设置矢量图标 | 矢量图标量图

1. 矢量图标量图

1、打开Photoshop软件，将需做矢量图的logo添加进来，并复制图层。

2、要观察图形，从外圆开始。外环相对规则。如果使用“快速选择”等方法，效果不好。我们可以用“椭圆工具”来做这件事。按住shift键拉出相同大小的圆，然后按“Ctrl T”键调整到外部圆的大小，然后按“确定”键应用变换。

3、画出圆圈的内部。请注意，“路径操作”是“新图层”。一条路径对应一层。制造方法与上一步相同。完成后按回车键确认。

4、下面是内部头像，可以通过“快速选择”来选择，以获得大致的形状。首先单击背景层，选择合适的笔尖大小进行快速选择，然后切换到“路径”，并单击下面的“从选择中生成工作路径”。

5、按下“Ctrl”放大图像，我们发现睫毛部分的选择不好。此时，我们需要使用钢笔工具进行微调。首先，添加适当数量的锚点，然后使用直接选择工具将锚点移动到适当的位置。放置的锚点越多，所选区域的效果越好，然后使用转换点工具进行微调。

6、单击“路径”面板选择工作路径，然后单击“工具”调出左上角窗口，然后单击“形状”生成路径的形状层。复制其中一个形状层，然后将另外两个粘贴进去。将大圆圈设置为底层，头部图片设置为顶层，头部图片和小圆圈设置为“排除重叠形状”。

7、做好如上步骤后，就可将路径导出了，点“路径”面板，然后点击“文件”→“导出”→“路径到Illustrator”，将生成的路径导出到自选的文件夹，后续编辑可在ai或cdr中进行。

2. 矢量图标量图总结

1、打开Photoshop软件，将需做矢量图的logo添加进来，并复制图层。

2、要观察图形，从外圆开始。外环相对规则。如果使用“快速选择”等方法，效果不好。我们可以用“椭圆工具”来做这件事。按住shift键拉出相同大小的圆，然后按“CtrlT”键调整到外部圆的大小，然后按“确定”键应用变换。

3、画出圆圈的内部。请注意，“路径操作”是“新图层”。一条路径对应一层。制造方法与上一步相同。完成后按回车键确认。

4、下面是内部头像，可以通过“快速选择”来选择，以获得大致的形状。首先单击背景层，选择合适的笔尖大小进行快速选择，然后切换到“路径”，并单击下面的“从选择中生成工作路径”。

5、按下“Ctrl”放大图像，我们发现睫毛部分的选择不好。此时，我们需要使用钢笔工具进行微调。首先，添加适当数量的锚点，然后使用直接选择工具将锚点移动到适当的位置。放置的锚点越多，所选区域的效果越好，然后使用转换点工具进行微调。

6、单击“路径”面板选择工作路径，然后单击“工具”调出左上角窗口，然后单击“形状”生成路径的形状层。复制其中一个形状层，然后将另外两个粘贴进去。将大圆圈设置为底层，头部图片设置为顶层，头部图片和小圆圈设置为“排除重叠形状”。

7、做好如上步骤后，就可将路径导出了，点“路径”面板，然后点击“文件”→“导出”→“路径到Illustrator”，将生成的路径导出到自选的文件夹，后续编辑可在ai或cdr中进行。

3. 矢量图标量图是什么意思

矢量风是按极坐标方式，以正北为基准，根据风向和风速大小所画的线。按顺时针方向，自正北方向线到矢线间的夹角度数为风的来向，矢线的长度与风速大小成正比。

在天气图上，有两种表示风向的标志，一种是短箭头，另一种即为风矢量。前者只能表示风向，即箭头所指为风的去向；后者能同时表示风向及风速，形如英文字母“F”。

4. 矢量图标量图区别

ICON不是矢量图，只是图标文件,只是图标

5. 矢量图标图片

cdr不是矢量图，而是一款以矢量图形为主要处理对象的软件，它生成的文件才包含有矢量图形。

cdr全称CorelDRAW Graphics Suite，是加拿大Corel公司出品的矢量图形制作工具软件，给设计师提供了矢量动画、页面设计、网站制作、位图编辑和网页动画等多种功能。由于它创建的文件默认后缀是cdr，因此用户都习惯以cdr来称呼CorelDRAW。

cdr最擅长的还是矢量图形的创作和处理，比如logo、卡通造型、名片、包装盒、广告单等等的制作。它非常容易上手，文件占用存储空间小，传输方便，因此受到广大平面设计人员的欢迎。

