CN105630905A - 一种基于散乱点云数据的分层式压缩方法及装置 - Google Patents
一种基于散乱点云数据的分层式压缩方法及装置 Download PDFInfo
- Publication number
- CN105630905A CN105630905A CN201510963846.XA CN201510963846A CN105630905A CN 105630905 A CN105630905 A CN 105630905A CN 201510963846 A CN201510963846 A CN 201510963846A CN 105630905 A CN105630905 A CN 105630905A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- scattered point
- scattered
- described scattered
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于散乱点云数据的分层式压缩方法及装置,涉及计算机图形学、三维激光扫描和海量点云数据处理领域,解决现有技术中,对散乱点云数据的处理存在压缩率低和压缩速度慢的问题。该方法包括:按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,将所述散乱点云数据在投影平面内进行排序;获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。
Description
技术领域
本发明涉及计算机图形学、三维激光扫描和海量点云数据处理领域,更具体的涉及一种散乱点云数据的分层式压缩方法及装置。
背景技术
三维激光扫描仪能够以非接触的测量方式实时快速的获取高精度的三维坐标。激光三维扫描仪获取大量的三维点云数据,其中不可避免的存在一些噪声数据、冗余数据,为了真实的描绘地物的三维信息需要将这些噪声、冗余数据加以识别、剔除。
点云数据经过去噪处理,能够去除明显的噪声数据,但仍然存在海量的三维点云数据。在一些模型制作、地形分析等方面并不需要海量的点云数据,特别是模型的制作方面,仅需要能够正确表达建筑物特征的点云数据即可。海量的点云数据为点云数据的管理、显示、存储和分析带来了巨大的问题。
因此需要对海量的点云数据进行必要的数据压缩,其中,点云数据简化压缩的目的是以最少的点云数据量来尽可能完善的表达模型的细节特征。
由于点云数据的形式主要包括有序点云和散乱点云,在有序点云的压缩方面,压缩比较简单,目前比较成熟的包括最小距离法、均匀取样法等。但是,由于散乱点云的点与点之间不存在拓扑关系,则对散乱点云的处理相对比较困难,目前存在的包围盒算法、均匀网格法、平均点距法等压缩效果都具有一定的局限,不太理想。
综上所述,现有技术中,对散乱点云数据的处理还存在压缩率较低的问题。
发明内容
本发明实施例提供一种基于散乱点云数据的分层式压缩方法及装置,用于解决现有技术中,对散乱点云数据的处理还存在压缩率比较低和速度较慢的问题。
本发明实施例一种基于散乱点云数据的分层式压缩方法,包括:
按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。
优选地,所述将相邻的所述散乱点云数据压缩为一个点,包括:
若相邻的所述散乱点云数据之间的距离小于所述散乱点云数据压缩距离阈值,则将排序序号大的散乱点云数据删除。
优选地,所述按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层之前,还包括:
对所述散乱点云数据设置参考坐标,并将多个测试点针对同一目标获取的所述散乱点云数据进行拼接,使所述散乱点云数据成为整体。
优选地,所述将所述散乱点云数据在所述第一方向上分层之前,还包括:
若所述散乱点云数据具有坡度,则在所述第一方向上,根据所述散乱点云数据的坡度和所述散乱点云数据在投影平面上网格的边长,确定所述散乱点云数据在第一方向上的高度。
优选地,所述按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序,还包括:
若所述散乱点云数据在所述主排序轴对应的坐标值相同,则按照次排序轴,将所述散乱点云数据在投影平面内进行排序。
本发明实施例还提供一种基于散乱点云数据的分层式压缩装置,包括:
分层单元,用于按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
排序单元,用于在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
