CN105741344A - 点云精简方法及系统 - Google Patents
点云精简方法及系统 Download PDFInfo
- Publication number
- CN105741344A CN105741344A CN201410758133.5A CN201410758133A CN105741344A CN 105741344 A CN105741344 A CN 105741344A CN 201410758133 A CN201410758133 A CN 201410758133A CN 105741344 A CN105741344 A CN 105741344A
- Authority
- CN
- China
- Prior art keywords
- summit
- level
- triangle
- normal vector
- unit normal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Generation (AREA)
Abstract
一种点云精简方法,应用于计算装置中,该方法包括:接收点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息;计算每个三角形的每个顶点的单位法向量;根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值;根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级;根据用户设定的每个层级的采样比例,从每个层级中取出采样点;对采样后的点云的三角结构进行修复。本发明还提供一种点云精简系统。本发明能用较少的点表现出点云的细节。
Description
技术领域
本发明涉及点云处理技术领域,尤其涉及一种点云精简方法及系统。
背景技术
点云精简是点云处理的关键步骤,三维扫描时,一个产品的完整点云通过多幅点云合并而成,往往数据量很大,因此,对点云进行精简显得格为重要。也就需要去除部份点云,让点云密度均匀。精简的最理想效果是精简后的点云具有较少的数量的同时又不丢失物体表面细节特征。
发明内容
鉴于以上内容,有必要提供一种点云精简方法及系统,可以用较少的点表现出点云的细节。
一种点云精简方法,应用于计算装置中,该方法包括:获取步骤,接收点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息;计算步骤一,计算每个三角形的每个顶点的单位法向量;计算步骤二,根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值;分类步骤,根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级;采样步骤,根据用户设定的每个层级的采样比例,从每个层级中取出采样点;及修复步骤,对采样后的点云的三角结构进行修复。
一种点云精简系统,运行于计算装置中,该系统包括:获取模块,用于接收点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息;计算模块,用于计算每个三角形的每个顶点的单位法向量;所述计算模块,还用于根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值;分类模块,用于根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级;采样模块,用于根据用户设定的每个层级的采样比例,从每个层级中取出采样点;及修复模块,用于对采样后的点云的三角结构进行修复。
相较于现有技术,所述点云精简方法及系统,在曲率高的地方取较多的采样点,在曲率小的地方取较少的采样点,即使删除了一些点数据,仍然能保留点云中细节特征,满足采样速度和采样精度要求。
附图说明
图1是本发明点云精简系统较佳实施例的运行环境示意图。
图2是本发明点云精简系统较佳实施例的功能模块图。
图3是本发明点云精简方法较佳实施例的流程图。
图4是一个顶点周围的三角形的示意图。
图5是修复点三角结构的示意图。
主要元件符号说明
计算装置 | 1 |
点云精简系统 | 10 |
存储设备 | 11 |
处理设备 | 12 |
获取模块 | 100 |
计算模块 | 101 |
分类模块 | 102 |
采样模块 | 103 |
修复模块 | 104 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
参阅图1所示,是本发明点云精简系统较佳实施例的运行环境示意图。所述点云精简系统10运行于计算装置1中。该计算装置1还包括通过数据总线相连的存储设备11及一个或者多个处理设备12等。所述计算装置1可以是电脑、服务器等。
所述的点云精简系统10包括一个或多个由程序代码组成的功能模块(详见图2),各功能模块存储于所述存储设备11中,并由所述处理设备12所执行,以实现如下功能:在曲率高的地方取较多的采样点,在曲率小的地方取较少的采样点,即使删除了一些点数据,仍然能保留点云中细节特征,满足采样速度和采样精度要求。
所述存储设备11用于存储所述点云精简系统10中各个程序段的程序代码。该存储设备11可以为智能媒体卡(smartmediacard)、安全数字卡(securedigitalcard)、快闪存储器卡(flashcard)等储存设备。
参阅图2所示,在本实施例中,所述点云精简系统10的功能模块包括:获取模块100、计算模块101、分类模块102、采样模块103及修复模块104。以下将结合图3说明各模块的具体功能。