6. 矢量图标网

将制作好的符号拖入符号库，保存到指定文件夹。调用：打开符号库面板，面板右上角下拉菜单，打开其他符号库，直接调用。

7. 矢量图图案

方法如下：

1.打开CorelDRAW，新建文档，按下Ctrl+I导入位图。

2.选中图片，点击位图-位图颜色遮罩，在位图颜色遮罩泊坞窗中，选中“隐藏颜色”单选按钮，在下面的颜色列表中选择第一个颜色条，将其勾选，在列表下面单击“吸管”按钮，吸取位图中想要遮罩掉的色彩部分，移动“容差”值滑块，单击“应用”按钮。

3.执行过“位图颜色遮罩”即可把选中的背景变成透明色。

4.接着属性栏中执行“快速描摹”命令，从弹出的下拉列表中选择“快速描摹”选项，即可将选择的位图转换为矢量图。

5.这样操作以后，位图就被转换为矢量图了，也可以任意使用矢量图功能了，现在可以使用轮廓图工具为其添加边框效果了。

扩展：

矢量图，也称为面向对象的图像或绘图图像，在数学上定义为一系列由线连接的点。矢量文件中的图形元素称为对象。每个对象都是一个自成一体的实体，它具有颜色、形状、轮廓、大小和屏幕位置等属性。

矢量图是根据几何特性来绘制图形，矢量可以是一个点或一条线，矢量图只能靠软件生成，文件占用内在空间较小，因为这种类型的图像文件包含独立的分离图像，可以自由无限制的重新组合。它的特点是放大后图像不会失真，和分辨率无关，适用于图形设计、文字设计和一些标志设计、版式设计等。

8. 矢量图和标量图

矢量：既有大小又有方向的量。

9. 矢量图标签

首先简单介绍一下什么是语义分割。计算机视觉是深度学习的热门研究方向，在人脸识别、图像检索、自动驾驶等领域拥有广泛的应用。语义分割(semantic segmentation)则是计算机视觉中的一项基本任务，其目标是将图像的每个像素所属类别进行划分，使得不同种类的物体在图像上可以被区分开来。

(a)原图像 (b)语义分割

语义分割被广泛用于自动驾驶、医疗影像分析和机器人等领域，其在地理信息影像分析场景下的应用，主要是通过训练深度神经网络模型，让机器从影像中识别道路、河流、建筑物等不同地物。

实现流程

基于深度学习的语义分割技术识别影像中的建筑物，主要包括数据准备、模型构建、模型推理几个过程。超图为我们提供了完成空间深度学习项目的GeoAI流程工具，支持完整的任务实现流程，可以帮助快速构建适合于各自业务的AI模型，并获得推理结果。

空间深度学习实现流程

l 数据情况

l 1、训练数据：包含建筑物的影像块（约2万张）以及无建筑物的影像块（约5万张），影像块行列数目均为1024，分辨率为0.02-0.2m；以及与影像块对应的矢量标签数据。

l 2、测试数据为分布在非洲不同区域的影像块（约1万张），行列数目均为1024。

训练数据示例（含有矢量标签的影像数据）

l 模型选型

可以用于影像语义分割的模型有很多，包括FPN、FCN、U-Nett、PSPNet、DeepLab系列等。在选择分割模型时，需要针对项目要求，选择合适的模型。在该项目中，我们通过对比精度和效率，最终选用FPN模型。其中，EfficientNet 作为主干网络，用于提取图像基本特征， FPN则可以对EfficientNet提取的特征再做进一步处理。

l 1、EfficientNet

谷歌在2019年提出了一种新型卷积神经网络EfficientNet，具备高效的图像特征提取能力。卷积神经网络(CNN)通常在固定资源预算下开发，然后在更多资源加入进来时扩大规模，以达到更高精度，EfficientNet利用简单而高效的复合系数统一缩放模型的多个维度，有效提升了模型的准确率和效率。