压缩单元,用于获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。
优选地,所述压缩单元具体用于:
若相邻的所述散乱点云数据之间的距离小于所述散乱点云数据压缩距离阈值,则将排序序号大的散乱点云数据删除。
优选地,所述分层单元还用于:
对所述散乱点云数据设置参考坐标,并将多个测试点针对同一目标获取的所述散乱点云数据进行拼接,使所述散乱点云数据成为整体。
优选地,所述分层单元还用于:
若所述散乱点云数据具有坡度,则在所述第一方向上,根据所述散乱点云数据的坡度和所述散乱点云数据在投影平面上网格的边长,确定所述散乱点云数据在第一方向上的高度。
优选地,所述排序单元还用于:
若所述散乱点云数据在所述主排序轴对应的坐标值相同,则按照次排序轴,将所述散乱点云数据在投影平面内进行排序。
本发明实施例中,按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。上述方法中,利用三维散乱点云数据分层处理方法,提高了散乱点云数据的的搜索效率,在每层中,计算相邻散乱点云数据之间的距离,根据相邻散乱点云数据之间的距离,保留了距离较远的点,最终完成散乱点云数据的压缩。本发明实施例相对于现有技术中的对散乱点云数据的处理方法,能够快速建立点云之间的拓扑邻接关系,提高了计算点与点之间距离时的计算速度,同时,在保留散乱点云数据特征的同时,完成了数据的简化压缩,并提高了压缩效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于散乱点云数据的分层式压缩方法流程示意图;
图2为本发明实施例提供的一种基于散乱点云数据的分层式压缩方法流程图;
图3为本发明实施例提供的扫描大雁塔后获取的原始示意图和去除噪声后的示意图;
图4为本发明实施例提供的原始散乱点云数据拼接后所显示的大雁塔示意图;
图5为本发明实施例提供的大雁塔局部散乱点云数据分割示意图;
图6为本发明实施例提供的分层三维散乱点云数据排序示意图;
图7为本发明实施例提供的大雁塔三维散乱点云数据的局部细节示意图;
图8A为本发明实施例提供的散乱点云数据压缩距离阈值为0.01时的压缩效果图;
图8B为本发明实施例提供的散乱点云数据压缩距离阈值为0.05时的压缩效果图;
图8C为本发明实施例提供的散乱点云数据压缩距离阈值为0.1时的压缩效果图;
图8D为本发明实施例提供的散乱点云数据压缩距离阈值为0.15时的压缩效果图;
图9为本发明实施例提供的一种基于散乱点云数据的分层式压缩装置结构示意图。
具体实施方式
本发明实施例中,按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。上述方法中,利用三维散乱点云数据分层处理方法,提高了散乱点云数据的的搜索效率,在每层中,计算相邻散乱点云数据之间的距离,根据相邻散乱点云数据之间的距离,保留了距离较远的点,最终完成散乱点云数据的压缩。本发明实施例相对于现有技术中的对散乱点云数据的处理方法,能够快速建立点云之间的拓扑邻接关系,提高了计算点与点之间距离时的计算效率,同时,在保留散乱点云数据特征的同时,完成了数据的简化压缩,并提高了压缩效率。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供的一种基于散乱点云数据的分层式压缩方法流程示意图,该方法可以应用于三维散乱点云数据处理。
如图1所示,本发明实施例提供的一种基于散乱点云数据的分层式压缩方法,包括以下步骤:
步骤101,按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
步骤102,在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
步骤103,获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。
在步骤101中,由于散乱点云数据是通过三维扫描仪获取到的,其中,三维扫描获取到的散乱点云数据中不可避免的存在一些噪声数据、冗余数据,为了真实的还原被测物的三维信息,在对散乱点云数据进行压缩之前,需要先对获取的的散乱点云数据进行预处理。
在本发明实施例中,对散乱点云数据进行的预处理,主要包括对散乱点云数据进行去噪、拼接等操作。
具体地,在对散乱点云数据进行去噪之前,需要针对散乱点云数据的应用方向不明确的问题,确定是否需要向散乱点云数据添加大地参考坐标。比如,若进行大范围的地面地形扫描时,需要对散乱点云数据进行大地参考坐标的添加,方便后期与其他二维、三维数据叠加及相关分析;再比如,若针对以构建三维模型为目的的散乱点云数据,且基于独立的笛卡尔直角坐标即可以起到参考的作用,则无需添加大地参考坐标。在本发明实施例中,对是否需要向散乱点云数据添加大地参考坐标,不做具体的限定。
