASS工具计算的时候去掉了带号,我把带号去掉后,转换参数就一致了。在后面的计算及转换中,我都将带号做了处理。

  参数计算

四参数转换模型比较简单,如下:

但是要根据模型,求得四参数的值,就需要将模型变形成下面这种形式:

将该模型用计算机表示,代码如下:

然后利用要用最小二乘法求解,即可。最小二乘法即几次矩阵变换,转置,求逆等,形式比较固定,大家可以网上去查。

  坐标转换

   计算出四参数后,带入模型就可以进行坐标转换了,该模型适合小区域、大比例尺下坐标转换。ArcGIS并不支持四参数转换,需要将Geometry中坐标带入模型逐点转换。

小结

    二维四参数坐标转换的核心是构造出求解矩阵,然后最小二乘法求解。先写这么多了,后期敬请关注!

 

 

 

 

  • 5
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
以下是基于参数相似变换模型二维平面直角坐标转换的Python代码示例: ```python import numpy as np def similarity_transform(src_pts, dst_pts): """ 基于参数相似变换模型二维平面直角坐标转换 :param src_pts: 源点坐标数组,形状为(N, 2) :param dst_pts: 目标点坐标数组,形状为(N, 2) :return: 变换矩阵M,形状为(3, 3) """ # 将点坐标转换为齐次坐标 src_pts = np.hstack((src_pts, np.ones((len(src_pts), 1)))) dst_pts = np.hstack((dst_pts, np.ones((len(dst_pts), 1)))) # 计算变换矩阵 A = np.zeros((2 * len(src_pts), 4)) b = np.zeros((2 * len(src_pts), 1)) for i in range(len(src_pts)): A[2 * i, 0] = src_pts[i, 0] A[2 * i, 1] = -src_pts[i, 1] A[2 * i, 2] = 1 A[2 * i + 1, 0] = src_pts[i, 1] A[2 * i + 1, 1] = src_pts[i, 0] A[2 * i + 1, 3] = 1 b[2 * i, 0] = dst_pts[i, 0] b[2 * i + 1, 0] = dst_pts[i, 1] x, _, _, _ = np.linalg.lstsq(A, b, rcond=None) M = np.array([[x[0, 0], -x[1, 0], x[2, 0]], [x[1, 0], x[0, 0], x[3, 0]], [0, 0, 1]]) return M ``` 其中,`src_pts`和`dst_pts`分别是源点坐标数组和目标点坐标数组,形状均为(N, 2),表示N个点在二维平面上的直角坐标。函数返回的是一个变换矩阵M,形状为(3, 3),可以用于将源点坐标转换到目标点坐标。具体使用方法可以参考下面的示例: ```python # 定义源点坐标和目标点坐标 src_pts = np.array([[0, 0], [1, 0], [0, 1], [1, 1]]) dst_pts = np.array([[1, 2], [3, 2], [1, 4], [3, 4]]) # 计算变换矩阵 M = similarity_transform(src_pts, dst_pts) # 测试变换矩阵 test_pts = np.array([[0.5, 0.5], [0.2, 0.8], [0.8, 0.2]]) test_pts_transformed = np.dot(np.hstack((test_pts, np.ones((len(test_pts), 1)))), np.transpose(M)) test_pts_transformed = test_pts_transformed[:, :2] / test_pts_transformed[:, 2:] print(test_pts_transformed) ``` 在上面的示例中,定义了源点坐标和目标点坐标,然后调用`similarity_transform`函数计算出变换矩阵M。最后,我们测试了变换矩阵M对测试点进行变换的效果,并打印出了变换后的坐标

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值