利用Cesium和JS实现地点点聚合功能

引言

在实现基于地图的业务场景时,当地图上需要展示过多的标记点时,大量的分散点会使地图上显得杂乱无章,导致标记点对地图上的其他重要信息造成遮挡和混淆,降低地图整体的可读性。

标记点的聚合就很好的解决了这些痛点的同时,还可以清晰的展示数据的分布模式和主要区域,便于用户直观的理解,提高地图的加载和交互的效率,便于对数据镜像更深层次的开阔和分析。

CesiumAPI 中本身自带聚合的方法,但是提供的聚合场景只适用于一些简单的标记点或者 POI 中使用

在实际的开发过程中,我们需要展示的标记点样式大多较为复杂甚至是视频等自定义的样式,标记点内实际会使用到点击、显示隐藏、调整等交互。

那么怎样利用 JSCesium 实现地图点位的聚合呢?

本文将在实际的业务使用场景中,带大家了解如何利用 cesiumJS 实现地图标记点位的聚合实现原理及方法。

实现思路:

  1. 首先是实现标记点的实现,通过监听相机角度的变化,达到的效果的地图的拖动缩放,标记点都会根据固定的点位移动;

  2. 通过简单的算法实现聚合,达到两个标记点通过放大和缩小,显示成具体的标记点数量

完成效果:



具体实现:

1.引入cesium,并初始化数据;

 //引入cesium文件
<script src="/Cesium/Cesium.js"></script>
//初始化cesium
Const viewerGis = new BIMCC_GIS_Base.Viewer('container');

2.监听相机视角变化

//开启相机视角变化
viewerGis.MouseCustomEvent.registerCameraChange();
// 监听相机视角变化事件
viewerGis.on('cameraChange', () => {
//相机视角变化调用下一步的方法获取屏幕坐标
});

3.经纬度坐标转换为屏幕坐标

经纬度坐标转换是实现聚合的最核心的一步。

Cesium 中,将经纬度坐标转换为屏幕坐标的过程主要涉及到相机视图矩阵和模型矩阵的计算。

其实现原理是将 3D世界坐标 转换为 2D画布坐标

其原理是通过Uniform(统一变量)将当前的模型视图投影矩阵应用到指定的世界坐标上,进而得到屏幕坐标。

最后将屏幕坐标转换为画布坐标系中的位置。

//假设viewer是Cesium的Viewer实例,worldPosition是一个Cesium.Cartesian实例,表示世界坐标中的一个经纬度坐标点
var canvasCoordinates = viewerGis.Coordinate?.getCanvasByWgs(worldPosition);
// 如果转换成功,canvasCoordinates将是一个包含x和y属性的对象,表示在画布上的位置
if (canvasCoordinates){
	console.log(`画布坐标: (${canvasCoordinates.x}, ${canvasCoordinates.y})`)
}

在实际开发中,我们是对 Cesium 进行了二次开发,调用的方法名有所变化,但是其原理是一样的。

获取到屏幕坐标我们就可以很容易地将标记点放入到指定的位置。

并通过上一步的监听相机位置变化,获取到每次缩放拖动后的屏幕坐标。

4.标记的聚合实现

标记的聚合实现主要算法有很多,参考高德地图,主要的算法有:直接网格法网格距离法直接距离法K-D树方法

这里我们使用直接距离法,初始时没有任何已知聚合点,然后对每个点进行迭代,计算一个点的外包正方形

若此点的外包正方形与现有的聚合点的外包正方形不相交,则新建聚合点(这里不是计算点与点间的距离,而是计算一个点的外包正方形,正方形的变长由用户指定或程序设置一个默认值)

若相交,则把该点聚合到该聚合点中,若点与多个已知的聚合点的外包正方形相交,则计算该点到到聚合点的距离,聚合到距离最近的聚合点中

如此循环,直到所有点都遍历完毕。

每个缩放级别都重新遍历所有原始点要素。

优点:运算速度相对较快,每个原始点只需计算一次,可能会有点与点距离计算,聚合点较精确的反映了所包含的原始点要素的位置信息。

缺点:速度不如完全基于网格的速度快,此法还有个缺点,就是各个点迭代顺序不同导致最终结果不同。

因此涉及到制定迭代顺序的问题。

//处理聚合数据,传参data是所有标记点
const collectMakers = (data) => {
  collectList.value = [];
  data.forEach((maker) => {
    let flag = false;
    collectList.value.forEach((item) => {
      if (flag) return;
      item.forEach((i) => {
        if (i.id == maker.id) {
          flag = true;
          return;
        }
      });
    });
    if (flag) return;
    const filterList = data.filter(
      (item) => Math.abs(maker.style.left - item.style.left) < maker.style.width && Math.abs(maker.style.top - item.style.top) < maker.style.height
    );
	//filterList就是聚合的数据
    collectList.value.push(filterList);
  });
}

通过以上几步就可以通过 JSCesium 上实现标记以及聚合的效果。

– 欢迎点赞、关注、转发、收藏【我码玄黄】,gonghao同名

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/710822.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

线性规划问题——单纯形算法

第一步&#xff1a;化“约束标准型” 在每个等式约束中至少有一个变量的系数为正&#xff0c;且这个变量只在该约束中出现。在每个约束方程中选择一个这样的变量称为基本变量。 剩下变量称为非基本变量。 一个简单的栗子 上图是一个约束标准型线性规划的例子。 等式1&#x…

几款让你怦然心动的神奇工具——搜嗖工具箱

alteredqualia AlteredQualia 脑洞爆炸器网站&#xff0c;不得不说这是一个神奇的网站&#xff0c;在这个网站上你可以实现不可思议的各种操作&#xff0c;让我们对网站有了新的认知&#xff0c;因为它告诉你不是所有有趣的网站都那么花哨&#xff0c;有些网站看着外形平淡无奇…

AI实践与学习5-AI解题场景RAG应用预研demo

背景 AI解题场景现状&#xff0c;教研测评文档&#xff1a;xxx 解题正确率仍需进一步提高&#xff0c;提示词优化方案基本无力o目前配置的易错题CoT示例支持的长度有限&#xff0c;后续题量大的时候配置具有局限性。某些英语翻译题型BAD CASE反映大模型的输出格式不太符合要求…

设置sqlserver management的字体大小

在用sqlserver management的时候&#xff0c;总感觉怪怪的&#xff0c;然后发现是字体太小的原因。 1&#xff09;设置一下字体&#xff0c;工具--选项&#xff1a; 2&#xff09;环境--字体和颜色--显示其设置&#xff08;环境&#xff09; 3&#xff09;选择微软雅黑&#xf…

在Kubernetes中部署Elasticsearch高可用集群详细教程

Hi~&#xff01;这里是奋斗的小羊&#xff0c;很荣幸您能阅读我的文章&#xff0c;诚请评论指点&#xff0c;欢迎欢迎 ~~ &#x1f4a5;&#x1f4a5;个人主页&#xff1a;奋斗的小羊 &#x1f4a5;&#x1f4a5;所属专栏&#xff1a;C语言 &#x1f680;本系列文章为个人学习…

btrace:binder_transaction+eBPF+Golang实现通用的Android APP动态行为追踪工具

一、简介&#xff1a; 在进行Android恶意APP检测时&#xff0c;需要进行自动化的行为分析&#xff0c;一般至少包括行为采集和行为分析两个模块。其中&#xff0c;行为分析有基于规则、基于机器学习、基于深度学习甚至基于大模型的方案&#xff0c;各有各的优缺点&#xff0c;不…

Photoshop中颜色与色调的调整

Photoshop中颜色与色调的调整 Photoshop中的颜色模式RGB模式灰度模式位图模式索引模式CMYK模式Lab模式 Photoshop中的颜色/色调调整命令颜色/色调调整命令的分类亮度/对比度调整命令色阶命令曲线命令曝光度命令自然饱和度命令色相/饱和度命令色彩平衡命令照片滤镜调整命令通道混…

一篇文章教你学会公众号IP写作(新手小白必备)

最近在带大家玩公众号 IP 写作&#xff0c;很多新手小白常问的问题&#xff0c; 1 什么是IP写作&#xff1f; “IP写作&#xff0c;简单来说&#xff0c;就是通过在公众号上持续写出有价值的文章&#xff0c;来建立个人影响力。 让读者了解你、信任你、找你付费。实现高价值、强…

MySQL之优化服务器设置(二)