由于在三维激光扫描过程中,获取到的大量散乱点云数据中,不可避免的产生了大量噪声数据,噪声数据的存在直接影响了散乱点云数据的处理速度和精度,因此,在本发明实施例中,需要对散乱点云数据进行必要的去噪处理。对散乱点云数据的去噪处理,可以采用现有技术中的去噪方法,在本发明实施例中,不再赘述。
由于获取到的散乱点云数据可能来自多个测试站,所以,需要将来自多个测试站的散乱点云数据进行拼接,将散乱点云数据进行整体操作,使得多个测试站的散乱点云数据成为一个整体。
在步骤101中,对散乱点云数据添加大地参考坐标之后,可以按照大地参考坐标系中的Z轴方向,将散乱点云数据进行分层处理。其中,大地参考坐标系中包括有X轴、Y轴和Z轴。
需要说明的是,为了方便对散乱点云数据处理,在上述实施例中,对散乱点云数据可以按照等厚度分层,即每层之间的厚度或者高度相同。
进一步地,按照分层高度对散乱点云数据在Z轴方向进行分层处理,并将分层的散乱点云数据投影在分层平面上,完成三维散乱点云数据的分层处理。
在上述实施例中,若三维地面散乱点云数据具有坡度的特点,则散乱点云数据在Z轴方向上的高度的确定,既要需要考虑坡度和地面之间的夹角,也要考虑散乱点云数据投影在地面上的网格的边长;其中,网格的边长根据散乱点云数据范围进行计算。举例来说,若散乱点云数据的坡度和地面之间的夹角为a,散乱点云数据在投影平面上的网格边长为L,则散乱点云数据在Z轴方向上的高度h,可以按照以下公式(1)确定:
h=L*a(1)
在公式(1)中,h表示散乱点云数据在Z轴方向上的高度,L为散乱点云数据在投影平面上的网格边长,a为散乱点云数据的坡度和地面之间的夹角。
在步骤102中,散乱点云数据在Z轴方向上分层之后,可以以层为单元,分别对每层的散乱点云数据进行压缩。
现有技术中,散乱点云数据的点与点之间没有拓扑关系,在本发明实施例中,针对单层中的散乱点云数据,可以对每一层中的散乱点云数据之间建立一个关联关系。其中,散乱点云数据之间建立关联关系,包括:将选定层中的散乱点云数据在截断面上进行投影。
根据选定层的散乱点云数据的投影结构,将散乱点云数据在X轴和Y轴坐标上进行排序。由于在对散乱点云数据进行分层处理之前,已经为散乱点云数据添加了大地参考坐标,且散乱点云数据的分层是按照散乱点云数据在Z轴方向上分布确定的。因此,在每个层内,可以在此确定散乱点云数据在X轴和Y轴上的分布,在投影坐标系中选择散乱点云数据坐标值变换较大的轴为主排序轴。比如,若散乱点云数据在X轴的坐标值为【2、3、4、5、6、7、8、9】,而散乱点云数据在Y轴的坐标值为【1、5、7、9、10、13】,由于散乱点云数据在Y轴上的坐标值变换相对于X轴上的坐标值的变化较大,则可以确定Y轴为主排序轴,而X轴可以确定为次排序轴。
将选定层内的主排序轴确定之后,可以将选定层内的散乱点云数据按照主排序轴方向进行排序。其中,排序序号可以按照升序的方式设置,也可以按照降序的方式设置,在本发明实施例中,对排序序号的设置方法不做具体的限定。
在步骤103中,选定层内已经按照主排序轴对散乱点云数据进行了排序,且每个散乱点云数据都有设置好的排序序号。选定相邻的两个散乱点云数据,可以根据下列公式(2),确定相邻两个散乱点云数据之间的距离。
在公式(2)中,Di表示第i个散乱点云数据与第i+1个散乱点云数据之间的距离,xi表示第i个散乱点云数据在X轴方向对应的数值,yi表示第i个散乱点云数据在Y轴方向对应的数值,zi表示第i个散乱点云数据在Z轴方向对应的数值,xi+1表示第i+1个散乱点云数据在X轴方向对应的数值,yi+1表示第i+1个散乱点云数据在Y轴方向对应的数值,zi+1表示第i+1个散乱点数据在Z轴方向对应的数值,i为大于1的正整数。
进一步地,需要将确定的相邻的两个散乱点云数据之间的距离和散乱点云数据压缩距离阈值进行比较。在本发明实施例中,散乱点云数据压缩距离阈值的大小,影响对散乱点云数据的压缩,比如,若散乱点云数据压缩距离阈值比较大,则压缩率比较高,但是容易丢失散乱点云数据特征信息。若散乱点云数据压缩距离阈值比较小,则压缩率比较低,但是能给较好的保持散乱点云数据的特征信息。
若在选定层内选定的第i个散乱点云数据和第i+1个散乱点云数据之间的距离大于或者等于散乱点云数据压缩距离阈值,则保留第i个散乱点云数据和第i+1个散乱点云数据,并且可以继续计算第i+1个散乱点云数据和第i+2个散乱点云数据之间的距离。
进一步地,若选定层内选定的第i个散乱点云数据和第i+1个散乱点云数据之间的距离小于散乱点云数据压缩距离阈值,则可以将第i+1个散乱点云数据删除,将第i+2个散乱点与的排序序号修改为第i+1,排在第i+2个散乱点云数据之后的散乱点数据的排序序号依次修改。继续根据公式(2)确定第i个散乱点云数据和替换后的第i+1个散乱点云数据之间的距离。