选择合适的主干网络，可以使模型提取图像特征能力表现更好、效率更高。在语义分割中，常用的主干网络还包括ResNet、 VGG 、DenseNet等。

l 2、FPN

FPN(Feature Pyramid Network)是一种高效提取图片中各尺度特征的模型，可以使最终输出的特征更好地表示出输入图片各个维度的信息。本质上说它是一种加强主干网络特征表达的方法。

FPN基本架构

优化策略

为了提高模型整体表现，我们分别从数据、训练策略和推理过程几个方面进行了针对性的优化，下面将着重介绍几种对训练效率、推理准确度有显著提升作用的优化方法：

l 数据优化

l 1、进行数据增强

在深度学习项目中，一般数据越多，训练任务的效果越好。数据增强可以让有限的数据产生更多的有效训练数据，增加训练的数据量，提高模型的泛化能力。在数据优化过程中可以采用裁剪、缩放、旋转等多种数据增强方法。

部分数据增强效果

l 2、增加负样本

样本中增加部分包含无建筑物区域的训练数据（例如耕地）作为负样本，进行训练时可以提高推理准确度，减少模型误判情况。

耕地推理误判情况

l 训练优化

l 1、优化器

为了使模型输出逼近最优值，我们需要用各种优化策略和算法，来更新影响模型训练和输出的网络权重参数。通常我们将更新参数的算法称为优化器，即通过何种算法去优化网络权重参数。

如上表所示，梯度下降法是最基本的一类优化器；动量优化方法是在梯度下降法的基础上进行的改进；自适应学习率优化算法针对于模型训练过程的学习率设置进行优化，而学习率的有效调整可以提高训练速度和效果。

在实际应用中，需结合具体问题来选择适合的优化器。在该项目中，我们发现利用Radam + LookAhead优化器效果显著，这是一种新的组合优化器，把RAdam（经典Adam优化器的一个新变种）和LookAhead协同组合，能实现较高的优化水平，作为深度学习初学者也可以以此训练出一个表现较好的模型。

l 2、多显卡

l 多显卡训练可以使训练效率明显提升，同时在一定程度上也能提升模型的最终精度和泛化能力。

l

l 推理优化

l 1、多尺度图像推理加权

在推理过程中将图像放大缩小，利用多尺度图像进行推理，再将结果加权平均，得到最终输出结果，这种优化方法在应用中可以显著提高推理准确率。

多尺度图像推理加权

经过一系列优化后，该项目在测试数据集上的最终精度值IOU优于0.83，即可以较为准确地将影像中的建筑物分割出来，达到了实际应用的程度。

推理结果示例

IoU:用于评估语义分割算法性能的标准指标。这个标准用于测量真实范围和预测范围之间的相关度，相关度越高，该值越高。

如下图绿色标线是人为标记的正确结果，橙色标线是算法预测出来的结果，IoU的测算准则是两个区域重叠部分除以两个区域的集合部分得出的结果。一般来说，IoU＞ 0.5 就可以被认为一个不错的结果了。

IoU计算原理

小结

越来越多的实际应用场景需要从影像中推理出相关的语义或知识，而深度学习是解决这些场景任务的有效技术。本文以高分辨率影像建筑物语义分割为例，介绍了语义分割的实现以及从数据、训练和推理过程方面采用的不同优化方法，为建立行之有效的深度学习项目提供了一个实用参考。

文/超图研究院端产品研发中心 尚耘

10. 图标 矢量图

一般是先扫描到电脑，然后用AI或CDR描图上色，生成矢量文件。