旅行妙招 | 工作生活中沿路径拍摄照片视频如何生成和标记到对应的位置

爱旅行的朋友都体会过沿线拍摄的一大堆漂亮的照片,回来查看的时候不知道是哪个位置拍摄的,然而就没有其他的办法了吗?

其实照片轨迹记录对于很多行业是非常需要的,尤其是GIS圈,外业同志拍摄了一大堆照片之后,内业要面对的是繁杂的整理工作。大量照片存储在文件夹里,内容与地理位置无法对应。

 

 

为此,外业工作人员甚至要每拍摄一张照片,就把编号记录下来;内业人员为了能把照片和图片信息对应起来需处理大量文件夹和照片。

照片生成轨迹,让照片能在地图上可视化查看这么一个简单的功能,却能解决很多行业工作者的大问题!

照片生成轨迹功能

 

那么哪些行业会涉及照片生成轨迹这个工作呢?往下看

1.电力巡线

电力巡线的队伍可能会同时维护多条线路,每条线路几百到上千公里,巡检内容包括跳线、杆塔、绝缘子、防震锤、线夹、导线、地面环境等内容,这就意味一次巡检下来,照片数量极其庞大。想排查一个重点细节,再安排人员去解决,过程耗费大量时间。

电力巡检照片按照地理位置在地图显示

将图片轨迹生成出来,直观地呈现在地图相应位置,照片拍摄的内容瞬间明朗,照片自己告诉你:“我是谁,我在哪”。

 

2.农村老旧房屋设施改造

旧村改造中,外业人员会去现场采集大量数据,包括居民点坐标、居民点标高以及乡村景观外貌照片。庞大的数据信息和真实空间位置难以对应起来,给实际的改造工作造成了不便。

乡村规划照片按照地理位置在地图显示

 

 

照片轨迹叠加实景三维模型和卫星影像

 

生成照片轨迹后,还可以与无人机拍摄的实景三维模型叠加起来查看,照片内容可以为模型和影像补充更多细节信息。

 

3.其他应用

凡是需要将照片内容与地理位置相结合的地方都可以用到这个功能,如河道巡检、管道巡检、城市违建查处等,甚至于生活中像户外徒步、旅行记录等等都会用到照片生成轨迹

无人机河道巡检照片生成轨迹

 

 

如何让照片与轨迹一一对应呢?具体操作如下:

非常简单!打开图新地球软件(www.tuxingis.com)“工具”菜单中,点击“照片生成轨迹”,在弹出对话框中,选择照片所在文件夹进行照片加载,加载结束后将自动显示加载图片的信息,包括照片的拍摄时间和位置信息都可以看到。

 

▪ 勾选“生成缩略图”可以使在地图上显示的点的图标设置为相应的照片的缩略图。

▪ 勾选“生成轨迹线”即可在地图中根据照片拍摄时间先后信息进行将各点进行连接。

▪ 勾选“打包照片到附件”可以将所选择文件夹中的照片打包进kmz文件中。

除此之外,虽然GPS定位已经在很多设备上被广泛使用,但很多相机却没有GPS定位功能,很多人会增加一个附加GPS接收器。图新地球软件同样支持将GPS信息写入没有GPS信息的照片或者将原先的GPS信息覆盖。带有GPS的照片就可以生成轨迹在地图上显示。

以上就是照片生成轨迹的方法,是不是很简单!

END

TSP(Traveling Salesman Problem,旅行商问题)是一个经典的组合优化问题,目标是找到一条经过所有城市且路径最短的路线。贪心算法是一种常用的解决TSP问题的方法。 TSP问题的贪心算法思路如下:首先选择一个起始城市,然后每次选择距离当前城市最近且未被访问过的城市作为下一个要访问的城市,直到所有城市都被访问过,最后回到起始城市形成闭环。 使用Python实现TSP问题的贪心算法可以按照以下步骤进行: 1. 首先创建一个n x n的距离矩阵,其中n为城市数量,矩阵每个元素表示城市之间的距离。 2. 初始化一个记录已访问城市的列表visited,起始城市设置为已访问。 3. 初始化一个空的路径列表path,将起始城市添加到路径。 4. 从起始城市开始,依次遍历每个城市,选择距离当前城市最近的未访问城市,将其添加到路径中,并将该城市标记为已访问。 5. 重复步骤4,直到所有城市都被访问过。 6. 计算路径长度,即遍历路径列表中的城市并累加对应的距离矩阵元素。 7. 将最后一个城市与起始城市形成闭环,计算闭环长度。 8. 返回路径和闭环长度作为结果。 以下是Python代码实现TSP问题的贪心算法: ```python import numpy as np def tsp_greedy(distance_matrix): n = len(distance_matrix) visited = [0] * n # 记录已访问的城市 visited[0] = 1 # 设置起始城市为已访问 path = [0] # 路径列表,开始时只包含起始城市 current_city = 0 # 当前城市为起始城市 while len(path) < n: closest_city = -1 # 距离当前城市最近的未访问城市 min_dist = float('inf') # 最短距离 for i in range(n): if visited[i] == 0 and distance_matrix[current_city][i] < min_dist: closest_city = i min_dist = distance_matrix[current_city][i] path.append(closest_city) # 将最近城市添加到路径中 visited[closest_city] = 1 # 标记最近城市为已访问 current_city = closest_city # 更新当前城市 path_length = sum(distance_matrix[path[i-1]][path[i]] for i in range(1, n)) # 计算路径长度 cyclic_length = path_length + distance_matrix[path[-1]][path[0]] # 计算闭环长度 return path, cyclic_length # 距离矩阵示例 distance_matrix = np.array([[0, 1, 2, 3], [1, 0, 4, 5], [2, 4, 0, 6], [3, 5, 6, 0]]) path, cyclic_length = tsp_greedy(distance_matrix) print("最短路径:", path) print("最短路径长度:", cyclic_length) ``` 以上是使用贪心算法解决TSP问题的简单示例,将根据距离矩阵计算出最短路径和最短路径长度。实际应用中,可能需要对贪心算法进行改进和优化,以得到更好的解。 注意:以上代码仅作为示例,具体实现还需要根据实际问题进行适当的调整。
评论
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