确定第i个散乱点云数据和替换后的第i+1个散乱点云数据之间的距离之后,可以按照上述实施例中相邻散乱点云数据之间的距离与散乱点云数据压缩距离阈值进行比较,此处不再赘述。
在本发明实施例中,可以依次计算出选定层内的已经确定顺序的散乱点云数据之间的距离。当选定层内所有的散乱点数据之间的距离都确定之后,可以按照上述处理方法,对与选定层相邻的其他层进行处理。
为了详细介绍本发明实施例提供的一种基于散乱点云数据的分层式压缩方法,下列以对大雁塔测量为例,进一步介绍本发明实施例提供的一种基于散乱点云数据的分层式压缩方法。
本次实验采用徕卡ScanstationC10三维激光扫描仪扫描大雁塔,获取的实验数据。其中,大雁塔位于陕西省西安市的大慈恩寺内。在唐永徽三年(652年),玄奘为保存由天竺经丝绸之路带回长安的经卷佛像主持修建了大雁塔,最初五层,后加盖至九层,再后层数和高度又有数次变更,最后固定为今天所看到的七层塔身,通高64.5米。
本次实验程序算法采用C#语言进行编写,在VisualStudio2010平台进行软件开发,三维点云的显示采用VTK(英文为:visualizationtoolkit)开源系统进行三维点云的显示。VTK主要用于三维计算机图形学、图像处理和可视化,具有强大的三维图形功能、流(英文为:streaming)和高速缓存(英文为:caching)能力,能够快速处理大量的三维散乱点云数据。
如图2所示,为本发明实施例提供基于散乱点云数据的分层式压缩方法流程示意图。
如图2所示,本发明实施例提供的基于散乱点云数据的分层式压缩方法流程图,包括以下步骤:
步骤201,读取原始散乱点云数据;
步骤202,原始散乱点云数据预处理;
在上述步骤中,对散乱点云数据的预处理包括添加大地参考坐标,散乱点云数据去噪处理,将散乱点云数据进行拼接。其中,图3示出了大雁塔扫描后获取的原始示意图和去除噪声后的示意图;图4示出了原始散乱点云数据拼接后所显示的大雁塔图;图5示出了大雁塔局部散乱点云数据分割图。
步骤203,分层距离阈值的确定;
分层距离阈值的大小直接影响散乱点云数据压缩的速度和最后生成散乱点云数据的精确程度,因此,在实际的应用中我们需要在点云压缩速度与散乱点云数据的压缩率之间寻找一个平衡,达到最好的压缩效果。
在本次实验中,散乱点云数据的高度h将基于散乱点云数据Z轴坐标的最大值Zmax和最小值Zmin间接计算,散乱点云数据所分的总层数LevelNum由用户输入,通过h=(Zmax-Zmin)/LevelNum间接计算高度。
步骤204,散乱点云数据分层;
步骤205,分层散乱点云数据排序;其中,图6示出了分层三维散乱点云数据排序示意图。
步骤206,分层散乱点云数据距离计算;
步骤207,散乱点云数据压缩距离阈值;
散乱点云数据压缩距离阈值δ主要由用户根据具体的情况手动输入。
步骤208,分层散乱点云数据压缩;
步骤209,是否为最后一层;
步骤210,结束计算。
本次实验中,所采用的大雁塔部分散乱点云数据,点云总个数为641707,在本发明实施例中,散乱点云数据压缩过程中两个重要参数:散乱点云数据压缩距离阈值δ和分层总数LevelNum采用单一变量的原则进行分别试验。
图7示例性示出大雁塔三维散乱点云数据的局部细节图,下面结合图7,针对散乱点云数据压缩过程中的两个参数,进一步说明散乱点云数据压缩过程中这两个参数的作用。
实验一
对测试后的散乱点云数据进行预处理之后,保证散乱点云数据的分层总数LevelNum=800不变,而散乱点云数据压缩距离阈值δ分别取0.01m、0.05m、0.1m和0.15m进行试验。
表1示出实验一运行结果所对应的数据。其中,散乱点云数据总个数为641707,散乱点云数据的分层总数为800。
表1试验一点云压缩结果统计(LevelNum=800,点云总数为641707)
其中,图8A示出了散乱点云数据压缩距离阈值为0.01时的压缩效果图;图8B示出了散乱点云数据压缩距离阈值为0.05时的压缩效果图;图8C示出了散乱点云数据压缩距离阈值为0.1时的压缩效果图;图8D示出了散乱点云数据压缩距离阈值为0.15时的压缩效果图。
根据上述四幅图和表1所示信息,可以确定,当分层数目LevelNum一定时,散乱点云数据压缩距离阈值δ越小时,散乱点云数据的压缩率k越小,散乱点云数据的特征信息保存越完整;当散乱点云数据压缩距离阈值δ增大时,点云的压缩率k随着增大,但是散乱点云数据的特征信息越容易丢失。
在实际应用中,需要在压缩速度与压缩率之间寻找平衡点,既可以保存散乱点云数据的特征信息,也可以尽可能的提高压缩率。
实验二
对测试后的散乱点云数据进行预处理之后,保持散乱点云数据压缩距离阈值δ=0.05m不变,将散乱点云数据的分层总数LevelNum分别取300、500、800和1200进行试验。
