ArcGIS导出AI或EPS格式的地图图片并在Adobe Illustrator中继续编辑

简介: ArcGIS导出AI或EPS格式的地图图片并在Adobe Illustrator中继续编辑

  本文介绍在ArcGIS下属的ArcMap软件中,将绘制好的地图导出为.ai或者.eps格式文件,并在Adobe Illustrator软件中进一步编辑地图,并最终导出为图片格式的结果文件的方法。

  在ArcMap软件中绘制各类地图可以说非常方便,绘制得到的地图也可以调整得较为美观、标准;在之前的文章ArcGIS中ArcMap绘制多框幅论文文献研究区域概况介绍示意图https://blog.csdn.net/zhebushibiaoshifu/article/details/116646192)中,我们就介绍了基于ArcMap软件与PPT软件,绘制研究区域示意图的方法。而除了用PPTArcMap软件绘制完毕的地图加以进一步修改之外,我们还可以通过Adobe Illustrator软件,对绘制完毕的地图加以更为细致、方便地修改,本文就对这一方法加以介绍。

  首先,在ArcMap软件中绘制完毕地图后,我们选择“File”→“Export Map”选项,如下图所示。

  随后,在弹出的窗口中,我们配置好导出文件的路径与名称,并选择需要导出为.ai或者.eps格式;这里建议大家直接导出为.ai格式。

  此外,如果大家在导出时出现如下图所示的报错信息,需要注意将上图中紫色框内的勾选项取消选中

  此外,建议大家将下图所示的紫色框内的勾选项选中;否则在后续Adobe Illustrator软件中处理时,有时会有无法编辑的情况发生。

  随后,用Adobe Illustrator软件打开刚刚保存的文件。此时,如果Adobe Illustrator软件出现图下图所示的提示,选择“更新”即可。

  用Adobe Illustrator软件打开文件后,我们首先需要按下Ctrl键与A键,全选图层中的全部对象;随后在Adobe Illustrator软件右侧的“属性”一栏中,找到“释放蒙版”选项,并选择;如下图所示。

  此时,对于我们刚刚导出的地图文件,其中的几乎每一个元素都可以被选中、编辑了;例如,如下图所示,我们可以修改地图边界处的经纬度数字

  再例如,对于下图中内部的黑色框线的竖直部分,如果我们不想要,就可以直接用Adobe Illustrator软件的“剪刀工具”,将其删除。

  删除内部黑色框线的竖直部分后,如下图所示。

  如上所示,我们将地图导入Adobe Illustrator软件,就可以结合我们实际的需求,对其加以更为细致、精确、美观的修改。

  完成地图的修改、编辑后,我们选择“文件”→“导出”→“导出为…”选项,如下图所示。

  随后,在弹出的窗口中配置好需要的图片格式、保存路径与文件名称;对于.png等图片格式,Adobe Illustrator软件将会再弹出一个新的选项窗口,我们在其中配置导出图片的分辨率背景颜色等即可。如下图所示。

  至此,大功告成。

欢迎关注:疯狂学习GIS

相关文章
|
5月前
|
人工智能 监控 算法
人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含9000张已标注、已划分的行人图像,适用于人群计数与目标检测任务。支持YOLO等主流框架,涵盖街道、商场等多种场景,标注精准,结构清晰,助力AI开发者快速训练高精度模型,应用于智慧安防、人流统计等场景。
人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
|
5月前
|
机器学习/深度学习 人工智能 算法
用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含2500张已标注实验室设备图片,涵盖空调、灭火器、显示器等10类常见设备,适用于YOLO等目标检测模型训练。数据多样、标注规范,支持智能巡检、设备管理与科研教学,助力AI赋能智慧实验室建设。
用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
|
5月前
|
机器学习/深度学习 人工智能 监控
面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含5000张已标注牛行为图片,涵盖卧、站立、行走三类,适用于YOLO等目标检测模型训练。数据划分清晰,标注规范,场景多样,助力智慧牧场、健康监测与AI科研。
面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
|
7月前
|
机器学习/深度学习 人工智能 自动驾驶
交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务
在智能驾驶与智慧交通的研究中,交通标识与信号灯识别 是最基础且最关键的任务之一。为了方便研究人员和开发者快速上手目标检测模型训练,本数据集提供了 1000张交通场景图片,并且已经按照目标检测任务的需求完成了 数据标注与划分。该数据集可直接应用于 YOLO、Faster R-CNN、SSD 等深度学习模型的训练与测试。
交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务
|
5月前
|
人工智能 编解码 搜索推荐
AI智能换背景,助力电商图片营销升级
电商产品图换背景是提升销量与品牌形象的关键。传统抠图耗时费力,AI技术则实现一键智能换背景,高效精准。本文详解燕雀光年AI全能设计、Canva、Remove.bg等十大AI工具,涵盖功能特点与选型建议,助力商家快速打造高质量、高吸引力的商品图,提升转化率与品牌价值。(238字)
575 0
|
机器学习/深度学习 人工智能 编解码
AI虫子种类识别数据集(近3000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
本数据集包含近3000张已划分、标注的虫子图像,适用于YOLO系列模型的目标检测与分类任务。涵盖7类常见虫子,标注采用YOLO格式,结构清晰,适合农业智能化、小样本学习及边缘部署研究。数据来源多样,标注精准,助力AI虫害识别落地应用。
|
10月前
|
存储 机器学习/深度学习 人工智能
多模态RAG实战指南:完整Python代码实现AI同时理解图片、表格和文本
本文探讨了多模态RAG系统的最优实现方案,通过模态特定处理与后期融合技术,在性能、准确性和复杂度间达成平衡。系统包含文档分割、内容提取、HTML转换、语义分块及向量化存储五大模块,有效保留结构和关系信息。相比传统方法,该方案显著提升了复杂查询的检索精度(+23%),并支持灵活升级。文章还介绍了查询处理机制与优势对比,为构建高效多模态RAG系统提供了实践指导。
2526 0
多模态RAG实战指南:完整Python代码实现AI同时理解图片、表格和文本
|
SQL 人工智能 关系型数据库
SQL玩转多模态AI,轻松搞定图片+文本混合搜索
本文介绍了一种通过原生SQL实现多模态智能检索的破局思路,基于PolarDB创新融合AI智能引擎,解决传统AI检索系统数据迁移冗余和工具链割裂的问题。方案优势包括低门槛AI集成、灵活适配多场景、全链路数据安全及按需付费免运维。文章详细描述了部署资源、应用配置及方案验证步骤,并提供清理资源指南以避免额外费用。适合希望快速构建智能搜索应用的开发者参考实践。
|
12月前
|
人工智能 小程序 前端开发
【一步步开发AI运动小程序】十九、运动识别中如何解析RGBA帧图片?
本文介绍了如何将相机抽取的RGBA帧图像解析为`.jpg`或`.png`格式,适用于体测、赛事等场景。首先讲解了RGBA图像结构,其为一维数组,每四个元素表示一个像素的颜色与透明度值。接着通过`uni.createOffscreenCanvas()`创建离屏画布以减少绘制干扰,并提供代码实现,将RGBA数据逐像素绘制到画布上生成图片。最后说明了为何不直接使用拍照API及图像转换的调用频率建议,强调应先暂存帧数据,运动结束后再进行转换和上传,以优化性能。