CN102760309A - 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 - Google Patents
基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 Download PDFInfo
- Publication number
- CN102760309A CN102760309A CN2012101723757A CN201210172375A CN102760309A CN 102760309 A CN102760309 A CN 102760309A CN 2012101723757 A CN2012101723757 A CN 2012101723757A CN 201210172375 A CN201210172375 A CN 201210172375A CN 102760309 A CN102760309 A CN 102760309A
- Authority
- CN
- China
- Prior art keywords
- borderline
- pixels
- edge
- pixel
- aggregate particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于沥青路面试件X-rayCT图像的集料细观结构重构方法,应用于虚拟数值分析的沥青路面试件中粗集料的细观结构提出一种实体模型重构方法,实现试件中粗集料三维建模的自动化。本发明基于沥青路面试件重构模型的细观数值分析,完成从沥青路面试件X-rayCT断面图像到集料颗粒实体模型的自动转化,以辅助建立沥青混合料细观实体模型。
Description
技术领域
本发明涉及数值分析领域,特别涉及一种基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法。
背景技术
沥青混凝土路面细观分析是有限元分析的重要应用方式之一,然而试件的非均匀复合性使其表现出复杂的宏观性能,为了得到可信的分析结果,构造能反映路面试件真实细观构成的三维模型并进行细观数值仿真十分必要。而试件中的集料颗粒作为组成试件比例最大的成分,具有极其复杂的几何形状及分布规律,很难通过有限元软件本身的建模模块获得相应的细观模型。因此,必须通过其它方式获得适用于有限元分析的集料数值模型。这其中存在两个关键的问题:一是选取何种参数作为集料颗粒的细观建模参数;二是如何获取建模参数。
目前比较常见的面向有限元分析的三维细观模型重构方法主要是通过运用数字图像技术,依据试件截面图像来构建试件的三维可视化模型,并编程生成分析模型的有限元文件。依据建模数据源的不同,进一步又可分为两类:一类是基于CCD图像的模型重构,一类是基于X-ray CT断面图像的模型重构。
前者是对试件进行切割以获取断面图像,对原始沥青试件进行了破坏,而切割的随机性和切割厚度的限制使得图像上的集料颗粒信息很难真正代表其真实情况,也无法在此基础上进行进一步的基本力学性能试验。后者则是通过使用X-ray CT对试件进行断面扫描,以无损的方式获取其断面图像,避免了对试件的破坏。但这两种方式都存在的一个问题是试件的三维可视化模型形状属性过于复杂,其在转化为实体模型时难免会丢失拓扑信息而可能导致数值分析出现未知问题。
华南理工大学2010届博士学位论文《基于X-ray CT和有限元方法的沥青混合料三维重构与数值试验研究》将X-ray CT扫描试件生成的断面图像重构为可视化模型,并以节点和单元坐标信息描述集料、砂胶和空隙等差异性物质,形成ABAQUS中的INP输入文件,在此基础上完成了单轴压缩等虚拟试验。但其采用的可视化模型表面信息过于精细,且采用的细小均分式统一网格剖分方式没有反映出不同材料的网格剖分特点,还会大幅度增加计算量和存储量。合肥工业大学2011届博士学位论文《有限元分析中面向建模的多态机理研究》针对数值分 析中几何模型的形状细节造成的网格单元冗余问题,研究了形状细节的合理简化策略,使得简化后的几何模型在满足分析精度要求的前提下,显著减少了冗余单元数量并提升了计算效率。
本发明在文献《有限元分析中面向建模的多态机理研究》的基础上,完成对试件中集料颗粒的多精度建模。
发明内容
本发明的目的在于为应用于虚拟数值分析的沥青路面试件中粗集料的细观结构提供一种基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法,实现试件中粗集料三维建模的自动化。
本发明采用的技术方案是:
基于沥青路面试件X-ray CT图像的集料细观结构重构方法,其特征在于,包括以下步骤:
(1)输入BMP格式的灰度图像文件组graphgraph[n],其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像,其分辨率为512×512像素,作为集料实体模型重构的数据源;
所述灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权,并将加权值附于每个颜色分量而获得的图像文件,其中,灰度图像中所有像素的灰度均介于0到255之间;
所述沥青路面试件是指以沥青材料和集料按适当比例配制,胶结成整体的路面圆柱形样本,记半径为radius,高度为height;
所述扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔,决定了扫描圆柱形试件所得的断面图像数量n;
所述集料实体模型是指以边界表示法表示集料的三维几何结构,记为模型M=(FACE,DEGE,VERTEX,R),其中FACE表示集料模型中面的集合, EDGE为边的集合,VERTEX为顶点的集合,R表示模型中各元素之间的邻接关系;
,记录着边的曲线方程;
R{r1,r2},其中:
r1={(face1,face2,edge)|edge∈face1⌒face2,edge∈EDGE,facei∈FACE,i=1,2}
r2={(edg1,edg2,vertex)|vertex∈edge1⌒edge2,vertex∈VERTEX,edgei∈EDGE,i=1,2}r1表示face1和face2相邻于边edge; r2表示边edge1与edge2相邻于点vertex;
(2)使用目标识别算法,识别沥青路面试件X-ray CT 各断面扫描图像中独立集料颗粒的轮廓,并建立单个集料颗粒与相应轮廓像素信息的映射关系,形成集料—轮廓映射集;
所述目标识别算法描述如下:
1)遍历灰度图像文件组graph[n],设置集料灰度阈值εg∈(100,255),将graph[i](i=0,1,···n-1)中所有灰度小于εg的像素灰度置为0,其他像素的灰度值置为255,形成集料图像文件组graph_s[n];
2)遍历graph_[n],设置集料边缘阈值εe,使用Sobel算子计算出graph_s[i](i=0,1,···,n-1)中集料颗粒的边缘,获得集料边缘文件组graph_b[n];对graph_b[i](i=0,1,···,n-1),通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组borderine[mi],其中mi是graph_s[i]中包含的集料颗粒数量;