表2示出实验二的实验结果,其中,散乱点云数据的压缩率大致相同。
表2试验一点云压缩结果统计(δ=0.05,点云总数为641707)
表2试验一点云压缩结果统计(δ=0.05,点云总数为641707)
如表2所示,当散乱点云数据的压缩距离阈值δ相同时,点云分层数目LevelNum增加时,压缩运行时间缓慢增加,压缩率逐渐缓慢降低,因此散乱点云数据的分层主要是为后续分层点云的压缩服务,对压缩率的影响较小。
通过上述两个实验可以确定,在散乱点云数据分层压缩算法中对压缩率起主要影响是散乱点云数据距离阈值δ的大小,在具体的压缩中,可以通过与散乱点云数据的距离阈值δ的对比筛选,完成数据的压缩。散乱点云数据的距离阈值δ越大,压缩率越高,但是相对较容易丢失点云特征信息。反之,压缩率低,但能较好的保持点云特征信息。
基于同一发明构思,本发明实施例提供了一种基于散乱点云数据的分层式压缩装置,由于该装置解决技术问题的原理与一种基于散乱点云数据的分层式压缩方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图9示例性示出了本发明实施例提供的一种基于散乱点云数据的分层式压缩装置,包括:
分层单元91,用于按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
排序单元92,用于在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
压缩单元93,用于获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将相邻的所述散乱点云数据压缩为一个点。
优选地,所述压缩单元93还用于:
若相邻的所述散乱点云数据之间的距离小于所述散乱点云数据压缩距离阈值,则将排序序号大的散乱点云数据删除。
优选地,所述分层单元91还用于:
对所述散乱点云数据设置参考坐标,并将多个测试点针对同一目标获取的所述散乱点云数据进行拼接,使所述散乱点云数据成为整体。
优选地,所述分层单元91还用于:
若所述散乱点云数据具有坡度,则在所述第一方向上,根据所述散乱点云数据的坡度,所述散乱点云数据在投影平面上网格的边长,确定所述散乱点云数据在第一方向上的高度。
优选地,所述排序单元92还用于:
若所述散乱点云数据在所述主排序轴对应的坐标值相同,则按照次排序轴,将所述散乱点云数据在投影平面内进行排序。
应当理解,以上一种基于散乱点云数据的分层式压缩装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分,实际应用中,可以进行上述单元的叠加或拆分。并且该实施例提供的一种基于散乱点云数据的分层式压缩装置所实现的功能与上述实施例提供的一种基于散乱点云数据的分层式压缩方法一一对应,对于该装置所实现的更为详细的处理流程,在上述方法实施例一中已做详细描述,此处不再详细描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于散乱点云数据的分层式压缩方法,其特征在于,包括:
按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻散乱点云数据之间的距离值小于散乱点云数据距离压缩阈值,则将相邻的所述散乱点云数据压缩为一个点。
2.如权利要求1所述的方法,其特征在于,所述将相邻的所述散乱点云数据压缩为一个点,包括:
若相邻的所述散乱点云数据之间的距离小于所述散乱点云数据压缩距离阈值,则将排序序号大的散乱点云数据删除。
3.如权利要求1所述的方法,其特征在于,所述按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层之前,还包括:
对所述散乱点云数据设置参考坐标,并将多个测试点针对同一目标获取的所述散乱点云数据进行拼接,使所述散乱点云数据成为整体。
4.如权利要求1所述的方法,其特征在于,所述按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层,包括:
若所述散乱点云数据具有坡度,则在所述第一方向上,根据所述散乱点云数据的坡度和所述散乱点云数据在投影平面上网格的边长,确定所述散乱点云数据在第一方向上的高度。
5.如权利要求1所述的方法,其特征在于,所述按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序,还包括:
若所述散乱点云数据在所述主排序轴对应的坐标值相同,则按照次排序轴,将所述散乱点云数据在投影平面内进行排序。
6.一种基于散乱点云数据的分层式压缩装置,其特征在于,包括:
