全景自动切片技术-krpano初识

简介: 接之前的文章,基于Three.js的全景展示框架-TPano,之前的分享中留了一个问题,如何在线展示高清大图,基于TPano技术,虽然可以实时看到全景,但是随着摄像头的分辨率越来越高,文件大小也会越来越大。

接之前的文章,基于Three.js的全景展示框架-TPano,之前的分享中留了一个问题,如何在线展示高清大图,基于TPano技术,虽然可以实时看到全景,但是随着摄像头的分辨率越来越高,文件大小也会越来越大,是否有同时可以自动切片,也可以实时切图,异步加载的解决方案呢?


       这里隆重推出全景技术的一个重量组件,krpano,官网:https://krpano.com/,上面有krpano的适用场景,还有一些教程。其主要功能如下:

image.png

krpano是一款小型且灵活的高性能全景软件,用于展示基于web的全景照片套件。它可以用于非常详细的高分辨率图像、交互式虚拟游览、定制用户界面等。


       1、通过内置的生成和图片处理算法,可以生成高清的图像。


       2、多终端、设备支持好,对于老浏览器,使用flash可以支持老的设备和浏览器。


       3、通过自定义脚本扩展制作方式,丰富制作场景。


       4、支持VR展示。


       5、生成图片小,减轻文件系统压力。


       6、其它...


       这是一款商业软件,如果需要商用,请联系官方获取商业授权,本文演示的来自社区的破解版。


       一、下载对应操作系统的软件

image.png

二、下载完成后,打开安装目录如下

image.png

 这是krpano的一些内置批量处理脚本,非常有用。

三、全景生成

 将一张全景图片拖到上述的xxx.droplet.bat 中,会看到如下转换界面

image.png

上述命令执行完成后,在图片的同级目录下,可以看到以下文件夹:

image.png

上面这个就是通过krpano脚本自动生成的全景信息。你可以把文件发布到文件系统,或者通过nginx进行资源映射,即可完成全景制作。

四、测试

你也可以点击上面的tour_testingserver.exe,会启动本地的一个服务器,将全景信息发布出来,对全景信息进行预览。

image.png

在浏览器中输入访问地址即可看到相应全景

image.png

通过以上步骤可完成全景的自动转换。


目录
相关文章
|
1月前
|
机器学习/深度学习 人工智能 编解码
OminiControl:AI图像生成框架,实现图像主题控制和空间精确控制
OminiControl 是一个高度通用且参数高效的 AI 图像生成框架,专为扩散变换器模型设计,能够实现图像主题控制和空间精确控制。该框架通过引入极少量的额外参数(0.1%),支持主题驱动控制和空间对齐控制,适用于多种图像生成任务。
68 10
OminiControl:AI图像生成框架,实现图像主题控制和空间精确控制
|
8月前
|
编解码 网络协议 开发工具
GB/T28181-2022之图像抓拍规范解读和设计实现
GB/T28181-2022之图像抓拍规范解读和设计实现
196 0
|
XML 存储 编解码
GB/T28181-2022图像抓拍规范解读及技术实现
源设备向目标设备发送图像抓拍配置命令,携带传输路径、会话ID等信息。目标设备完成图像传输后,发送图像抓拍传输完成通知命令,采用IETF RFC 3428中的MESSAGE方法实现,命令流程见9.14.2。图像文件命名规则宜采用“设备编码(20位)、图像编码(2位)、时间编码(17位)、序列码(2位)”的形式,抓拍图像文件命名规则应符合表4的要求。图像格式宜使用JPEG,图像分辨率宜采用与主码流相同的分辨率。
615 0
|
存储 编解码 算法
GIS开发:切片格式说明(翻译)-墨卡托
GIS开发:切片格式说明(翻译)-墨卡托
196 0
|
编解码 算法 定位技术
GIS开发:切片格式说明(翻译)-wgs84
GIS开发:切片格式说明(翻译)-wgs84
146 0
|
人工智能 数据可视化 人机交互
基于跨模态元迁移,美图&大连理工的参考视频目标分割方法只需单阶段
基于跨模态元迁移,美图&大连理工的参考视频目标分割方法只需单阶段
106 0
|
数据采集 移动开发 数据可视化
空间转录组|Load10X_Spatial函数修改适配多形式数据 + 空转标准流程
空间转录组|Load10X_Spatial函数修改适配多形式数据 + 空转标准流程
676 0
|
机器学习/深度学习 数据可视化
CVPR2023 | 无需动态区域分割!多帧深度估计新进展:跨线索注意力机制提升动态区域精度
CVPR2023 | 无需动态区域分割!多帧深度估计新进展:跨线索注意力机制提升动态区域精度
389 0
|
编解码 数据可视化 前端开发
CVPR2020丨重新思考图像超分辨率的数据增强:综合分析和一个新的策略
从表3中可以看到,当使用了 CutBlur 对模型进行训练,模型在测试集上的性能得到了明显的提升,尤其是在 RealSR 数据集上,所有模型至少得到了0.22dB 的提升。而 CARN则能够在 RealSR测试集上达到 SOTA 性能(RCAN basline),性能与 LP-KPN近似,使用参数量仅为 LP-KPN 的22%。从图7也可以看到,残差强度图在使用 CutBlur 方法后得到误差明显的下降。
CVPR2020丨重新思考图像超分辨率的数据增强:综合分析和一个新的策略
|
机器学习/深度学习 大数据 计算机视觉
【论文速递】TPAMI2022 - 小样本分割的整体原型激活
【论文速递】TPAMI2022 - 小样本分割的整体原型激活
244 0
【论文速递】TPAMI2022 - 小样本分割的整体原型激活

热门文章

最新文章