3)对graph_b[i](i=0,1,···,n-1),遍历borderline[mi],取得集料边缘包围盒数组borderline_box[mi],以borderline_box[j](j=0,1,···,mi-1)中横、纵向长度的最大值为borderline[j]的de集料粒径;设定集料粒径阈值εs,删除borderline[mi]中集料粒径小于εs的边缘,将结果存储为含有pi个元素的有效边缘链表;borderline_listi(i=0,1,···,n-1)
4)遍历有效边缘链表borderline_listi(i=0,1,···,n-1),运用集料映射算法,建立集料颗粒与相应边缘信息之间的集料—边缘映射集Map(Stone_Set,Borderline_Set);
所述集料灰度阈值εg是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值;
所述集料边缘阈值εe是指使用Sobel算子对灰度图像进行卷积计算时用以区分边缘的分类值;
所述集料边缘分组算法,步骤如下所述:
1)以512个像素为一组,将graph_b[i](i=0,1,···,n-1)中的像素数组pixels[26144]分为512个子像素组pilels_groupj(j=0,1,···,511);
2)令j=k=l=0;
3)遍历pixels_groupj,判断pixels[k]的灰度是否为255,若不成立,k=k+1;若成立,将pixels[k]标记已访问;
4)若j=0,将pixels[k]归于集料颗粒边缘borderline[l],计算其水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l], k=k+1,l=l+1,重复步骤3)、4);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l];k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
5)若j>0,遍历pixels_groupj-1中的已访问像素,寻找与pixels[k]距离在颗粒边缘同属阈值εd之下的像素pixels[d],若找到,则将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于pixels[d]对应的集料颗粒边缘;若满足条件的像素pixels[d]不存在,则计算pixels[k]的水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将pixels[k]与x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],k=k+1,l=l+1,重复步骤3)、5);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l]; k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
6)j=j+1,若j<512,重复步骤3)-5),直至pixels[26144]中的像素均标记 为已访问;
所述水平邻接集x_adj_pixelsk指的是与像素pixels[k]右邻接的灰度值为255的连续水平像素集合;
所述颗粒边缘同属阈值εd指的是隶属于同一集料颗粒边缘boederline[l]的竖直方向邻接像素间的最大距离;
所述集料颗粒边缘数组borderlinr[mi]的元素是组成集料颗粒边缘的像素集合;
所述集料边缘包围盒数组bordertline_box[mi]是指将集料颗粒边缘数组borderline[mi]中各元素完全包围起来的最小矩形数组;
所述集料粒径阈值εs是指设定的集料颗粒边缘数组borderline[mi]中元素粒径的分类值;
所述有效边缘链表borderline_listi(i=0,1,···,n-1)是指元素为graph_b[i]中粒径在εs之上的集料边缘的链表;
所述集料映射算法,步骤如下所述:
1)i=0;
2)遍历borderline_listi中的有效集料边缘数组borderline[pi],对每个轮廓borderline[j](j=0,1,···,pi-1),若未标记,记其所属集料颗粒为stone[j],将其加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;取得borderline[j]的包围盒borderline_box[j],以borderline[j]为搜索范围,搜索borderline_listi+1中满足条件的集料颗粒边缘集合 ;
3)遍历ISB_SETj围盒borderline_box[j]的求交计算,判断计算结果是否满足面积连续条件和粒径约束条件,若满足,则将borderline[k]加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;若ISB_SET中不存在满足条件的集料边缘,算法结束;
4)对borderline_listp(p=i+1,…,n-1)重复步骤1)、2),直至算法结束;
5)i=i+1,若i<n,重复步骤2)、4);
所述集料—边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Set,Borderline_Set), , ;其中epi是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量,qx是stone[x]对应的边缘图像的幅数;
所述面积连续条件如下:
1)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的重合面积不小于设定的重合度阈值εcov;
2)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的面积差不大于设定的面积差阈值εdis;
所述粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径dmax;
(3)对单个集料颗粒stone[x],遍历其对应的边缘信息borderline[qx],根据用户设定的拟合标准差σ(fit),获得其建模参数key_points[rx],通过实体建模步骤得到集料颗粒的建模结果;
所述拟合标准差σ(fit),是指原边缘像素点与拟合直线段间的偏离程度;
所述实体建模参数key_points[rx],是用于构造集料颗粒边缘几何模型的关键点数组,其中rx是关键点的数量;
所述实体建模步骤,如下所述:
1)用户设定拟合标准差σ(fit),令i=0;
2)取得stone[x]的边缘信息borderline[i]对应的像素数组border_pixel[ti],计算试拟合像素数fpi,将border_pixel[j](j)=0,1,…,fpi-1依次加入borderline[i]的分段拟合链表fitting_groupi并标记,通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_group i中的像素进行拟合,若拟合标准差在σ(fit)之内,将border_pixel[j](j)=fpi,…,mi-1逐个加入fitting_groupi并拟合、标记,直至拟合标准差超出σ(fit),将使拟合标准差超出σ(fit)的像素点加入key_points[rx]; 否则,将border_pixel[j](j)=fpi-1, …,1,0逐个移出fitting_groupi、取消标记并拟合,直至拟合标准差小于σ(fit),将使拟合标准差小于σ(fit)的像素点加入key_points[rx];
