模型精度,解析度,比例尺,看一遍通通搞定

2021-01-17 測繪師

熬了這麼久，終於接到項目了！


但當甲方爸爸問道：我們現在有很多1：500的線畫圖數據，你能不能做到1：500的精度，做到完美結合？


請問，你該怎麼回答？


（暴躁上線）「什麼是1：500，直接告訴我你需要幾釐米精度的模型，不行嗎？」


如此草率的回答，甲方爸爸怕是要跟你揮揮手，say goodbye


作為一名專業過硬的測繪工程師，此刻的你應根據比例尺快速換算模型精度，測算飛機作業航高，判斷作業可能性，再回復甲方爸爸一個完美的方案。


如此一來，甲方爸爸將被你折服，催促籤合同。


那麼，作為測繪工程師的你，這些概念都清楚嗎？


你的同行小夥伴都了解嗎？希望你可以轉發告訴他們...





▲圖：三維地圖比例尺--LocaSpaceViewer


以上是兩張帶比例尺的地圖軟體的截圖。可以看到或者直接測試一下,在二維地圖下，只要不使用滾輪縮放地圖級別，不論如何拖拽地圖，比例尺都是不會發生變化的；在三維地圖下，即使不使用滾輪縮放地圖，保持垂直視角的情況下拖拽地圖，比例尺會一直在變，這是什麼原因呢？


根據比例尺的概念，可知由於三維地圖包含地形數據，在拖拽過程當中如果地形有起伏，則當前地圖距離視點會比較近，會自動加載高級別的地圖，也就導致了地圖級別發送變化，比例尺會對應的發生變化。另一方面，三維地圖沒有絕對的級別概念，中間會有平滑縮放的過程，所以看起來會是逐漸變化。如果去掉地形，保持垂直視角，比例尺級別就不變了。


概念：影像解析度是指地面解析度在不同比例尺的具體影像上的反映

公式：影像解析度=地圖距離/像素



概念：地面解析度是以一個像素(pixel)代表的地面尺寸(米)。

公式：地面解析度=實際距離/像素；

單位：米/像素



傾斜攝影當中，經常會說我的模型是幾釐米精度的，我飛的數據是5cm精度的模型？這個5cm是如何衡量的呢？


傾斜攝影的模型精度一般是照片解析度的三倍，就是根據照片生成的正射影像的地面解析度的三倍，如果生成的正射影像的解析度是2cm/像素，那模型精度基本就是5-10cm。




