地理信息系统]坐标系
坐标系应该算是GIS专业的基础知识了,今天决定水文一篇,介绍一下坐标系。
1.基础知识
-
地理坐标系 (GCS) 使用三维球面来定义地球上的位置。GCS 包括角度测量单位、本初子午线和基准面(基于旋转椭球体)。可通过其经度和纬度值对点进行引用。为球面坐标,参考平面地是椭球面,坐标单位:经纬度。
-
投影坐标系在二维平面中进行定义,在二维空间范围内,投影坐标系的长度、角度和面积恒定。为平面坐标,参考平面地是水平面,坐标单位:米、千米等。
投影坐标系始终基于地理坐标系,而后者则是基于球体或旋转椭球体的。
投影坐标系始终基于地理坐标系,而后者则是基于球体或旋转椭球体的。
地理坐标系由基准面确定,基准面又分为地心基准面(由卫星数据得到,使用地球的质心作为原点,使用最广泛的是 WGS 1984)和区域基准面(特定区域内与地球表面吻合,大地原点是参考椭球与大地水准面相切的点,例如Beijing54、Xian80)。
相对同一地理位置,不同的大地基准面,它们的经纬度坐标是有差异的。
投影坐标系由地理坐标系和投影方法(比如高斯-克吕格、Lambert投影、Mercator投影)确定。
2.常用坐标系
2.1 WGS84坐标系:World Geodetic System一1984 Coordinate System
一种国际上采用的地心坐标系,常说的EPSG:4326,采用的是WGS84椭球体。美国GPS使用的一个全球地理坐标系统,osm地图、谷歌地图(国外版)、Landsat系列卫星影像图等均在地理坐标系统上使用了这个。
EPSG,European Petroleum Survey Group,中文名称为欧洲石油调查组织。EPSG对世界的每一个地方都制定了地图,管理每一个坐标系的ID。
2.2 WGS84 Web墨卡托:WGS 84 / Pseudo-Mercator
投影坐标系,采用的投影方式为墨卡托,参考地理坐标系是WGS84,常被记为EPSG:3857。
2.3 北京54坐标系和西安80坐标系
1954年北京坐标系可以认为是前苏联1942年坐标系的延伸,原点不在北京而是在前苏联的普尔科沃。采用的是克拉索夫斯基椭球,对应WKID为4214。
西安80坐标系的大地原点设在我国中部的陕西省泾阳县永乐镇,位于西安市西北方向约60公里。采用的是是1975国际椭球,对应WKID为4610。
北京54 西安80有大地坐标系(经纬度),也有平面坐标系(米、千米等)。
2.4 CGCS2000坐标系:China Geodetic Coordinate System 2000
2000中国大地坐标系,又称之为2000国家大地坐标系,是中国新一代大地坐标系,是地心坐标系,对应的椭球是CGCS2000椭球体,对应WKID为4490。
推荐阅读
-
5.1.3 边界值法--二元基本边界值分析 边界值测试的另一个关键假设是,故障很少是由两个(或两个以上)缺陷同时出现造成的,这在可靠性理论中称为 "单一缺陷 "假设。基于 "单一缺陷 "假设的边界值测试称为基本边界值分析。 在边界值测试中,我们通常使用两值边界,然后辅助以正常值来设计输入变量的值。 对于只有 x 和 y 两个输入变量的软件,输入域在二维坐标系中呈阴影状。使用基本边界值分析法得到的测试用例就是黑点所在的位置,总共有九个测试用例。 如果有一个 n 变量的软件输入域,则选择其中一个变量略小于最小值、最小值、正常值、最大值和略大于最大值这五个值,其余全部取正常值。对这个 n 个变量的软件输入域进行边界值分析,可产生 4n+1 个测试用例。 三值基本边界值分析
-
无人驾驶飞机运动控制中的坐标系,以及惯性坐标系和机身坐标系之间的矩阵变换 欧拉角
-
D3D 坐标系和几何 - DirectX Griaphic Learning - 1.1.2.三维原型(点阵)
-
笛卡尔坐标系如此简单,为何却迟迟不能问世?
-
6_摄像机坐标系_摄像机 4 坐标系详情
-
6_ 摄像机坐标系_1_摄像机校准概述
-
您真正掌握坐标系转换了吗?自动驾驶离不开的多传感器问题
-
通过摄像机的校准方法和摄像机的坐标系了解内部参考、外部参考和像差参数这三个参数
-
61 相机投影原理、相机模型中的坐标系和校准方法
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。