3)清空fitting_groupi,自未标记的下一个像素boder_pixel[ki]开始,对border_pixel[j](j=ki, …,ki+fpi-1)重复步骤2),完善key_points[rx],直至border_pixel[ti]均标记结束;
4)遍历borderline[i]对应的key_points[rx],调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i],i=i+1;若i<qx,转2);
5)调用ACIS7.0中的蒙面功能Skinning,完成从闭合线框实体wire_body[i](i=0,1,…,qx-1)到集料颗粒三维模型的转换;
所述分段拟合链表fitting_groupi,存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点;
(4)遍历所有集料颗粒,使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构,最终输出SAT格式的图形文件,其中存储着应用于细观分析的集料颗粒总体模型数据集合,该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律;
所述集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作;
所述集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型;
所述的ACIS7.0是由美国Spatial公司生产的基于面向对象软件技术的三维几何造型引擎,MATLAB是由MathWorks公司开发的一种主要用于数值计算及可视化图形图像处理的工程软件。
本发明的有益效果如下:
本发明基于沥青路面试件重构模型的细观数值分析,完成从沥青路面试件 X-ray CT断面图像到集料颗粒实体模型的自动转化,以辅助建立沥青混合料细观实体模型。
附图说明
图1 为某沥青路面试件的X-ray CT扫描图像序列。
图2a为试件中某单个集料颗粒实体建模一的结果图。
图2b为试件中某单个集料颗粒实体建模一的线框图。
图3a为试件中某单个集料颗粒实体建模二的结果图。
图3b为试件中某单个集料颗粒实体建模二的线框图。
图4a为试件中集成后的集料总体结构模型图。
图4b为试件中集成后的集料总体结构的网格剖分结果图。
具体实施方式
基于沥青路面试件X-ray CT图像的集料细观结构重构方法,包括以下步骤:
(1)输入BMP格式的灰度图像文件组graph[n],其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像,其分辨率为512×512像素,作为集料实体模型重构的数据源;
灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权,并将加权值附于每个颜色分量而获得的图像文件,其中,灰度图像中所有像素的灰度均介于0到255之间;
沥青路面试件是指以沥青材料和集料按适当比例配制,胶结成整体的路面圆柱形样本,记半径为radius,高度为height;
扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔,决定了扫描圆柱形试件所得的断面图像数量n;
集料实体模型是指以边界表示法表示集料的三维几何结构,记为模型M=(FACE,DEGE,VERTEX,R),其中FACE表示集料模型中面的集合,,DEGE为边的集合,VERTEX为顶点的集合,R表示模型中各元素之间的邻接关系;
R{r1,r2},其中:
r1={(face1,face2,edge)|edge∈face1⌒face2,edge∈EDGE,facei∈FACE,i=1,2} r2={(edge1,edge2,vertex)|vertex∈edge1⌒edge2,vertex∈VERTEX,fedgei∈EDGE,i=1,2} r1表示face1和face2相邻于边edge; r2表示边edge1与edge2相邻于点vertex;
(2)使用目标识别算法,识别沥青路面试件X-ray CT 各断面扫描图像中独立集料颗粒的轮廓,并建立单个集料颗粒与相应轮廓像素信息的映射关系,形成集料—轮廓映射集;
目标识别算法描述如下:
1)遍历灰度图像文件组graph[n],设置集料灰度阈值εg∈(100,255),将graph[i](i=0,1,…n-1)中所有灰度小于εg的像素灰度置为0,其他像素的灰度值置为255,形成集料图像文件组graph_s[n];
2)遍历graph_s[n],设置集料边缘阈值εg,使用Sobel算子计算出graph_s[i](i=0,1,…,n-1)中集料颗粒的边缘,获得集料边缘文件组graph_b[n];对graph_b[i](i=0,1,…,n-1),通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组borderline[mi],其中mi是graph_s[i]中包含的集料颗粒数量;
3)对graph_b[i](i=0,1,…,n-1),遍历borderline[mi],取得集料边缘包围盒数组borderline_box[mi],以borderline_box[j](j=0,1,…,mi-1)中横、纵向长度的最大值为borderline[j]的de集料粒径;设定集料粒径阈值εs,删除borderline[mi]中集料粒径小于εs的边缘,将结果存储为含有pi个元素的有效边缘链表borderline_listi[i](i=0,1,…,n-1);
4)遍历有效边缘链表borderline_listi[i](i=0,1,…,n-1),运用集料映射算法,建立集料颗粒与相应边缘信息之间的集料—边缘映射集Map(Stone_Set,Borderline_Set);
集料灰度阈值εg是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值;
集料边缘阈值εe是指使用Sobel算子对灰度图像进行卷积计算时用以区分边缘的分类值;
集料边缘分组算法,步骤如下所述:
1)以512个像素为一组,将graph_b[i](i=0,1,…,n-1)中的像素数组pixels[26144]分为512个子像素组pixels_groupj(j=0,1,…,511);
2)令j=k=l=0;
3)遍历pixels_groupj,判断pixels[k]的灰度是否为255,若不成立,k=k+1;若成立,将pixels[k]标记已访问;
4)若j=0,将pixels[k]归于集料颗粒边缘borderline[l],计算其水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],k=k+1,l=l+1,重复步骤3)、4);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l];k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