参阅图3所示,是本发明点云精简方法较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S10,获取模块100接收用户上传到计算装置1中的点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息。
在本实施例中,每个三角形的信息包括每个三角形的单位法向量、三个顶点及三个顶点的三维坐标。
步骤S11,计算模块101计算每个三角形的每个顶点的单位法向量。
在本实施例中,计算模块101在计算一个三角形的一个顶点的单位法向量的过程为:
找出经过该顶点并位于该顶点周围的所有三角形,
计算所找出的所有三角形的平均单位法向量,所述平均单位法向量即为该顶点的单位法向量。在本实施例中,所述平均单位法向量等于所找出的每个三角形的单位法向量之和除以计算所找出的三角形个数。
例如,如图4所示,在点云中选取一个三角形△AOB,任取一个顶点O,对其进行扩层,找出所有点O周围的三角形,即为△AOB、△BOC、△COD、△DOE、△EOF、△FOA。从网格化文件中读取△AOB、△BOC、△COD、△DOE、△EOF、△FOA的单位法向量,求出平均单位法向量即为点O的单位法向量。
步骤S12,计算模块101根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值。
在本实施例中,一个顶点的相邻点是指经过该顶点并位于该顶点周围的所有三角形中所包含的顶点(除去该顶点)。例如,如图4所示,点O的相邻点即为A、B、C、D、E及F。
计算模块101计算一个顶点的判定值的过程为:
计算所述顶点的单位法向量与所述顶点的每个相邻点的单位法向量的夹角余弦值。
根据所计算出的夹角余弦值计算平均夹角余弦值,即为所述顶点的判定值。在本实施例中,所述平均夹角余弦值等于所计算出的所有夹角余弦值之和除以所述顶点的相邻点的个数。所述顶点的判定值的范围为[0,1]。
按照上述计算一个顶点的判定值的过程,计算每个三角形的每个顶点的判定值。
步骤S13,分类模块102根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级。
在本实施例中,当一个顶点的判定值越大,表示在该点的曲率越小,那么在该点附近取的采样点越少。分类模块102将所有三角形的顶点的判定值按照从小到大排序,将所有三角形的顶点分成预设数量N的层级。所述层级用Ci表示,i的取值为1,2,…,N。其中C1中需要选取的采样点的个数最多,C1到CN选取的采样点的个数依次减少。
步骤S14,采样模块103根据用户设定的每个层级的采样比例,从每个层级中取出采样点。
在本实施例中,假设精简采样比率为k,则采样点数目为
Number目标=k*Number总数,
用Ri表示每个层级的采样比例,i的取值为1,2,…,N,采样模块103从每个层级中取出采样点的过程为:
先取C1层级中的采样点,当C1中的点数Numberc1≥R1*Number目标,则在C1层级中随机选取R1*Number目标个采样点;
如果Numberc1<R1*Number目标,则将C1中的所有点取出,把剩余的(R1*Number目标-Numberc1)个采样点数加上C2应该取出的采样点数作为C2层级的目标采样点数,即R2*Number目标+R1*Number目标-Numberc1,C2层级的目标采样点数和C2中的点数Numberc2进行比较,按以上采样方式进行在C2中取出采样点。
循环以上步骤,依次从C3到CN层级中选取采样点。
步骤S15,修复模块104对采样后的点云的三角结构进行修复。
在本实施例中,由于对点云进行精简过程,会过滤部分点,造成原先点云中部分三角形结构顶点被去除,无法形成三角形结构,所以需要进行三角形修复。
修复模块104对一个点(该点为过滤点,即被删除的点)周围的三角形进行修复的过程为:把该点周围的采样点按顺时针排列形成点序列,取第一个点连接第三个点,形成新的三角形结构。接着再取第三个点作为起始点,连接第五个点,以此类推,直到连接完所有点数据。按照上述过程循环处理完采样后的点云中的所有点。
例如,如图5所示,取第一个点(即A)作为一个端点,连接第三个顶点(即C),形成新的三角形△ABC。再以C作为一个端点,连接第五个顶点(即E),形成有一个新的三角形△CDE,以此类推,连接完所有的点。计算是否连接完所有点时,需要进行判断,如果在点序列中,当前的末端点(比如连接AC,C则为当前的末端点),后面没有多于或等于两个的点,则说明连接已经完成。如果不是,以当前末端点作为始端点,查找下一个末端点。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种点云精简方法,应用于计算装置中,其特征在于,该方法包括:
获取步骤,接收点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息;
计算步骤一,计算每个三角形的每个顶点的单位法向量;
计算步骤二,根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值;
分类步骤,根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级;
采样步骤,根据用户设定的每个层级的采样比例,从每个层级中取出采样点;及
修复步骤,对采样后的点云的三角结构进行修复。
2.如权利要求1所述的点云精简方法,其特征在于,在所述计算步骤一中,计算一个三角形的一个顶点的单位法向量的过程为:
找出经过该顶点并位于该顶点周围的所有三角形;及
计算所找出的所有三角形的平均单位法向量,所述平均单位法向量即为该顶点的单位法向量。
3.如权利要求1所述的点云精简方法,其特征在于,所述计算步骤二中计算一个顶点的判定值的过程为:
计算所述顶点的单位法向量与所述顶点的每个相邻点的单位法向量的夹角余弦值;
根据所计算出的所述顶点的单位法向量与所述顶点的每个相邻点的单位法向量的夹角余弦值计算平均夹角余弦值,即为所述顶点的判定值。
4.如权利要求1所述的点云精简方法,其特征在于,在所述分类步骤中,将所有三角形的顶点的判定值按照从小到大排序,将所有三角形的顶点分成预设数量N的层级,所述层级用Ci表示,i的取值为1,2,…,N,其中C1中需要选取的采样点的个数最多,C1到CN选取的采样点的个数依次减少。
5.如权利要求4所述的点云精简方法,其特征在于,在所述采样步骤中,用Ri表示每个层级的采样比例,i的取值为1,2,…,N,Number目标表示采样点数目,从每个层级中取出采样点的过程为:
先取C1层级中的采样点,当C1中的点数Numberc1≥R1*Number目标,则在C1层级中随机选取R1*Number目标个采样点;及
当Numberc1<R1*Number目标,则将C1中的所有点取出,把剩余的(R1*Number目标-Numberc1)个采样点数加上C2应该取出的采样点数作为C2层级的目标采样点数,即R2*Number目标+R1*Number目标-Numberc1,C2层级的目标采样点数和C2中的点数Numberc2进行比较,按以上采样方式在C2中取出采样点,循环以上过程,依次从C3到CN层级中选取采样点。
6.一种点云精简系统,运行于计算装置中,其特征在于,该系统包括:
获取模块,用于接收点云网格化文件,并从该点云网格化文件中获取由网格化后的点云所组成的多个三角形及每个三角形的信息;
计算模块,用于计算每个三角形的每个顶点的单位法向量;
所述计算模块,还用于根据每个三角形的每个顶点的单位法向量及每个顶点的相邻点的单位法向量计算每个三角形的每个顶点的判定值;
分类模块,用于根据每个三角形的每个顶点的判定值把所有三角形的所有顶点分类成预设数量的层级;
采样模块,用于根据用户设定的每个层级的采样比例,从每个层级中取出采样点;及
修复模块,用于对采样后的点云的三角结构进行修复。
7.如权利要求6所述的点云精简系统,其特征在于,所述计算模块计算一个三角形的一个顶点的单位法向量的过程为:
找出经过该顶点并位于该顶点周围的所有三角形;及
计算所找出的所有三角形的平均单位法向量,所述平均法单位向量即为该顶点的单位法向量。
8.如权利要求6所述的点云精简系统,其特征在于,所述计算模块计算一个顶点的判定值的过程为:
计算所述顶点的单位法向量与所述顶点的每个相邻点的单位法向量的夹角余弦值;
根据所计算出的所述顶点的单位法向量与所述顶点的每个相邻点的单位法向量的夹角余弦值计算平均夹角余弦值,即为所述顶点的判定值。
9.如权利要求6所述的点云精简系统,其特征在于,所述分类模块将所有三角形的顶点的判定值按照从小到大排序,将所有三角形的顶点分成预设数量N的层级,所述层级用Ci表示,i的取值为1,2,…,N,其中C1中需要选取的采样点的个数最多,C1到CN选取的采样点的个数依次减少。
10.如权利要求9所述的点云精简系统,其特征在于,在所述采样模块中,用Ri表示每个层级的采样比例,i的取值为1,2,…,N,Number目标表示采样点数目,从每个层级中取出采样点的过程为:
先取C1层级中的采样点,当C1中的点数Numberc1≥R1*Number目标,则在C1层级中随机选取R1*Number目标个采样点;及
当Numberc1<R1*Number目标,则将C1中的所有点取出,把剩余的(R1*Number目标-Numberc1)个采样点数加上C2应该取出的采样点数作为C2层级的目标采样点数,即R2*Number目标+R1*Number目标-Numberc1,C2层级的目标采样点数和C2中的点数Numberc2进行比较,按以上采样方式在依次从C2到CN层级中选取采样点。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758133.5A CN105741344A (zh) | 2014-12-10 | 2014-12-10 | 点云精简方法及系统 |
US14/735,613 US20160171762A1 (en) | 2014-12-10 | 2015-06-10 | Electronic device and method for simplifying mesh point cloud |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758133.5A CN105741344A (zh) | 2014-12-10 | 2014-12-10 | 点云精简方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105741344A true CN105741344A (zh) | 2016-07-06 |
Family
ID=56111682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410758133.5A Pending CN105741344A (zh) | 2014-12-10 | 2014-12-10 | 点云精简方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160171762A1 (zh) |
CN (1) | CN105741344A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
