geohash bbox 生成四个顶点坐标

最新推荐文章于 2024-08-20 17:23:57 发布
最新推荐文章于 2024-08-20 17:23:57 发布
阅读量743 收藏
点赞数
分类专栏： python 功能测试 文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Jasonliujintao/article/details/126548410
版权

编码实现-硬扣代码

_all__ = ['encode', 'decode', 'bbox', 'neighbors']
_base32 = '0123456789bcdefghjkmnpqrstuvwxyz'
# 10进制和32进制转换，32进制去掉了ailo
_decode_map = {
   }
_encode_map = {
   }
for i in range(len(_base32)):
    _decode_map[_base32[i]] = i
    _encode_map[i]=_base32[i]


def bbox(geohash):
    lat_range, lon_range =
最低0.47元/天 解锁文章
关于知道区块的geohash值，求区块中点坐标和四角坐标
修行的博客
01-16 2098
条件：先知道该区块geohash值或者该区块任意一点gps 推荐测试工具：geohash在线 geohash工具类 public class GeoHash { private LocationBean location; /** * 1 2500km;2 630km;3 78km;4 20km * 5 2.4km; 6 610m; 7 76m; 8 19m */ private...
地图实现根据行列号和层级重新计算bbox边界范围（投影坐标转球面坐标）
HGX-DJK
07-14 1170
对于经过墨卡托投影为平面的世界地图，在不同的地图分辨率(整个世界地图的像素大小)下，通过切割的方式将世界地图划分为像素为256* 256 的地图单元，划分成的每一块地图单元称为地图瓦片。mercatorToWGS84(x, y) 函数将投影坐标转换为WGS84坐标（经纬度）。generateWMSUrl(x, y, z) 函数生成包含边界框的WMS请求URL。函数计算给定行（x）、列（y）和缩放级别（z）的瓦片边界。给定行列号和缩放级别，生成对应的WMS URL并打印。是每个瓦片在给定缩放级别下的尺寸。
bbox 四个顶点排序
DaGongJiGuoMaLu09的博客
07-23 2052
1、问题 已知矩形框（或者任意形状框，但必须是凸包）的四个顶点坐标，将其按照 “左上→右上→右下→左下” 的顺序排序。 2、思路 一般性的解决方案：先计算矩形框对角线的交点坐标 (Cx,Cy)(C_x, C_y)(Cx​,Cy​)，则：x<Cx,y<Cyx<C_x, y<C_yx<Cx​,y<Cy​ 的是左上，x>Cx,y<Cyx>C_x, y<C_yx>Cx​,y<Cy​ 的是右上，x>Cx,y>Cyx>C_x, y
对训练图片中小目标进行提取扩展并改写xml中bndbox的坐标值
南洲.的博客
11-07 1430
      本文对小物体（在原图占比较小的），例如长宽都小于416的物体进行单独拿出来保存，并生大小为416×416的图片和一个只含有一个object的xml，如果检测的物体长宽都大于416,暂时舍弃。其中的"000000.xml"是随便一个xml,保证只含有一个object就可以，用于复制。img_path ，xml_path，spli...
利用Geohash算法，快速检索周边兴趣点
我哎GIS博客
08-20 2787
需要一个需求，查找某小区附近的超市，如果该小区和超市距离在500米以内，则查找成功。实现该功能按照传统方式，需要获取小区中心点坐标，然后500米半径做缓冲，然后对所有的超市点位和生成的缓冲区做空间分析，在缓冲区内的就是符合条件的超市。但是超市数据量很大，有什么方式能快速过滤超市数据呐？geohash是不错的方式，下面这种介绍geohash算法的原因和实现方式。
空间索引之GeoHash
lizz2276的博客
08-13 1763
aa
使用Geotools自动提取Shp文件bbox生成格网示例
最新发布
05-09
当前，使用Geotools自动提取shp文件的bbox自动生成格网数据的例子不多。本实例通过结合 Java 和 GeoTools，可以充分利用它们的优势，实现矢量文件到格网文件的自动化转换。为一些专题图的生成提供参考。
python_geohash-0.8.5-cp312-cp312-win_amd64.whl.zip
05-29
4. `geohash.bbox(geohash_string)`: 获得一个Geohash覆盖的地理边界（bounding box），返回一个包含四对经纬度的元组，表示矩形边界。 5. `geohash.within(point_geohash, bbox_geohashes)`: 判断一个点是否位于一...
nodejs geohash
05-07
`ngeohash.bbox(geohash)`返回一个包含四个坐标点（西南角和东北角）的数组，这些点定义了Geohash的边界。 在实际应用中，例如开发一个基于位置服务的Web应用，Node.js和ngeohash库可以协同工作，高效地处理地理...