5)若j>0,遍历pixels_groupj-1中的已访问像素,寻找与pixels[k]距离在颗粒边缘同属阈值εd之下的像素pixels[d],若找到,则将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于pixels[d]对应的集料颗粒边缘;若满足条件的像素pixels[d]不存在,则计算pixels[k]的水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将pixels[k]与x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],k=k+1,l=l+1,重复步骤3)、5);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l];k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
6)j=j+1,若j<512,重复步骤3)-5),直至pixels[26144]中的像素均 标记为已访问;
水平邻接集x_adj_pixelsk指的是与像素pixels[k]右邻接的灰度值为255的连续水平像素集合;
颗粒边缘同属阈值εd指的是隶属于同一集料颗粒边缘borderline[l]的竖直方向邻接像素间的最大距离;
集料颗粒边缘数组borderline[mi]的元素是组成集料颗粒边缘的像素集合;
集料边缘包围盒数组borderline_box[mi]是指将集料颗粒边缘数组borderline[mi]中各元素完全包围起来的最小矩形数组;
集料粒径阈值εs是指设定的集料颗粒边缘数组borderline[mi]中元素粒径的分类值;
有效边缘链表borderline_listi(i=0,1,…,n-1)是指元素为graph_b[i]中粒径在εs之上的集料边缘的链表;
集料映射算法,步骤如下所述:
1)i=0;
2)遍历borderline_listi中的有效集料边缘数组borderline[pi],对每个轮廓borderline[j](j=0,1,…,pi-1),若未标记,记其所属集料颗粒为stone[j],将其加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;取得borderline[j]的包围盒borderline_box[j],以borderline_box[j]为搜索范围,搜索borderline_listi+1中满足条件的集料颗粒边缘集合 ;
3)遍历ISB_SETj,对borderline[k],进行其包围盒borderline_box[k]与borderline_box[j]的求交计算,判断计算结果是否满足面积连续条件和粒径约束条件,若满足,则将borderlin[k]加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;若ISB_SET中不存在满足条件的集料边缘,算法结束;
4)对borderline_listp(p=i+1,…,n-1)重复步骤1)、2),直至算法结束;
5)i=i+1,若i<n,重复步骤2)、4);
集料—边缘映射集是指集料颗粒与相应边缘信息之间的映射集 Map(Stone_Set,Borderline_Set), , ;其中epi是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量,qx是stone[x]对应的边缘图像的幅数;
面积连续条件如下:
1)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的重合面积不小于设定的重合度阈值εcov;
2)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的面积差不大于设定的面积差阈值εdis;
粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径dmax;
(3)对单个集料颗粒stone[x],遍历其对应的边缘信息borderline[qx],根据用户设定的拟合标准差σ(fit),获得其建模参数key_points[rx],通过实体建模步骤得到集料颗粒的建模结果;
拟合标准差σ(fit),是指原边缘像素点与拟合直线段间的偏离程度;
实体建模参数key_points[rx],是用于构造集料颗粒边缘几何模型的关键点数组,其中rx是关键点的数量;
实体建模步骤,如下所述:
1)用户设定拟合标准差σ(fit),令i=0;
2)取得stone[x]的边缘信息borderline[i]对应的像素数组border_pixel[ti] border_pixel[ti],计算试拟合像素数fpi,将border_pixel[j](j=0,1,…,fpi-1)依次加入borderline[i]的分段拟合链表fitting_groupi并标记,通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_groupi中的像素进行拟合,若拟合标准差在σ(fit)之内,将border_pixel[j](j=fpi,…,mi-1)逐个加入fitting_groupi并拟合、标记,直至拟合标准差超出σ(fit),将使拟合标准差超出σ(fit)的像素点加入key_points[rx];否则,将border_pixel[j](j=fpi-1,…,1,0)逐个移出 fitting_groupi、取消标记并拟合,直至拟合标准差小于σ(fit),将使拟合标准差小于σ(fit)的像素点加入key_points[rx];
3)清空fitting_groupi,自未标记的下一个像素border_pixel[ki]开始,对border_pixel[j](j=ki,…,ki+fpi-1)重复步骤2),完善key_points[rx],直至border_pixel[ti]均标记结束;
4)遍历borderline[i]对应的key_points[rx],调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i], i=i+1;若i<qx,转2);
5)调用ACIS7.0中的蒙面功能Skinning,完成从闭合线框实体wire_body[i](i=0,1,…,qx-1)到集料颗粒三维模型的转换;
分段拟合链表fitting_groupi,存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点;
(4)遍历所有集料颗粒,使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构,最终输出SAT格式的图形文件,其中存储着应用于细观分析的集料颗粒总体模型数据集合,该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律;
集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作;
集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型。
用C++语言,基于ACIS内核,实现了本发明所描述的算法,并且以某沥青路面试件的X-ray CT扫描图像为数据源,进行了粗集料结构的三维重构。
(1) 输入为图1所示的直径为150mm,高度为65mm的圆柱形沥青路面试件扫描步长为space=1mm的X-ray CT断面扫描图像文件组graph[66], 作为集料实体模型重构的数据源;