根據以上概念，將比例尺、地面解析度和模型精度的換算關係做以下簡單梳理：

①1:500的比例尺，對應的地面解析度是指地圖上1m對應地表500m


②1米=39.370079英寸


③按照正常的圖像72dpi來算，一英寸包含72像素，那麼1米包含39.370079*72=2834.645688像素


④對應關係如下：2834.645688像素對應地圖上500m ，解析度為：500/2834.645688=0.1763888877247222


⑤1:500的比例尺對應的地面解析度接近0.18米


結論：1:500的比例尺，航拍精度模型也就要求0.18米，對應的航拍解析度就是0.06米，也就是說航拍建模的時候拍攝照片的精度要達到6cm以上。

相關焦點

  • 【航測必看】一文搞懂大比例尺地形圖測繪
    大比例尺地形圖修補測常見精度問題有平面中誤差超限、平面檢測粗差超限、高程中誤差超限、高程檢測粗差超限、間距中誤差超限、間距檢測粗差超限等。該情況出現在模型外圍，應變換模型檢查，重測超描部分。 5)隨機誤差中，分割不當、取捨不合理、觀測沒 照準、線(面)狀地物連線錯誤、獨立地物與附近點混淆，屋簷改正精度不夠，都會引起粗差率超限或平面中誤差超限。
  • 大疆P4RTK傾斜攝影測量1:500測圖方法及精度研究
    摘要：針對多鏡頭測繪級無人機價格昂貴、技術門檻較高的問題，本文提出利用消費級無人機獲取的傾斜影像製作大比例尺地形圖的方法。該方法運用消費級單鏡頭無人機，在RTK（real-timekinematic）輔助的前提下，採用低空飛行、井字形航線設計、高重疊率的作業方案，配以高精度像控點、立體測圖方法改進，從而實現大比例尺數字測圖。
  • 我國自主大比例尺航天測繪新時代開啟
    我國自主大比例尺航天測繪新時代開啟 帶你去看地球3D大片作為我國高分專項的重要組成部分，日前發射的高分七號衛星大幅提升了測繪數據的精確度。國家航天局日前發布了我國高分七號衛星首批22幅亞米級立體影像產品，包括北京首都機場、大興機場、雁棲湖，安徽涇縣，廣東陽春市，山東菏澤等多個地區的正射影像圖、立體核線影像、數字表面模型產品等。高分七號衛星是我國測繪精度最高的科研型衛星。與一般光學遙感衛星只能拍攝平面圖像不同，高分七號繪製的圖像是立體的。
  • 我國自主大比例尺航天測繪新時代開啟 帶你去看地球3D大片
    國家航天局日前發布了我國高分七號衛星首批22幅亞米級立體影像產品，包括北京首都機場、大興機場、雁棲湖，安徽涇縣，廣東陽春市，山東菏澤等多個地區的正射影像圖、立體核線影像、數字表面模型產品等。高分七號衛星是我國測繪精度最高的科研型衛星。與一般光學遙感衛星只能拍攝平面圖像不同，高分七號繪製的圖像是立體的。
  • 谷歌地球數學精度知多少——一份谷歌地球精度檢測分析報告
    其中，測區1和測區2位於同一中型城市的東部和西部，屬平坦區域，平均高程在10m以內，谷歌地球上的影像解析度為1m。測區3位於與距離測區1、測區2較遠的小型城市，地勢平坦，平均高程在10m以內，谷歌地球上的影像解析度為1m。測區4和測區5位於山區，高程在100m～400m之間，谷歌地球上的影像解析度為2.5m。5個測區中，相距最遠的兩個測區直線距離超過300km。
  • 看福建省測繪院如何利用Maxar 30cm HD立體影像完成1:2000地形圖測制
    目前我國解析度較高並可以提供立體測圖的衛星是2019年11月發射的高分七號衛星，其全色解析度優於0.8米，可以滿足1:10000地形圖的測制需求，達不到製作1:2000地形圖的精度指標。得到最終的數字高程模型成果DEM，如圖九。
  • 科普|傳感器的靈敏度、解析度和精度三者之間有何區別?
    傳感器的參數指標包括靈敏度、解析度、精度等，但很多人都不是很清楚這三個參數的區別，導致使用時出現大大小小的問題，下面，我們就傳感器的靈敏度、解析度和精度三者的區別為大家簡單介紹一下。
  • 比例尺詳解(大小比例尺之分)
    地圖上的比例尺，表示圖上距離比實地距離縮小的程度，因此也叫縮尺。
  • 我國成功繪製世界首部百萬比例尺土地覆被地圖集
    基於該分類系統完成的1990、2000和2010年全國土地覆被數據集，採用了共計12691景30米解析度光學數據，其中國產環境星數據8703景；63796景中低解析度遙感數據，其中國產風雲衛星數據43800景；827景微波數據用於水體和人工表面的提取，處理總圖斑單期達3000多萬個。
  • 超高解析度超高定標精度光譜技術研究獲進展---中國科學院
    超高解析度超高定標精度光譜技術研究取得進展 2020-12-21 國家天文臺南京天文光學技術研究所 該團隊以虛擬成像相位陣列（Virtually Imaged Phased Array，VIPA）作為主色散元件，以雷射頻率梳作為波長定標源，在實驗上獲得的光譜解析度為106萬（~0.6皮米），短時標波長定標精度優於10釐米/秒；由於儀器目前未做任何溫度和壓力控制，6小時雙通道同步定標精度~13米/秒，奇偶次定標精度~40釐米/秒。
  • 我國科學家成功繪製世界首部百萬比例尺土地覆被地圖集
    基於該分類系統完成的1990、2000和2010年全國土地覆被數據集，採用了共計12691景30米解析度光學數據，其中國產環境星數據8703景；63796景中低解析度遙感數據，其中國產風雲衛星數據43800景；827景微波數據用於水體和人工表面的提取，處理總圖斑單期達3000多萬個。
  • 重新認識解析度!
    文/王海嬰解析度，又稱解析度、解析度，可以細分為顯示解析度、圖像解析度、列印解析度和掃描解析度等。解析度決定了位圖圖像細節的精細程度。常見五種設備解析度：掃描儀解析度(ppi)、數位相機解析度(ppi)、電腦的屏幕解析度(ppi)、印表機解析度(dpi)、印刷機解析度(lpi)。各有各的用途和特點，但按照是輸入還是輸出可以分為兩大類。
  • CVPR 2019 | 告別低解析度網絡,微軟提出高解析度深度神經網絡HRNet
    ，使其在對空間精度敏感的任務上很難取得準確的預測結果。多解析度表徵信息交換    HRNet保持高解析度表徵，利用重複的多解析度表徵信息交換增強其表達能力，使模型所學的表徵在空間精度上有顯著的提升。1.表徵解析度對性能的影響HRNet可輸出4種解析度的表徵（1x、2x、4x、以及8x），我們針對不同的網絡輸出解析度在兩組模型上做了對比實驗，如圖5所示。
  • TensorFlow 模型優化工具包:模型大小減半,精度幾乎不變!
    它將模型常量（如權重和偏差值）從全精度浮點（32 位）量化為減少精度的浮點數據類型（IEEE FP16）。訓練後的 float16 quantization 是量化 TensorFlow Lite 模型很好的方法，因為它對精度的影響極小並且能夠使得模型大小顯著減小。
  • 關於《比例尺》的教學反思
    《比例尺》這節課的教學目的是讓學生在觀察、思考、歸納等學習活動中理解比例尺的意義，正確計算比例尺，感受到生活中需要比例尺，培養學生「學數學、用數學」的意識。反思自己的課堂教學，我感受到課堂環節的設計，直接影響著學生對新知識的掌握情況。概念的教學必須要經歷感性的認識，只有經歷過感性認識後看到的概念，才是學生真正理解了的概念。
  • 模型壓縮一半,精度幾乎無損,TensorFlow半精度浮點工具包來啦
    有了它，就能在幾乎不損失模型精度的情況下，將模型壓縮至一半大小，還能改善CPU和硬體加速器延遲。這一套工具囊括混合量化，全整數量化和修剪。如何量化模型，盡可任君挑選。比起雙精度和單精度浮點數，半精度浮點顯然沒有那麼適合計算。那麼問題來了，為什麼要主動降低精度呢？因為實際上，很多應用場景對於精度的要求並沒有那麼高。在分布式深度學習中，模型可能會有成千上萬個參數，體積一個賽一個的大，如果能把所有常量值都用16位浮點數而不是32位浮點數來存儲，那麼模型大小就能壓縮至一半，還是相當可觀的。