（rect坐标转换）rect矩形框的坐标形式转换，以及坐标形式到bbox（bounding box）边界框的转换
qq_43394031的博客
11-22 1万+
cxy_wh_2_bbox，cxy_wh_2_rect, rect_2_cxy_wh
geohash:Node.js 和浏览器兼容的 javascript geohashing 函数
06-03
地理哈希 Node.js 和浏览器的 Geohash 库。 用法 geohash.encode（纬度，经度[，精度]） 将一对纬度和经度编码为 geohash。 第三个参数是可选的，您可以指定此哈希字符串的长度，这也会影响 geohash 的精度。 geohash.decode（哈希字符串） 将哈希字符串解码为纬度和经度对。 返回一个带有键lat和lon javascript 对象。 geohash.neighbor（哈希字符串，方向） 在某个方向上查找 geohash 字符串的邻居。 Direction 是一个二元数组，即 [1,0] 表示北，[-1,-1] 表示西南。 geohash.decode_bbox (hashstring) 将哈希字符串解码为与其匹配的绑定框。 以四元素数组形式返回的数据：[minlat, minlon, maxlat, maxlon] 关于 Geo
如何把2d目标检测的bbox转化到现实世界坐标系的？
3D视觉工坊
06-20 2677
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达编辑：3D视觉工坊https://www.zhihu.com/question/394814665/answer/125062151...
基于地理位置算法GeoHash核心原理解析
张不帅
09-01 2036
文章目录认知GeoHash算法步骤根据经纬度计算GeoHash二进制编码组码GeoHash Base32编码长度与精度具体应用使用注意点 认知GeoHash GeoHash将二维的经纬度转换成字符串,如北京9个区域的GeoHash字符串，分别是WX4ER，WX4G2、WX4G3等等，每一个字符串代表了某一矩形区域 因此 这个矩形区域内所有的点（经纬度坐标）都共享相同的GeoHash字符串, 左上角...
一种基于快速GeoHash实现海量商品与商圈高效匹配的算法
闲鱼技术的博客
07-09 1200
摘要闲鱼app根据交通条件、商场分布情况、住宅区分布情况综合考虑，将城市划分为一个个商圈。杭州部分区域商圈划分如下图所示。 闲鱼的商品是由用户发布的GPS随机分布在地图...
深度学习-目标检测之边界框bbox坐标转换公式汇总
二爷的博客
07-02 1392
可以转换以下三种格式的输入数据 list,numpy,tensor，维度可以从0维到2维， 也就是shape为：(4,) (3, 4) torch.Size([4]) torch.Size([3, 4])的边界框数据。尝试着写了一个可以转换任何维度的任意格式的bbox函数。
地理空间索引：GeoHash原理
zhufenghao
01-01 1万+
1. 基于空间位置的服务 基于位置的服务型电商席卷而来，搭乘网约车去到目的地、搜索附近的餐馆酒旅，无不让人们感觉到便捷。比如打开滴滴APP，我们看到附近的车辆如下 那么问题来了，滴滴是怎么快速的匹配出乘客附近2公里的车辆的呢？ 先讲最暴力的解法：首先获取乘客的经纬度坐标，然后和当前所有车辆的经纬度坐标计算距离，最后筛选留下距离小于两公里的车辆。这种解法计算量随着车辆规模线性增长，因此非常耗时。一...
用户dsn保存位置‘_IPFS应用丨基于IPFS和GeoHash构建具有地理位置价值服务的DDApp...
weixin_39636333的博客
11-22 103
一、概述1.1 项目意义打造地理位置信息与区块链的关系对象模型，建立一套人->位置->真实世界->传递信任->价值转移->位置->人的生态模型，实现用区块链来索引真实世界的愿景。通过GeoHash算法可以大幅度提高在庞大位置数据中的检索效率，同时为应用提供便捷的缓存机制。IPFS&Filecoin技术则可以保证在一个可信的区块链网络中去大规模传...
react 逆地理 高德地图_加推实战之GeoHash逆地址查询
weixin_39833429的博客
11-25 652
加推实战之GeoHash逆地址查询❝WebGIS应用非常广泛，掌握原理和编码方式是全栈必须的技能?❞1.从痛点说起小程序和一些弱网情况下无法获得经纬度所对应的省区信息。?各大webMapAPI都需要AccessKey，本身管理不统一，普通key的调用会有频度限制。用户希望迅速，定位到所在地区的服务门店?需求分析1.离线或本地化，通过经纬度来查询得到中国省区信息。?2.希望有较高的性能，在...
地理空间索引：线段与多边形的GeoHash编码
热门推荐
zhufenghao
01-07 2万+
在上一篇博客地理空间索引：GeoHash原理中，我们讨论了如何将一个经纬度坐标转化为GeoHash编码，但是出于很多工作上的需要，我们需要在此基础上对线段与多边形进行编码，本文就探讨这个话题。 1. 编码直线与多边形 这里首先规定一下线段和多边形的输入格式： 线段：用起点和终点的经纬度表示，[(108.940430, 34.343436), (116.411133, 39.909736)] 多边...