(2) 使用目标识别算法,设定集料灰度阈值εg=120,集料边缘阈值εe=760 ,集料粒径阈值εs=0.2cm,识别出graph[66]中粒径在0.2cm之上的独 立集料颗粒轮廓,通过集料映射算法获得集料—轮廓映射集Map(Stone_Set,Borderline_Set),其中,集料集合Stone_Set的元素数量为182, Borderline_Set的元素数量为8256。
集料颗粒编号x | 1 | 2 | 3 | 4 | 5 | 6 | 7 | …… | 182 |
集料对应边缘数量qx | 25 | 16 | 10 | 21 | 8 | 22 | 28 | …… | 12 |
(3) 对每个集料颗粒stone[x],遍历其对应的边缘信息borderline[qx],设定拟合标准差σ(fit)=0.532,获得其建模参数key_points[rx],通过实体建模步骤得到集料颗粒的建模结果,如图2a、2b、3a、3b所示;
(4) 遍历所有集料颗粒,使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构,最终输出可直接剖分网格的SAT格式的图形文件,如图4a、4b所示。
Claims (2)
1.基于沥青路面试件X-ray CT图像的集料细观结构重构方法,其特征在于,包括以下步骤:
(1)输入BMP格式的灰度图像文件组grap[n],其中存储着沥青路面试件扫描步长为space的X-ray CT断面图像,其分辨率为512×512像素,作为集料实体模型重构的数据源;
所述灰度图像文件是指将彩色图像中像素的颜色分量值按照一定比例进行加权,并将加权值附于每个颜色分量而获得的图像文件,其中,灰度图像中所有像素的灰度均介于0到255之间;
所述沥青路面试件是指以沥青材料和集料按适当比例配制,胶结成整体的路面圆柱形样本,记半径为radious,高度为height;
所述扫描步长space是指设定使用X-ray CT扫描沥青路面试件获取扫描图像的长度间隔,决定了扫描圆柱形试件所得的断面图像数量n;
所述集料实体模型是指以边界表示法表示集料的三维几何结构,记为模型M=(FACE,EDGE,VERTEX,R),其中FACE表示集料模型中面的集合,EDGE为边的集合, VERTEX为顶点的集合,R表示模型中各元素之间的邻接关系;
,记录着面的类别:平面、样条面,以及面的曲面方程;
R{r1,r2},其中:
r1={(face1,face2,edge)|edge∈face1⌒face2,edge∈EDGE,facei∈FACE,i=1,2,}
r2={(edge1,edge2,vertex)|vertex∈edge1⌒edge2,vertex∈VERTEX,edgei∈EDGE,i=1,2}r1表示face1和face2相邻于边edge; r2表示边edge1与edge2相邻于点vertex;
(2)使用目标识别算法,识别沥青路面试件X-ray CT 各断面扫描图像中独立集料颗粒的轮廓,并建立单个集料颗粒与相应轮廓像素信息的映射关系,形成集料—轮廓映射集;
所述目标识别算法描述如下:
1)遍历灰度图像文件组grap[n],设置集料灰度阈值εg∈(100,255),将graph[i](i=0,1,···n-1)中所有灰度小于εg的像素灰度置为0,其他像素的灰度值置为255,形成集料图像文件组graph_s[n];
2)遍历graph_s[n],设置集料边缘阈值εe,使用Sobel算子计算出graph_s[i](i=0,1,···,n-1)中集料颗粒的边缘,获得集料边缘文件组graph_b[n];对graph_b[i](i=0,1,···,n-1),通过集料边缘分组算法将其划分为元素各自独立的集料颗粒边缘数组borderine[mi],其中mi是graph_s[i]中包含的集料颗粒数量;
3)对graph_b[i](i=0,1,···,n-1),遍历borderline[mi],取得集料边缘包围盒数组borderline_box[mi],以borderline_box[j](j=0,1,···,mi-1)中横、纵向长度的最大值为borderline[j]的de集料粒径;设定集料粒径阈值εs,删除borderline[mi]中集料粒径小于εs的边缘,将结果存储为含有pi个元素的有效边缘链表borderline_listi(i=0,1,···,n-1);
4)遍历有效边缘链表borderline_listi(i=0,1,···,n-1),运用集料映射算法,建立集料颗粒与相应边缘信息之间的集料—边缘映射集Map(Stone_Set,Borderline_Set);
所述集料灰度阈值εg是指设定的用以区分灰度图像文件中集料颗粒的灰度最小值;
所述集料边缘阈值εe是指使用Sobel算子对灰度图像进行卷积计算时用以区分边缘的分类值;
所述集料边缘分组算法,步骤如下所述:
1)以512个像素为一组,将graph_b[i](i=0,1,···,n-1)中的像素数组pixels[26144]分为512个子像素组pixels_groupj(j=0,1,…,511);
2)令j=k=l=0;
3)遍历pixels_groupj,判断pixels[k]的灰度是否为255,若不成立,k=k+1;若成立,将pixels[k]标记已访问;
4)若j=0,将pixels[k]归于集料颗粒边缘borderline[l],计算其水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],k=k+1,l=l+1,重复步骤3)、4);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l];k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
5)若j>0,遍历pixels_groupj-1中的已访问像素,寻找与pixels[k]距离在颗粒边缘同属阈值εd之下的像素pixels[d],若找到,则将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于pixels[d]对应的集料颗粒边缘;若满足条件的像素pixels[d]不存在,则计算pixels[k]的水平邻接集x_adj_pixelsk;若x_adj_pixelsk中的像素多于1个,将x_adj_pixelsk pixels[k]与中的像素标记已访问后,皆归于borderline[l],k=k+1,l=l+1,重复步骤3)、5);若x_adj_pixelsk中的像素不多于1个,将x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l];k=k+1,直至pixels[k]的灰度为255;将pixels[k]及其水平邻接集x_adj_pixelsk中的像素标记已访问后,皆归于borderline[l],l=l+1;
6)j=j+1,若j<512,重复步骤3)-5),直至pixels[26144]中的像素均标记为已访问;
所述水平邻接集x_adj_pixelsk指的是与像素pixels[k]右邻接的灰度值为255的连续水平像素集合;
所述颗粒边缘同属阈值εd指的是隶属于同一集料颗粒边缘borderline[l]的竖直方向邻接像素间的最大距离;
所述集料颗粒边缘数组borderline[mi]的元素是组成集料颗粒边缘的像素集合;
所述集料边缘包围盒数组borderline_box[mi]是指将集料颗粒边缘数组borderline[mi]中各元素完全包围起来的最小矩形数组;
所述集料粒径阈值εs是指设定的集料颗粒边缘数组borderline[mi]中元素粒径的分类值;