分层单元,用于按照坐标系内的散乱点云数据在第一方向上的高度,将所述散乱点云数据在所述第一方向上分层;
排序单元,用于在投影坐标系中,确定每个分层内所述散乱点云数据对应的坐标值变换最大的坐标轴为主排序轴,按照所述主排序轴,将所述散乱点云数据在投影平面内进行排序;
压缩单元,用于获取所述排序后的散乱点云数据,确定相邻的所述散乱点云数据之间的距离,若相邻的所述散乱点云数据之间的距离值小于散乱点云数据压缩距离阈值,则将序号大的数据点删除,完成数据的压缩。
7.如权利要求6所述的装置,其特征在于,所述压缩单元具体用于:
若相邻的所述散乱点云数据之间的距离小于所述散乱点云数据压缩距离阈值,则将排序序号大的散乱点云数据删除。
8.如权利要求6所述的装置,其特征在于,所述分层单元还用于:
对所述散乱点云数据设置参考坐标,并将多个测试点针对同一目标获取的所述散乱点云数据进行拼接,使所述散乱点云数据成为整体。
9.如权利要求6所述的装置,其特征在于,所述分层单元还用于:
若所述散乱点云数据具有坡度,则在所述第一方向上,根据所述散乱点云数据的坡度和所述散乱点云数据在投影平面上网格的边长,确定所述散乱点云数据在第一方向上的高度。
10.如权利要求6所述的装置,其特征在于,所述排序单元还用于:
若所述散乱点云数据在所述主排序轴对应的坐标值相同,则按照次排序轴,将所述散乱点云数据在投影平面内进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963846.XA CN105630905A (zh) | 2015-12-14 | 2015-12-14 | 一种基于散乱点云数据的分层式压缩方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963846.XA CN105630905A (zh) | 2015-12-14 | 2015-12-14 | 一种基于散乱点云数据的分层式压缩方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105630905A true CN105630905A (zh) | 2016-06-01 |
Family
ID=56045838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510963846.XA Pending CN105630905A (zh) | 2015-12-14 | 2015-12-14 | 一种基于散乱点云数据的分层式压缩方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105630905A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578463A (zh) * | 2017-09-28 | 2018-01-12 | 奇瑞汽车股份有限公司 | 对雷达点云数据进行栅格化处理的方法和装置 |
CN107767331A (zh) * | 2017-10-18 | 2018-03-06 | 中国电建集团中南勘测设计研究院有限公司 | 一种激光扫描地形数据压缩方法及地形图成图方法 |
CN108920574A (zh) * | 2018-06-22 | 2018-11-30 | 黑龙江科技大学 | 大规模三维点云数据的高效邻域搜索方法 |
CN109063753A (zh) * | 2018-07-18 | 2018-12-21 | 北方民族大学 | 一种基于卷积神经网络的三维点云模型分类方法 |
CN110363822A (zh) * | 2018-04-11 | 2019-10-22 | 上海交通大学 | 一种3d点云压缩方法 |
CN110663255A (zh) * | 2017-05-24 | 2020-01-07 | 交互数字Vc控股公司 | 用于编码和重构点云的方法和设备 |
CN111415406A (zh) * | 2020-03-18 | 2020-07-14 | 东南数字经济发展研究院 | 一种分层分块三维模型数据分类压缩方法 |
WO2020147379A1 (zh) * | 2019-01-15 | 2020-07-23 | 华为技术有限公司 | 点云滤波方法、装置及存储介质 |
CN111667436A (zh) * | 2020-05-08 | 2020-09-15 | 武汉中观自动化科技有限公司 | 一种用于无线三维扫描仪的图像传输方法及装置 |
CN111928782A (zh) * | 2017-07-21 | 2020-11-13 | 株式会社多田野 | 测定对象物的上表面推定方法、引导信息显示装置以及起重机 |