CN113327328A (zh) * | 2021-08-02 | 2021-08-31 | 苏州鼎纳自动化技术有限公司 | 一种三维点云数据精简方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7538764B2 (en) * | 2001-01-05 | 2009-05-26 | Interuniversitair Micro-Elektronica Centrum (Imec) | System and method to obtain surface structures of multi-dimensional objects, and to represent those surface structures for animation, transmission and display |
JP3702244B2 (ja) * | 2001-03-30 | 2005-10-05 | 株式会社東芝 | ポリゴンデータ生成装置、描画システムおよびポリゴンデータ生成方法 |
JP4418390B2 (ja) * | 2005-03-22 | 2010-02-17 | 三菱重工業株式会社 | 3次元形状処理装置及び曲面生成プログラム並びに方法 |
KR101669873B1 (ko) * | 2009-10-16 | 2016-10-27 | 삼성전자주식회사 | 삼차원 메쉬 압축장치 및 방법 |
CN102362294B (zh) * | 2010-02-23 | 2015-07-22 | 松下电器产业株式会社 | 计算机图形影像合成装置和方法、以及显示装置 |
US9489770B2 (en) * | 2014-05-26 | 2016-11-08 | Tatsuya Iwamoto | Method for generating quartic bezier triangle patches from triangle mesh for computer graphics |
-
2014
- 2014-12-10 CN CN201410758133.5A patent/CN105741344A/zh active Pending
-
2015
- 2015-06-10 US US14/735,613 patent/US20160171762A1/en not_active Abandoned
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
CN108830931B (zh) * | 2018-05-23 | 2022-07-01 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
CN113327328A (zh) * | 2021-08-02 | 2021-08-31 | 苏州鼎纳自动化技术有限公司 | 一种三维点云数据精简方法 |
Also Published As
Publication number | Publication date |
---|---|
US20160171762A1 (en) | 2016-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609186B (zh) | 信息处理方法及装置、终端设备及计算机可读存储介质 | |
CN105631929A (zh) | 点云精简方法及系统 | |
CN110717251B (zh) | 一种考虑多要素的分布式水文模型子流域划分方法 | |
CN111814664B (zh) | 识别图纸中标注的方法、装置、计算机设备及存储介质 | |
CN110378175B (zh) | 道路边沿的识别方法和装置 | |
CN108197668A (zh) | 模型数据集的建立方法及云系统 | |
CN102682085A (zh) | 一种网页去重的方法 | |
CN103345496A (zh) | 多媒体信息检索方法和系统 | |
KR20150089663A (ko) | 그래프 기반의 멀티 프리미티브 피팅 장치 및 그 동작 방법 | |
CN105260639A (zh) | 一种脸部识别系统的数据更新的方法及装置 | |
CN108776660B (zh) | 一种基于ArcGIS的批量匹配道路属性的方法 | |
CN105701861A (zh) | 点云采样方法及系统 | |
CN105741344A (zh) | 点云精简方法及系统 | |
CN113628343B (zh) | 三维网格的合并处理方法和装置、存储介质 | |
CN107704341A (zh) | 文件恢复方法、装置及电子设备 | |
CN105910639A (zh) | 一种基于拐点的航线分割方法及系统 | |
CN113449052A (zh) | 空间索引的建立方法、空间区域查询方法及装置 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN105095106B (zh) | 数据块存储方法及装置 | |
CN108629356B (zh) | 一种面向用电负荷分类应用的数据存储方法和装置 | |
CN105260423A (zh) | 电子名片去重方法及装置 | |
CN110874387A (zh) | 移动设备识别符共现关系稀疏图的构建方法及装置 | |
CN111737237B (zh) | 缺失里程桩数据生成方法、装置、设备及存储介质 | |
CN105118075A (zh) | 一种矢量空间数据的有损压缩方法及装置 | |
CN105741345A (zh) | 点云法向量调整方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160706 |