所述有效边缘链表borderline_listi(i=0,1,…,n-1)是指元素为graph_b[i]中粒径在εs之上的集料边缘的链表;
所述集料映射算法,步骤如下所述:
1)i=0;
2)遍历borderline_listi,对每个轮廓borderline[j](j=0,1,…,pi-1),若未标记,记其所属集料颗粒为stone[j],将其加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;取得stone[j]的包围盒Borderline_box[j],以Borderline_box[j]为搜索范围,搜索borderline_listi中满足条件的集料颗粒边缘集合;
3)遍历ISB_SETj,对borderline[k],进行其包围盒borderline_box[k]与borderline_box[j]的求交计算,判断计算结果是否满足面积连续条件和粒径约束条件,若满足,则将borderline[k]加入stone[j]的边缘信息集合Borderline_Set[j]并标记为已匹配边缘;若ISB_SET中不存在满足条件的集料边缘,算法结束;
4)对borderline_listp(p=i+1,…,n-1)重复步骤1)、2),直至算法结束;
5)i=i+1,若i<n,重复步骤2)、4);
所述集料—边缘映射集是指集料颗粒与相应边缘信息之间的映射集Map(Stone_Borderline_Set), , ;其中epi是graph_b[i]中未在graph_b[i-1]中标记的颗粒边缘数量,qx是stone[x]对应的边缘图像的幅数;
所述面积连续条件如下:
1)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的重合面积不小于设定的重合度阈值εcov;
2)边缘borderline[i]与borderline[j]两者的包围盒borderline_box[i]与borderline_box[j]的面积差不大于设定的面积差阈值εdis;
所述粒径约束条件是指所获得的集料颗粒边缘包围盒的边长及同一集料颗粒对应的边缘图像的z轴跨度均不大于级配参数中的最大粒径dmax;
(3)对单个集料颗粒stone[x],遍历其对应的边缘信息borderline[qx],根据用户设定的拟合标准差σ(fit),获得其建模参数key_points[rx],通过实体建模步骤得到集料颗粒的建模结果;
所述拟合标准差σ(fit),是指原边缘像素点与拟合直线段间的偏离程度;
所述实体建模参数key_points[rx],是用于构造集料颗粒边缘几何模型的关键点数组,其中rx是关键点的数量;
所述实体建模步骤,如下所述:
1)用户设定拟合标准差σ(fit),令i=0;
2)取得stone[x]的边缘信息borderline_box[i]对应的像素数组border_pixel[ti],计算试拟合像素数fpi,将border_pixel[j](j=0,1,…,fpi-1)依次加入borderline[i]的分段拟合链表fitting_groupi并标记,通过二次开发调用MATLAB的一阶拟合功能Fitting对fitting_groupi中的像素进行拟合,若拟合标准差在σ(fit)之内,将border_pixel[j](j=fpi,···,mi-1)逐个加入fitting_groupi并拟合、标记,直至拟合标准差超出σ(fit),将使拟合标准差超出σ(fit)的像素点加入key_points[rx];否则,将border_pixel[j](j=fpi-1,···,1,0)逐个移出fitting_groupi、取消标记并拟合,直至拟合标准差小于σ(fit),将使拟合标准差小于σ(fit)的像素点加入key_points[rx];
3)清空fitting_groupi,自未标记的下一个像素border_pixel[ki]开始,对border_pixel[j](j=ki,···,ki+fpi-1)重复步骤2),完善key_points[rx],直至border_pixel[ti]均标记结束;
4)遍历borderline[i]对应的key_points[rx],调用ACIS7.0的底层建模功能Ewiring建立BODY类型的线框体wire_body[i], i=i+1;若i<qx,转2);
5)调用ACIS7.0中的蒙面功能Skinning,完成从闭合线框实体wire_body[i](i=0,1,···,qx-1)到集料颗粒三维模型的转换;
所述分段拟合链表fitting_groupi,存储用于直线段拟合、且拟合标准差在σ(fit)内的一组边缘像素点;
(4)遍历所有集料颗粒,使用集成拓扑操作将各集料颗粒的建模结果整合为集料总体结构,最终输出SAT格式的图形文件,其中存储着应用于细观分析的集料颗粒总体模型数据集合,该模型以边界表示法表示各集料颗粒的三维几何结构和在沥青混凝土试件中的分布规律;
所述集成拓扑操作指的是将各集料颗粒三维模型集成为一个整体的布尔并操作;
所述集料总体结构指的是能够反映沥青路面试件中一定尺寸之上的所有集料颗粒的形状属性及在试件中分布规律的集料整体三维模型。
2.根据权利要求1所述的基于沥青路面试件X-ray CT图像的集料细观结构自动重构方法,其特征在于,所述的ACIS7.0是由美国Spatial公司生产的基于面向对象软件技术的三维几何造型引擎,MATLAB是由MathWorks公司开发的一种主要用于数值计算及可视化图形图像处理的工程软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210172375.7A CN102760309B (zh) | 2012-05-30 | 2012-05-30 | 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210172375.7A CN102760309B (zh) | 2012-05-30 | 2012-05-30 | 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102760309A true CN102760309A (zh) | 2012-10-31 |
CN102760309B CN102760309B (zh) | 2014-07-23 |
Family
ID=47054761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210172375.7A Active CN102760309B (zh) | 2012-05-30 | 2012-05-30 | 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102760309B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605841A (zh) * | 2013-11-07 | 2014-02-26 | 河海大学 | 一种水工沥青混凝土数值仿真模型构建方法 |
CN104599321A (zh) * | 2015-01-24 | 2015-05-06 | 合肥工业大学 | 基于X-ray CT图像的真实集料颗粒离散元模型构建方法 |
CN104700454A (zh) * | 2015-04-02 | 2015-06-10 | 河海大学 | 一种混凝土非均质各向异性集料周围界面过渡区几何拓扑结构的构造方法 |