CN112106370A (zh) * | 2018-03-20 | 2020-12-18 | Pcms控股公司 | 基于优先化排序的变换而优化动态点云的系统和方法 |
CN117152164A (zh) * | 2023-11-01 | 2023-12-01 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
CN117332102A (zh) * | 2023-11-30 | 2024-01-02 | 陕西建一建设有限公司 | 一种基于bim的建筑数据优化存储方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297574A1 (en) * | 2012-05-02 | 2013-11-07 | Level Set Systems, Inc. | Method and apparatus for compressing three-dimensional point cloud data |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
-
2015
- 2015-12-14 CN CN201510963846.XA patent/CN105630905A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297574A1 (en) * | 2012-05-02 | 2013-11-07 | Level Set Systems, Inc. | Method and apparatus for compressing three-dimensional point cloud data |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
Non-Patent Citations (2)
Title |
---|
朱宁宁等: "基于扫描线间隔的点云压缩方法", 《地理空间信息》 * |
田丰瑞等: "基于分层投影的特征点点云数据压缩算法研究", 《铁道勘察》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11627339B2 (en) | 2017-05-24 | 2023-04-11 | Interdigital Vc Holdings, Inc. | Methods and devices for encoding and reconstructing a point cloud |
CN110663255A (zh) * | 2017-05-24 | 2020-01-07 | 交互数字Vc控股公司 | 用于编码和重构点云的方法和设备 |
CN111928782A (zh) * | 2017-07-21 | 2020-11-13 | 株式会社多田野 | 测定对象物的上表面推定方法、引导信息显示装置以及起重机 |
CN107578463A (zh) * | 2017-09-28 | 2018-01-12 | 奇瑞汽车股份有限公司 | 对雷达点云数据进行栅格化处理的方法和装置 |
CN107767331A (zh) * | 2017-10-18 | 2018-03-06 | 中国电建集团中南勘测设计研究院有限公司 | 一种激光扫描地形数据压缩方法及地形图成图方法 |
CN112106370A (zh) * | 2018-03-20 | 2020-12-18 | Pcms控股公司 | 基于优先化排序的变换而优化动态点云的系统和方法 |
CN110363822A (zh) * | 2018-04-11 | 2019-10-22 | 上海交通大学 | 一种3d点云压缩方法 |
CN108920574B (zh) * | 2018-06-22 | 2022-09-30 | 黑龙江科技大学 | 大规模三维点云数据的高效邻域搜索方法 |
CN108920574A (zh) * | 2018-06-22 | 2018-11-30 | 黑龙江科技大学 | 大规模三维点云数据的高效邻域搜索方法 |
CN109063753B (zh) * | 2018-07-18 | 2021-09-14 | 北方民族大学 | 一种基于卷积神经网络的三维点云模型分类方法 |
CN109063753A (zh) * | 2018-07-18 | 2018-12-21 | 北方民族大学 | 一种基于卷积神经网络的三维点云模型分类方法 |
WO2020147379A1 (zh) * | 2019-01-15 | 2020-07-23 | 华为技术有限公司 | 点云滤波方法、装置及存储介质 |
