Photo Sphere Viewer 中实现带孔洞的多边形标记功能解析
Photo Sphere Viewer 是一个强大的全景图像查看库,最近在其标记插件中新增了对带孔洞多边形标记的支持。本文将深入解析这一功能的实现原理和使用方法。
多边形标记功能的演进
Photo Sphere Viewer 的标记插件原本只支持简单的多边形标记。多边形标记通过定义一系列顶点坐标来绘制封闭区域,这在许多场景下已经足够使用。然而,在实际应用中,用户经常需要表示更复杂的形状,比如建筑物中的中庭、地图上的湖泊岛屿等,这就需要在多边形内部"挖洞"。
带孔洞多边形的实现方案
开发团队借鉴了 GeoJSON 的语法规范来实现这一功能。带孔洞的多边形数据结构采用嵌套数组的形式:
- 外层数组的第一个元素定义多边形的主体轮廓
- 后续的每个数组元素定义一个孔洞的轮廓
这种设计既保持了API的简洁性,又提供了足够的灵活性来表示任意数量的孔洞。
技术实现细节
在底层实现上,标记插件将多边形转换为SVG路径元素。关键的技术点包括:
-
顶点顺序处理:多边形主体轮廓必须按顺时针方向定义,而孔洞轮廓则需要按逆时针方向定义,这是SVG路径填充规则的要求。
-
填充规则优化:最初实现时强制反转了孔洞顶点的顺序,这导致在某些情况下需要显式设置
fillRule: "evenodd"才能正确显示。后续优化移除了这一强制反转,使API更加直观。 -
坐标转换:无论是球面坐标还是像素坐标,都会统一转换为适合SVG渲染的二维坐标系统。
使用示例
创建带孔洞的多边形标记非常简单:
{
id: 'complex-polygon',
type: 'polygon',
polygonPixels: [
// 主体轮廓
[2941, 1413], [3042, 1402], [3041, 1555], [2854, 1559],
[2739, 1516], [2775, 1469], [2941, 1413]
],
svgStyle: {
fill: 'rgba(255,0,0,0.2)',
stroke: 'red',
strokeWidth: '2px'
}
}
要添加孔洞,只需在polygonPixels数组中添加额外的轮廓定义:
{
id: 'polygon-with-hole',
type: 'polygon',
polygonPixels: [
// 主体轮廓
[2941, 1413], [3042, 1402], [3041, 1555], [2854, 1559],
[2739, 1516], [2775, 1469], [2941, 1413],
// 孔洞轮廓
[2900, 1450], [2950, 1450], [2950, 1500], [2900, 1500]
],
svgStyle: {
fill: 'rgba(255,0,0,0.2)',
stroke: 'red',
strokeWidth: '2px'
}
}
最佳实践
-
顶点顺序:确保主体轮廓是顺时针方向,孔洞轮廓是逆时针方向。
-
性能考虑:复杂的多边形会影响渲染性能,特别是在移动设备上。尽量减少顶点数量和孔洞数量。
-
视觉设计:使用半透明填充色可以确保孔洞区域仍然可见,同时保持标记的可识别性。
-
交互体验:带孔洞的多边形标记同样支持所有标准交互功能,包括悬停效果和工具提示。
总结
Photo Sphere Viewer 通过引入带孔洞的多边形标记功能,大大扩展了其在建筑可视化、地理信息系统等领域的应用潜力。这一功能的实现既考虑了易用性,又确保了渲染性能,是全景图像标记功能的重要进步。开发者现在可以更精确地标注全景图像中的复杂区域,为用户提供更丰富的信息展示方式。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00