CN104809756A (zh) * | 2015-04-23 | 2015-07-29 | 合肥工业大学 | 基于X-ray CT图像的沥青混合料空隙空间结构重构方法 |
CN104849276A (zh) * | 2015-05-20 | 2015-08-19 | 辽宁工程技术大学 | 一种基于像素统计的花岗岩三维细观结构重构方法 |
CN105954161A (zh) * | 2016-03-30 | 2016-09-21 | 合肥工业大学 | 基于ct图像的集料粒径三维自动测量方法 |
CN106447690A (zh) * | 2016-09-30 | 2017-02-22 | 南京航空航天大学 | 乳化沥青冷再生混合料的粗集料特征分析方法 |
CN106682255A (zh) * | 2016-10-18 | 2017-05-17 | 武汉理工大学 | 一种沥青路面结构设计应力响应的跨尺度分析方法 |
CN107064183A (zh) * | 2017-04-10 | 2017-08-18 | 东南大学 | 一种基于ct图像分析混凝土开裂成因的方法 |
CN107301307A (zh) * | 2017-08-08 | 2017-10-27 | 武汉理工大学 | 基于实测形貌的沥青混凝土劈裂试验细观有限元建模方法 |
US9811611B2 (en) | 2014-06-27 | 2017-11-07 | Huawei Technologies Co., Ltd. | Method and apparatus for creating curved surface model |
CN108918300A (zh) * | 2018-09-03 | 2018-11-30 | 重庆交通大学 | 一种水力冲击混凝土裂纹扩展及ct尺度损伤研究方法 |
CN109087396A (zh) * | 2018-07-26 | 2018-12-25 | 东南大学 | 一种基于混凝土ct图像像素特征的细观结构重构方法 |
CN110376225A (zh) * | 2019-07-01 | 2019-10-25 | 浙江大学 | 一种基于虚拟劈裂试验的沥青混合料均匀性评价方法 |
CN111028355A (zh) * | 2019-11-13 | 2020-04-17 | 武汉科技大学 | 一种沥青混合料三维模型重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159066A (zh) * | 2007-11-20 | 2008-04-09 | 中交第二公路勘察设计研究院有限公司 | 基于三维机载lidar的公路测设方法 |
AU2007202157A1 (en) * | 2007-05-11 | 2008-11-27 | Three Pixels Wide Pty Ltd | Method and system for generating a 3D model |
WO2009109061A1 (en) * | 2008-03-03 | 2009-09-11 | Honeywell International Inc. | Model driven 3d geometric modeling system |
-
2012
- 2012-05-30 CN CN201210172375.7A patent/CN102760309B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007202157A1 (en) * | 2007-05-11 | 2008-11-27 | Three Pixels Wide Pty Ltd | Method and system for generating a 3D model |
CN101159066A (zh) * | 2007-11-20 | 2008-04-09 | 中交第二公路勘察设计研究院有限公司 | 基于三维机载lidar的公路测设方法 |
WO2009109061A1 (en) * | 2008-03-03 | 2009-09-11 | Honeywell International Inc. | Model driven 3d geometric modeling system |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605841B (zh) * | 2013-11-07 | 2016-07-06 | 河海大学 | 一种水工沥青混凝土数值仿真模型构建方法 |
CN103605841A (zh) * | 2013-11-07 | 2014-02-26 | 河海大学 | 一种水工沥青混凝土数值仿真模型构建方法 |
US9811611B2 (en) | 2014-06-27 | 2017-11-07 | Huawei Technologies Co., Ltd. | Method and apparatus for creating curved surface model |
CN104599321A (zh) * | 2015-01-24 | 2015-05-06 | 合肥工业大学 | 基于X-ray CT图像的真实集料颗粒离散元模型构建方法 |
CN104700454B (zh) * | 2015-04-02 | 2017-09-12 | 河海大学 | 一种混凝土非均质各向异性集料周围界面过渡区几何拓扑结构的构造方法 |
CN104700454A (zh) * | 2015-04-02 | 2015-06-10 | 河海大学 | 一种混凝土非均质各向异性集料周围界面过渡区几何拓扑结构的构造方法 |
CN104809756A (zh) * | 2015-04-23 | 2015-07-29 | 合肥工业大学 | 基于X-ray CT图像的沥青混合料空隙空间结构重构方法 |
CN104809756B (zh) * | 2015-04-23 | 2018-07-06 | 合肥工业大学 | 基于X-ray CT图像的沥青混合料空隙空间结构重构方法 |
CN104849276A (zh) * | 2015-05-20 | 2015-08-19 | 辽宁工程技术大学 | 一种基于像素统计的花岗岩三维细观结构重构方法 |
CN104849276B (zh) * | 2015-05-20 | 2018-07-03 | 辽宁工程技术大学 | 一种基于像素统计的花岗岩三维细观结构重构方法 |
CN105954161A (zh) * | 2016-03-30 | 2016-09-21 | 合肥工业大学 | 基于ct图像的集料粒径三维自动测量方法 |
CN106447690B (zh) * | 2016-09-30 | 2018-11-20 | 南京航空航天大学 | 乳化沥青冷再生混合料的粗集料特征分析方法 |
CN106447690A (zh) * | 2016-09-30 | 2017-02-22 | 南京航空航天大学 | 乳化沥青冷再生混合料的粗集料特征分析方法 |
CN106682255A (zh) * | 2016-10-18 | 2017-05-17 | 武汉理工大学 | 一种沥青路面结构设计应力响应的跨尺度分析方法 |
CN106682255B (zh) * | 2016-10-18 | 2020-02-04 | 武汉理工大学 | 一种沥青路面结构设计应力响应的跨尺度分析方法 |