旋转目标检测四个顶点
03-02
### 旋转目标检测中的四个顶点处理 在旋转目标检测任务中，对于四个顶点的处理通常采用有序四边形定义法。这种方法不直接表示角度值，而是通过记录旋转矩形框上四个角的具体坐标来描述物体的位置和姿态[^3]。 具体来说，在标注数据集时，每个对象会被标记为其边界框的四个顶点坐标(x1, y1), (x2, y2), (x3, y3), 和 (x4, y4)，这些点按照顺时针方向排列形成一个封闭多边形。为了确保模型能够正确理解并预测这种类型的边界框，在训练过程中需要特别注意输入特征的设计以及损失函数的选择。 #### 数据预处理阶段 当准备用于训练的数据时，应该将原始图像及其对应的标签转换成适合网络接收的形式： - 对于每一张图片，提取其中所有感兴趣的对象，并获取它们各自的四个顶点位置； - 将这八个数值（即两个维度上的四个坐标）作为回归的目标向量传递给神经网络； ```python import numpy as np def prepare_data(image, labels): # 假设labels是一个列表，里面包含了多个字典， # 每个字典代表一个物体的信息{'class': ..., 'points': [(x1,y1),(x2,y2)...]} processed_labels = [] for obj in labels: class_name = obj['class'] points = np.array(obj['points']) # 计算中心点和其他属性... center_x = sum([p[0] for p in points]) / 4.0 center_y = sum([p[1] for p in points]) / 4.0 width = max(abs(points[i][0]-points[(i+1)%4][0]) for i in range(4)) height = max(abs(points[i][1]-points[(i+1)%4][1]) for i in range(4)) angle = ... # 可选计算角度信息 processed_label = { "center": [center_x, center_y], "size":[width,height], "angle":angle, "vertices": list(map(tuple,map(int,points))) } processed_labels.append(processed_label) return image, processed_labels ``` #### 模型架构调整 为了让深度学习框架更好地适应此类任务需求，可能还需要对现有算法做出一些改动或优化: - 修改最后一层输出结构以支持更多参数的学习; - 设计专门针对OBB（ Oriented Bounding Box）形式的损失函数; 例如，在基于YOLO系列改进后的版本Rotation-YOLOv5 中，就引入了新的机制来提高对倾斜物体识别的效果[^1]. #### 后处理步骤 完成前向传播之后得到的结果往往不是最终想要的形式，因此还需经过一系列操作才能获得理想的输出： - 解码过程会把网络给出的概率分布转化为具体的几何形状； - 非极大抑制(NMS)可以去除冗余检测结果只保留最有可能的那个选项； ```python from scipy.spatial import distance_matrix def nms_rotated_boxes(detections, threshold=0.7): """ detections: List of dictionaries containing detection results. Each dictionary should have keys ['score', 'bbox'] where bbox is a tuple with eight elements representing four vertices coordinates. Returns filtered detections after applying NMS on rotated bounding boxes. """ if not detections: return [] scores = [d['score'] for d in detections] indices_sorted_by_score = sorted(range(len(scores)), key=lambda k: -scores[k]) keep_indices = [] while len(indices_sorted_by_score)>0: idx_max = indices_sorted_by_score.pop(0) keep_indices.append(idx_max) remaining_bboxes = [detections[idx]['bbox'] for idx in indices_sorted_by_score] distances_between_centers = distance_matrix( [[sum(bbox[i::2])/4 for i in range(2)] for bbox in remaining_bboxes], [[sum(detections[idx_max]['bbox'][i::2])/4 for i in range(2)]] ).flatten() angles_diffs = [ min(abs(a-b), abs((a%np.pi*2)-(b%np.pi*2))) for a,b in zip( map(lambda b:(np.arctan2(b[3]-b[1],b[2]-b[0])+np.pi/2)%np.pi,detections), itertools.repeat(np.arctan2(*reversed([ sum([(y-x)[j]for j in range(i,i+8,2)])//4 for i,x,y in zip(itertools.count(),*[iter(detections[idx_max]['bbox'])]*2)] ))+(np.pi/2))%(np.pi),len(remaining_bboxes)) ) ] suppression_mask = ((distances_between_centers<threshold)&(angles_diffs<np.radians(threshold))).astype(bool).tolist() indices_to_remove = set(compress(indices_sorted_by_score,suppression_mask)) indices_sorted_by_score[:] = [idx for idx in indices_sorted_by_score if idx not in indices_to_remove] return [detections[i] for i in keep_indices] ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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