优化服务器设置 InnoDB事务日志(包含:Redo log 重做日志和Undo log回滚日志) 了解清楚"把日志缓冲写到日中文件"和"把日志刷新到持久化存储"之间的不同是很重要的。在大部分操作系统中&#xff0c;把缓冲写到日志只是简单地把数据从InnoDB的内存缓冲转移…

MySQL中的正排/倒排索引和DoubleWriteBuffer

正排/倒排索引 正排索引 文档1&#xff1a;词条A&#xff0c;词条B&#xff0c;词条C 文档2&#xff1a;词条A&#xff0c;词条D 文档3&#xff1a;词条B&#xff0c;词条C&#xff0c;词条E正排表是以文档的ID为关键字&#xff0c;表中记录文档中的每个字的位置信息&#xff…

人事信息管理系统(Java+MySQL)

一、项目背景 在现代企业中&#xff0c;管理大量员工的工作信息、薪资、请假、离职等事务是一项非常繁琐和复杂的任务。传统的手工管理方式不仅效率低下&#xff0c;而且容易出错。为了提高人事管理的效率&#xff0c;减少人工操作带来的错误&#xff0c;企业迫切需要一个高效…

怎样收集企业名单?

收集企业名单的方法按照不同维度有不同的方式&#xff0c; 通过人工一个个收集&#xff0c;通过技术手段收集&#xff0c;通过第三方进行购买。 按照来源渠道&#xff0c;可以分为官方和非官方网站&#xff0c;官方的有公示系统&#xff0c;年报等。此外一些相对于官方的平台…

论文阅读笔记:DepGraph: Towards Any Structural Pruning

论文阅读笔记&#xff1a;DepGraph: Towards Any Structural Pruning 1 背景2 创新点3 方法4 模块4.1 分组4.2 依赖图4.3 网络分解4.4 依赖建模4.4 组级剪枝 5 效果 论文&#xff1a;https://arxiv.org/pdf/2301.12900 代码&#xff1a;https://github.com/VainF/Torch-Prunin…

Anaconda环境安装失败的解决方案

链接步骤的补充。 为了运行marlib&#xff0c;需要一个全新的Anaconda环境。但是&#xff0c;不想把文件安装在C盘&#xff0c;会造成空间不足。于是试着在.condarc文件里面改动了路径&#xff0c;具体如图。 上图中&#xff0c;在defaults前面添加了D盘的路径作为安装路径。 …

docker环境中配置phpstorm php xdebug调试工具

本文介绍通过docker compose的使用方式 第一步&#xff1a;在php镜像中安装phpxdebug扩展&#xff0c;比如php7.4对应的是xdebug3.1.6 第二步&#xff1a;设置项目中的docker-compose.yml docker-compose 增加开启xdebug的环境变量,host.docker.internal是宿主机的地址&#…

错题记录(小测)

单选 错题1 错题2 错题3 代码题 反转链表 链表的回文结构

java第二十三课 —— 继承

面向对象的三大特征 继承 继承可以解决代码复用&#xff0c;让我们的编程更加靠近人类思维&#xff0c;当多个类存在相同的属性&#xff08;变量&#xff09;和方法时&#xff0c;可以从这些类中抽象出父类&#xff0c;在父类中定义这些相同的属性和方法&#xff0c;所有的子…

利用flask + pymysql监测数据同步中的数据是否完整

一、背景 最近项目搞重构&#xff0c;将原有的系统拆分成了多个子系统。但是有数据表需要在不同系统中数据&#xff0c;同时为了解决项目性能最了一个很简单的方案&#xff0c;就是公共数据存在每个系统之中。 二、分析 分析这些表&#xff0c;这些表相比源数据表&#xff0c;表…

网络编程之XDP和TC

一、TC之于XDP 在前面分析过XDP&#xff0c;今天简单分析一下与其相关的TC&#xff0c;即traffic control,流量控制。在分析XDP时知道其只能用于ingress方向触发&#xff0c;而TC却可以在两个方向即ingress和egress方向触发。也可以简单理解成它可以同时钩住进出两个方向的数据…

Aivis:AI声音模仿系统的创新之旅

在人工智能技术的不断进步中&#xff0c;声音合成技术也迎来了新的发展机遇。Aivis项目正是这一领域的杰出代表&#xff0c;它提供了一个全流程的工具&#xff0c;让用户能够从数据集的创建到学习再到推理&#xff0c;一站式地生成逼真的语音。 Aivis是一个基于Bert-VITS2模型的…