注意到我可以在 MATLAB File Exchange 上找到的所有 Hausdorff 距离函数似乎都计算所有成对的点对点距离，这使得它们对于大图像非常慢，我觉得有必要编写一个使用距离变换 bwdist 的版本 imhausdorff，因此对大型图像数据进行线性缩放。 该代码应该适用于任何尺寸的图像。 请尝试帮助文本中的示例。
还包括点云版本 hausdorff。 适用于小数据集。
/ 乔金
2022-05-31 17:14:07
6KB
1
5.6 图像间的欧氏距离计算
根据每个图形返回的向量，可计算两个图形向量之间的距离，该距离称为图像的欧
式距离。欧式距离算法的核心是：设图像矩阵有 n 个元素（n个像素点），用 n个元素
值(x1，x2，...，xn)组成该图像的特征组（像素点矩阵中所有的像素点），特征组形
成了 n维空间（欧式距离就是针对多维空间的），特征组中的特征码（每一个像素点）
构成了每一维的数值，就是 x1（第一个像素点）对应一维，x2（第二个像素点）对应二
维，. . .，xn（第 n个像素点）对应 n维。在 n维空间下，两个图像矩阵各形成了一
个点，然后利用数学上的欧式距离公式计算这两个点之间的距离，距离最小者就是最匹
配的图像。
欧式距离公式：
点 A = （x1, x2, ... , xn）；
点 B = （y1, y2, ... , yn）；
AB^2 = (x1-y1)^2+(x2-y2)^2+...+(xn-yn)^2；
AB就是所求的 A，B两个多维空间中的点之间的距离
[16]
。效果如图 5-13所示：
2022-04-20 21:42:34
843KB
1
前些天由于工作中需求，要计算经纬度之间的距离，当我去网上搜索距离计算的方法时，发现很多文章中的方法乍一看都是很不同的，同是进行距离计算，为啥这么不一样呢？后来才发现问题在于很多文章没有进行相关的原理说明，直接上了一段代码，让人看了云里雾里的。
其实经纬度属于球面坐标，而我们常规的距离是在平面维度上的，因此，在进行距离计算之前，首先需将球面坐标转换为平面坐标，这样之后才能进行平面距离的测算，计算出来的距离单位就是米了，符合我们的常规认知。（我之前查到的一些方法中，有些是直接调包，有些是十进制和弧度互相做转换，初次接触时可能不是那么好理解背后原理）
以下是亲身实践后，总结的一些可行的计算方法。
一
2022-04-07 12:27:31
61KB
1
平面地图的测绘功能，可在测绘图片上设置比例尺，测距，计算面积，规划区域等，依次最终测绘结果下载为png图片（原图）。
使用
（v0.7.7） （v0.4.9） （v3.1.1）
基于实现焦点图像区域编辑功能，能够在图片上放置，编辑，删除图形区域以及文字说明。
Github
设置比例尺
1.点击比例尺时激活地图点击事件
function createScale ( e ) {
e . stopPropagation ( ) ;
let sLen = scale_geometry . length ;
if ( sLen > 0 ) {
for ( let i = 0 ; i < sLen ; i ++ ) {
map . removeLayer ( scale_geometry [ i ] ) ;
}
2022-02-23 22:29:58
5.11MB
1