CN111415406A (zh) * | 2020-03-18 | 2020-07-14 | 东南数字经济发展研究院 | 一种分层分块三维模型数据分类压缩方法 |
CN111415406B (zh) * | 2020-03-18 | 2023-05-12 | 东南数字经济发展研究院 | 一种分层分块三维模型数据分类压缩方法 |
CN111667436A (zh) * | 2020-05-08 | 2020-09-15 | 武汉中观自动化科技有限公司 | 一种用于无线三维扫描仪的图像传输方法及装置 |
CN117152164A (zh) * | 2023-11-01 | 2023-12-01 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
CN117152164B (zh) * | 2023-11-01 | 2024-02-09 | 武汉精一微仪器有限公司 | 一种透明多层材料的点云数据分层方法、装置及电子设备 |
CN117332102A (zh) * | 2023-11-30 | 2024-01-02 | 陕西建一建设有限公司 | 一种基于bim的建筑数据优化存储方法 |
CN117332102B (zh) * | 2023-11-30 | 2024-02-06 | 陕西建一建设有限公司 | 一种基于bim的建筑数据优化存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105630905A (zh) | 一种基于散乱点云数据的分层式压缩方法及装置 | |
CN113178014B (zh) | 场景模型渲染方法、装置、电子设备和存储介质 | |
CN106934826B (zh) | 一种岩质边坡结构精细化建模及块体识别方法 | |
US20070024615A1 (en) | Real-time precision ray tracing | |
CN102890828B (zh) | 基于法向夹角的点云数据精简方法 | |
WO2020206669A1 (zh) | 一种自适应的点云条带划分方法 | |
CN104616345A (zh) | 一种基于八叉树森林压缩的三维体素存取方法 | |
CN110992458A (zh) | 一种大规模倾斜摄影模型组织与调度方法 | |
CN108109204A (zh) | 一种制作和渲染大规模地形的方法及系统 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
CN101408990B (zh) | 一种城市建筑模型的渐进压缩和传输方法 | |
CN109993700B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN104267940A (zh) | 一种基于cpu+gpu的地图切片的快速生成方法 | |
KR101190882B1 (ko) | 고속의 소음지도를 가시화하기 위한 클라우드 컴퓨팅 장치 및 방법 | |
CN103500278B (zh) | 基于最短路径算法的路径相似台风分析方法 | |
CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
EP1899896A2 (en) | Real-time precision ray tracing | |
CN110826122B (zh) | 一种核电三维布置设计模型体素化方法及系统 | |
CN104143214A (zh) | 一种电子地图多边形三角剖分方法与装置 | |
CN105653881A (zh) | 基于多密度层次的流场可视化方法 | |
CN111599015B (zh) | 一种约束条件下的空间多边形网格化填充方法和装置 | |
Morrical et al. | Quick clusters: A GPU-parallel partitioning for efficient path tracing of unstructured volumetric grids | |
CN113761093A (zh) | 空间二元组的确定方法、装置、计算机设备和存储介质 | |
Liu et al. | Automatic sizing functions for unstructured mesh generation revisited |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160601 |
|
RJ01 | Rejection of invention patent application after publication |