CN107064183A (zh) * | 2017-04-10 | 2017-08-18 | 东南大学 | 一种基于ct图像分析混凝土开裂成因的方法 |
CN107064183B (zh) * | 2017-04-10 | 2019-07-12 | 东南大学 | 一种基于ct图像分析混凝土开裂成因的方法 |
CN107301307A (zh) * | 2017-08-08 | 2017-10-27 | 武汉理工大学 | 基于实测形貌的沥青混凝土劈裂试验细观有限元建模方法 |
CN109087396A (zh) * | 2018-07-26 | 2018-12-25 | 东南大学 | 一种基于混凝土ct图像像素特征的细观结构重构方法 |
CN109087396B (zh) * | 2018-07-26 | 2023-09-29 | 东南大学 | 一种基于混凝土ct图像像素特征的细观结构重构方法 |
CN108918300A (zh) * | 2018-09-03 | 2018-11-30 | 重庆交通大学 | 一种水力冲击混凝土裂纹扩展及ct尺度损伤研究方法 |
CN110376225A (zh) * | 2019-07-01 | 2019-10-25 | 浙江大学 | 一种基于虚拟劈裂试验的沥青混合料均匀性评价方法 |
CN111028355A (zh) * | 2019-11-13 | 2020-04-17 | 武汉科技大学 | 一种沥青混合料三维模型重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102760309B (zh) | 2014-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102760309B (zh) | 基于沥青路面试件X-ray CT图像的集料细观实体模型重构方法 | |
Feng et al. | Spatiotemporal variation of landscape patterns and their spatial determinants in Shanghai, China | |
Biljecki et al. | An improved LOD specification for 3D building models | |
Zhang et al. | Coupling ecosystem services supply and human ecological demand to identify landscape ecological security pattern: A case study in Beijing–Tianjin–Hebei region, China | |
Bartesaghi-Koc et al. | Mapping and classifying green infrastructure typologies for climate-related studies based on remote sensing data | |
Tao et al. | Neglected idle rural residential land (IRRL) in metropolitan suburbs: Spatial differentiation and influencing factors | |
Li et al. | Modeling urban land use conversion of Daqing City, China: a comparative analysis of “top-down” and “bottom-up” approaches | |
CN107644121A (zh) | 一种路面材料骨架结构的逆向三维重构与实体建模方法 | |
CN104282040A (zh) | 一种用于三维实体模型重建的有限元前处理方法 | |
CN109087396A (zh) | 一种基于混凝土ct图像像素特征的细观结构重构方法 | |
Liu et al. | Characterizing three dimensional (3-D) morphology of residential buildings by landscape metrics | |
CN109726587A (zh) | 一种基于差分隐私的空间数据划分方法 | |
Long et al. | Accuracy assessment of mine walls’ surface models derived from terrestrial laser scanning | |
CN107730496A (zh) | 一种基于影像块的多时相遥感影像建筑物变化检测方法 | |
Hajibabai et al. | Visualizing greenhouse gas emissions from construction activities | |
Vanderhaegen et al. | High resolution modelling and forecasting of soil sealing density at the regional scale | |
Marta et al. | Cost-effective spatial sampling designs for field surveys of species distribution | |
Panagos et al. | Multi-scale European Soil Information System (MEUSIS): a multi-scale method to derive soil indicators | |
Lipson et al. | A transformation in city-descriptive input data for urban climate models | |
Zhang | Spatiotemporal features of the three-dimensional architectural landscape in Qingdao, China | |
Chen et al. | A modified method for morphology quantification and generation of 2D granular particles | |
Bernard et al. | Estimation of missing building height in OpenStreetMap data: a French case study using GeoClimate 0.0. 1 | |
CN116206011B (zh) | 基于多源数据的数字土壤制图方法及系统 | |
Nazarian et al. | Multiscale modeling techniques to document urban climate change | |
Yaseen et al. | Shape characterizing of aggregates produced through different crushing techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |