CN106570935A - 植被分布模拟方法及装置 - Google Patents
植被分布模拟方法及装置 Download PDFInfo
- Publication number
- CN106570935A CN106570935A CN201610816224.9A CN201610816224A CN106570935A CN 106570935 A CN106570935 A CN 106570935A CN 201610816224 A CN201610816224 A CN 201610816224A CN 106570935 A CN106570935 A CN 106570935A
- Authority
- CN
- China
- Prior art keywords
- distribution
- distribution unit
- border
- point
- vegetation
- 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
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
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种植被分布模拟方法及装置。包括:提取植被样本的分布特征;根据所述分布特征获取多个第一分布单元;对所述第一分布单元进行边界处理得到多个第二分布单元;对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。实现了快速的任意分布特征的植被分布模拟。
Description
技术领域
本申请属属于计算机图形学领域,具体地说,涉及一种植被分布模拟方法及装置。
背景技术
在计算机图形学中,对自然场景的模拟仿真是一个重要的课题,而其中植被的分布模拟是影响场景真实感的重要一环。植被分布的模拟主要有两个作用,其一是用于林业研究时的场景模拟,例如,为了便于对林业信息或相关的生态数据进行直观分析而对森林进行虚拟场景模拟,即将现实中的森林进行三维重现,通过生成植物在森林区域中的位置分布信息形成样本快,进一步构建大规模的森林场景。植被分布模拟还可以有其他的使用场景,例如,游戏画面中森林或者野外场景的模拟。为了提升游戏在众多同类型产品中的竞争力,打造真实游戏场景,尤其是提升游戏场景中的自然场景模拟的真实度将成为游戏提升竞争力的筹码之一。
在构建林业等自然场景的模拟中,需要获得大规模的植被分布信息。而植被分布特征是变化多端的,有聚集型的分布(如聚集的草丛),有随机型分布(如随机散落的蒲公英),有符合蓝噪声特征的泊松盘分布(如多年演替的,经过自然稀疏的树林),甚至还有规则分布(如人工规则栽培的林地)。
现有技术在进行大规模植被分布的模拟时,在保证能够适用于上述不同分布特征的分布模拟的情况下,其大面积分布合成的速度缓慢,效率十分低下。
发明内容
有鉴于此,本申请所要解决的技术问题是提供了一种分布模拟方法及装置。
本申请开了一种分布模拟方法,包括:
提取植被样本的分布特征;
根据所述分布特征获取多个第一分布单元;
对所述第一分布单元进行边界处理得到多个第二分布单元;
对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
本申请还公开了一种分布模拟装置,包括:
特征提取模块,用于提取植被样本的分布特征;
生成模块,用于根据所述分布特征获取多个第一分布单元;
边界处理模块,用于对所述第一分布单元进行边界处理得到多个第二分布单元;
拼铺模块,用于对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
与现有技术相比,本申请在模拟大面积的植被分布时,预先根据植被样本的分布特征生成多个第二分布单元,并将多个第二分布单元进行拼铺得到大面积的植被分布,由此,通过提升每一个所述第二分布单元的合成效率,再由所述第二单元快速拼铺得到大面积的植被分布模拟结果,解决了直接合成大面积植被分布效率低下的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请一种植被分布模拟方法实施例一的技术流程图;
图1-1是本申请一种植被分布模拟方法实施例一的示例图;
图1-2是本申请一种植被分布模拟方法实施例一的另一示例图;
图1-3是本申请一种植被分布模拟方法实施例一的另一示例图;
图2是本申请一种植被分布模拟方法实施例二的技术流程图;
图3是本申请一种植被分布模拟方法实施例三的技术流程图;
图4是本申请一种植被分布模拟方法实施例三的示例图;
图5是本申请一种植被分布模拟方法实施例三的另一示例图;
图6是本申请一种植被分布模拟装置实施例四的装置结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技 术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
图1是本申请实施例一的技术流程图,结合图1,本申请实施例一种植被模拟分布方法,包括:
步骤110、提取植被样本的分布特征;
其中,所述预设植被分布样本可以是用户输入的一块任意分布的植被分布样本,可以是蓝噪声分布、泊松盘分布、以及聚合分布等。
本申请实施例基于用户输入的任意植被样本的分布特征,采用点集分布的PCF(对相关函数)特征来进行所述植被样本分布特征的度量。
PCF是用于分析点分布模式的一种有效的统计学度量函数,这种度量函数g(x,y)描述了在位置x和位置y同时有点分布的联合概率,在各向同性的分布中,该概率只取决于x和y这两点的距离,即可表示为g(r)。不考虑窗口边缘效应时,PCF的估计函数如下:
其中,n是点集的数量,|V|是点集所在的窗口在d维下占空间大小。是与某点相距单位长度的区域在d维下所占空间大小,即是与某点相距r的区域在d维下所占空间大小,d(xi,xj)是两点在d维中的距离度量,在上述PCF的估计过程中使用了如下高斯核对其概率分布进行统计:
PCF的函数形状取决于点分布的聚集或分散程度。为了确保不同点集间整体密度的差异不会影响到分布模式即PCF函数形态的对比,两点间距离的计算将被rmax归一化,rmax是点集在所在窗口最大化分布的情况下,两点间的最小距离,预设尺寸窗口中:
使用归一化后的距离,可方便的通过相对值定义其他参数。在上述估计过程中,另外两个重要的参数是核带宽σ和r的统计范围[ra,rb]。σ的大小将影响函数的平滑程度,r的范围应能理想的捕捉到足够的特征来分辨不同的点模式,而不增加冗余信息。当r趋近于无穷大时,g(r)趋近于1,对于大多数点集来说,有一个有限值rc使r>rc时g(c)=1,因此大多有价值的信息包含在较小的r值中。优选的,在本申请实施例中,σ∈[0.1,0.5],rb>2.0提供了较好的估计结果。当然上述σ和r的范围为多次试验后的经验值,对本申请实施例的技术方案并不构成限制。
优选的,在本申请实施例中,由于与窗口边缘点相距r的区域可能超出窗口边界,而超出的部分未参与统计,所造成的统计结果偏小,因此,考虑到边缘效应误差,申请实施例中进一步对此误差进行矫正。优选的,本申请实施例采用平移矫正法对边缘效应误差进行了矫正,经过矫正的PCF估计函数如下:
其中,是边缘校正系数,是点集所在窗口与分别沿xi.xj两点的坐标向量平移后的点集窗口相交区域在d维下所占空间大小的比值,该比值可补偿和式的误差。
如图1-1所示,用户输入植被样本之后,对植被样本进行PCF特征计算得到相应的分布特征曲线。
步骤120、根据所述分布特征获取多个第一分布单元;
具体的,本申请技术方案中,以植被样本的点集分布的PCF函数为分布模式的度量标准,利用PCF拟合算法合成与样本分布类似,且边缘连续的第一分布单元。
需要说明的是,所述第一分布单元具有一定尺寸大小(例如,可以是单位矩形)。针对直接使用PCF度量来控制大规模点集合成效率缓慢的缺陷,本申请实施例中的所述第一分布单元的尺寸大小应当是满足高效原则的。应当理解,所述第一分布单元的尺寸大小受限于最终植被模拟面积的大小,本申请实施例并不以具体的数值此进行限制。
如图1-1所示,根据样本分布特征对应的曲线能够生成多个第一分布单元,通常,多个第一分布单元为一组,用于后续拼铺形成大面积的植被分布模拟结果。
步骤130、对所述第一分布单元进行边界处理得到多个第二分布单元;
上一步骤获得了由植被分布样本获取到的第一分布单元,当需要模拟一些大的植被场景时,若是将若干个所述第一分布单元重复拼铺会造成明显的周期性,从而降低植被分布模拟的真实度。因此,本申请的技术方案中,在将多个第二分布单元拼铺在一起之前,对每一所述第一分布单元进行边界处理,进而获得能够直接进行拼铺的边界匹配的所述第二分布单元。
具体的,本申请在进行边界处理时,采用Wang Tiles的处理思想,将若干所述第一分布单元进行颜色标记,处理为一组边缘带有颜色标记的可拼接的正方形单元。从而,在不旋转的前提下,依靠Tiles边缘的颜色标记规则,将同色的边缘相拼接,可以用很有限的Tiles通过简单的算法组合出大规模非周期性的结果。
步骤140、对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
本步骤中,所述第二分布单元经过预处理之后,再进行拼接时避免了周 期性的可能,因此,本步骤中可以采用任意的拼铺方法对所述第二分布单元进行拼铺,例如,顺序拼铺法、随机拼铺法等,从而,合成了更多的与样本相似的点分布,拼铺过程的高合成效率可满足实时应用的需要。
优选的,本申请实施例中采用随机频拼铺法对得到的所述第二分布单元进拼铺。随机拼铺法允许在任意位置根据坐标独立地确定所拼放的Tile(单元),是一种灵活的拼铺方式,需要包含多个不同Tiles组成的完整Wang Tiles组支持。本申请实施例中,完整WangTiles组由多个所述第二分布单元组成。
首先将拼铺平面划分成与所述第二分布单元的大小相同的网格,然后构建一个散列函数h(x,y)和一段尽量长的随机数表P。设散列表P的表长定义为N,定义h(x,y)=P[(P[x%N]+y)%N,则h(x,y)%C即是网格上某点(x,y)唯一确定的颜色编码。如图1-2所示,当要在某个位置拼铺第二分布单元时,先求出该位置所在网格的4个顶点的顶点颜色编码CNE、CSE、CSW、CNW,再通过两个点确定一条边的方式,如CN=(CNE+CSW)%C,求出四条边的颜色编码CN、CS、CW、CE,从而从Wang Tiles组中找出对应颜色匹配的第二分布单元,将第二分布单元内内的分布点集经过适当的变换添加到当前网格中。拼铺结果如图1-1中所示,图1-1中以9个第二分布单元为一个完整Wang Tiles组,得到如图所示的模拟结果。
图1-3是本申请实施例技术方案对应的植被样本以及模拟效果示例图,图中分别展示了当植被样本为随机分布、聚合分布以及泊松盘分布时,合成的植被模拟效果以及对应的鸟瞰图。图中第一列的PCF曲线示意植被样本对应的分布特征,第二列的PCF曲线示意植被合成结果对应的分布特征,针对不同分布类型的植被样本,本申请实施例都能够合成PCF曲线相似度极高的植被模拟结果。
本实施例中,在植被样本是任意分布的情况下,通过计算植被样本的PCF谱来确定植被样本的分布特征并进一步得到与植被样本分布特性相同的合成结果,这一技术方案具有极高的通用性;与此同时,在模拟大面积的植被分布时,预先根据植被样本的分布特征生成多个第二分布单元,并将多个第二分布单元进行拼铺得到大面积的植被分布,由此,通过提升每一个所述第二 分布单元的合成效率,再由所述第二单元快速拼铺得到大面积的植被分布模拟结果,解决了直接合成大面积植被分布效率低下的问题。
如图2对应的实施例所示,图2是本申请实施例二的技术流程图,结合图2,本申请实施例一种植被模拟方法中,通过如下步骤210~步骤250的反复迭代过程在预设尺寸窗口中生成N个分布点,从而获取所述第一分布单元:,其中,所述N个分布点的分布特征与所述植被样本的分布特征的相似性大于预设阈值;
步骤210、在预设尺寸窗口中生成第i个分布点;
其中所述预设窗口尺寸可以是单位尺寸也可以是用户自定义的任意尺寸,本申请实施例不做限制。
步骤220、计算所述预设尺寸窗口对应的分布特征;
优选的,在本步骤中,通过计算所述所述预设尺寸窗口中点的对相关函数谱从而获取所述预设尺寸窗口对应的分布特征;其中,计算所述对相关函数谱时,采用如下的两点间距离计算规则:
当dx>0.5时,dx=1-dx;当dy>0.5时,dy=1-dy;其中,dx为所述预设尺寸窗口中的任意两个点在x方向上的距离,dy为所述预设尺寸窗口中的任意两个点在y方向上的距离。
需要说明的是,上述距离计算规则为本申请实施例技术方案的关键点。通过PCF拟合生成的多个所述第一单元的过程中,若是延续所述植被分布样本的PCF谱计算过程中点对间距离计算原则,那么生成的多个所述第一单元在后期拼铺时无法满足边界处的PCF连续性。
因此,本步骤中,采用上述两点间距离计算规则计算所述所述预设尺寸窗口的对相关函数谱,一方面可以作为一种边缘矫正方法消除拟合过程在遇到边界时产生的误差,另一方面合成的点集分布由于满足边缘连续性,成为可重复拼铺延展的第一分布单元。
步骤230、确定所述预设尺寸窗口对应的分布特征与所述植被样本的分布特征的相似度;
步骤240、若所述相似度大于所述预设阈值,则生成第i+1个分布点;
步骤250、若所述相似度小于所述预设阈值,则删除所述第i个分布点,生成新的第i个分布点;其中,i属于N,N为大于0的整数。
上述步骤210~步骤250可以由如下的算法实现:
输入:目标PCF g0(rk)点数N
输出:点集.P
Step1:初始化iter=0
Step2:循环生成点集P
Step2.1:判断|P|<N,是则继续,否则结束循环.
Step2.2:ε←fε(iter)
Step2.3:在单位矩形V范围中生成一个随机点x加入点集P
Step2.4:更新PCF归一化时用n=N
Step2.5:IF(maxk(g(rk)-g0(rk))<ε)
将x点作为新点留在P中
ELSE
将x点作废,恢复PCF,
iter←iter+1
Step2.6.返回Step2.1
在上述算法中,每次生成一个新的随机点,每当有新点加入时,计算当前点集的PCF谱g(r)与样本PCF谱g0(r)的差距,若差距最大处小于ε,则保留该点,否则将该点作废,重新生成新的点,直到当前点集的数量达到目标值N。
具体地,在步骤Step2.2中,通过一个简单的规则fε(iter)来根据新点的重复生成次数适当调高ε的值,以防止过高的作废率及死锁的情况。
需要说明的是,上述算法中,当加入一个新点xm后更新点集PCF时,只需计算点xm与点集中其它点的对相关函数δk(xm)作为点xm对当前点集 PCF的贡献值,与原点集的PCF谱相加即可。函数中n采用N而不是当前实际点数,其目的在于便于与最终点集的目标PCF做比较。
优选的,本实施例中进一步包括如下的步骤:
步骤260、计算所述第一分布单元中的点的移动向量,并根据所述移动向量对所述点的位置进行调整,从而更新所述第一分布单元。
具体的,本申请实施例中,采用基于梯度下降法的PCF拟合过程计算所述预设尺寸窗口中每一个点的移动向量,对于步骤210~步骤250中生成的N个点进行不断迭代的移动调整,以使新点集的分布模式逐步接近样本分布。本申请实施例此处并不限制所述迭代的次数。
在每一次迭代调整中移动某一个点xm时,首先需要确定最佳移动方向△m,其计算公式如下:
其中,umi是从点xi到点xm的单位向量,wmi的计算决定了为使当前PCF谱g(r)更接近目标形态g0(r),xi点应该离点xm更近还是更远,用wmi将所有点到点的向量进行加权平均即可得到Δm。接下来要选择沿着方向移动的一个合理步长λ,来最终确定xm的新位置x'm=xm+λΔm。步长λ可分别用5个值(10-i,i=1,…5)依次尝试,再从所有结果中选出最有利于缩小PCF差距的一种。
本实施例中,通过计算植被样本的PCF谱,并根据所述PCF谱合成植被模拟所需的第一分布单元,实现了基于样本直观控制且适用于各种分布模式的通用的植被分布模拟;与此同时,在计算所述预设尺寸窗口对应的分布特征的过程中,将点对间距离的度量规则进行了改进,避免了窗口的边缘效应误差,且使得合成的点集单元能够在拼铺时在边界处满足PCF的连续性,在提升合成效率的同时保证了合成结果与植被样本分布特征的一致性。
图3是本申请实施例三的技术流程图,结合图3,本申请实施例一种植被模拟方法中,对所述第一分布单元进行边界处理得到第二分布单元,包括:
步骤310、对多个所述第一分布单元进行颜色标记,并标记预设数量的边界分布单元;其中,每一所述边界分布单元关联一种颜色标记。
本申请实施例的技术方案基于Wang Tiles的思想对所述第一分布单元进行颜色标记。Wang Tiles是一组边缘带有颜色标记的可拼接正方形单元,其作用是,在不旋转的前提下,依靠Tiles(单元)边缘的颜色标记规则,将同色的边缘相拼接,可以用很有限的Tiles通过简单的算法组合出大规模非周期性的结果。
Wang Tiles组中的Tiles数量与边缘颜色标记的种类有关,假设每条边有2种颜色可选,那么一套完整的Wang Tiles将至少应包含16(C4)个不同的Tiles,如图4所示。
在实际拼铺时,还需要保证Tiles所含分布数据在同色边缘间的连续性,以避免明显的接缝出现而影响合成结果。
为了便于生成一套完整的满足边界连续的Wang Tiles,首先需要生成一定数量的所述第一分布单元。本申请技术方案中,假设进行颜色标记时,颜色种类为C,则需生成C+C4个所述第一分布单元。其中C个第一分布单元作为边界分布单元,为每个所述边界分布单元标记一不同的颜色编码(不同的所述边界分布单元关联的颜色标记不同)。另外C4个第一分布单元作为内部Tiles,也分别按所有的排列组合标记其四条边的颜色编码。
获取所述第一分布单元的过程如实施例二所示,每执行一次实施例二对应的步骤,将得到一个所述第一分布单元,若要得到本实施例所需的C+C4个所述第一分布单元,需反复执行C+C4次实施例二所示的步骤。
步骤320、根据所述颜色标记与所述边界分布单元对所述第一分布单元进行边界处理。
以下部分将以任意的一个所述第一分布单元为例,对本申请实施例的边界合并过程进行阐述,并承接上述例子,假设颜色编码的种类C=2,共2+24=18个所述第一分布单元,每一个所述边界分布单元关联一种颜色标记,则至少有两个2个为边界分布单元以及16个按照排列组合标记的所述第一分布单元第一分布单元。具体的,步骤320可以包括如下的步骤321~步骤325。
步骤321、为所述第一分布单元的边选取颜色标记相同的所述边界分布单元;
假设选取的所述第一分布单元,其边1、边2、边3、边4等四条边分别为颜色1、颜色2、颜色2,颜色2;假设,两个所述边界分布单元中,边界分布单元1关联颜色1,边界分布单元2关联颜色2。
具体的,为所述第一分布单元挑选对应的所述边界分布单元的时候,颜色标记为颜色1的边1一侧对应边界分布单元1,颜色标记为颜色2的边2一侧对应边界分布单元2,同理,边3和边4都对应边界分布单元2。
步骤322、将所述第一分布单元的所述边与所述边界分布单元进行边缘拼接;
如图5所示,首先将所述第一分布单元的边1和所述边界分布单元1的边缘拼接,将所述第一分布单元的边2与所述边界分布单元2的边缘拼接,接下来执行步骤323~步骤325,并在边1与边2完成所述边界处理后,以同样的方式处理边3与边4,此处将不再赘述。
步骤323、将所述边缘拼接后的所述边的两侧的第一分布单元与所述边界分布单元中的点集合并;
承接上述例子,本步骤中,当将所述第一分布单元的边1和所述边界分布单元1的边缘拼接之后,将边1两侧的点集合并,同理,将所述第一分布单元的边2与所述边界分布单元2的边缘拼接之后,将边2两侧的点集合并。
步骤324、在所述第一分布单元中计算所述边的第一端点至所述边的第二端点的第一最佳分隔路径,在所述边界分布单元中计算所述第一端点至所述第二端点的第二最佳分隔路径;
其中,所述第一最佳分隔路径与所述第二最佳分隔路径的目的在于,沿着相对最宽松的空隙将两个单元的边界区域的点割开,从而使边界点与内部点的衔接处更为自然,同时也尽可能保留所述第一分布单元的点。
所述第一最佳分隔路径与所述第二最佳分隔路径是由Voronoi图上的一个边序列所构成的。其具体算法可以为:对Voronoi图的所有边计算一个cost值其中d是该Voronoi边所分隔的两点间的距离,dmax是这 些距离中的最大值,指数q可取10(经验值),则由端点A到端点B之间的最小cost路径,即为最佳分隔路径,可利用经典的Dijkstra最短路径算法求出。由于每个所述植被初始Tile的边界处理可独立进行,因此在实际计算中可多个所述植被初始Tile并行实现进行边界处理来加快效率。
具体的,如图5所示,对于边1而言,所述第一端点即为图中的点A,所述第二端点即为图中的点B;同理,对于边2而言,所述第一端点和所述第二端点分别对应图C和图D。
本步骤中,对于所述边1,计算第一最佳分隔路径和第二最佳分隔路径,可以采用Voronoi图(泰森多边形)实现。本步骤中,首先计算所述第一分布单元与所述边界分布单元1的合并点集的Voronoi图,从边1的A点出发,沿着Voronoi图的边,在所述边界分布单元1中寻找一条通往B点的最佳路径作为第一最佳分隔路径;同理,从边1的A点出发,沿着Voronoi图的边在所述第一分布单元中寻找一条通往B点的最佳路径作为第二最佳分隔路径。
同理,对于所述边2,首先计算所述第一分布单元与所述边界分布单元2的合并点集的Voronoi图,从边2的C点出发,沿着Voronoi图的边,在所述边界分布单元2中寻找一条通往D点的最佳路径作为第一最佳分隔路径;同理,从边2的C点出发,沿着Voronoi图的边在所述第一分布单元中寻找一条通往D点的最佳路径作为第二最佳分隔路径。
步骤325、以第一区域中的点集的分布更新第二区域中的点集的分布,其中,所述第一区域由所述第一端点、所述第二端点以及所述第一最佳分隔路径组成,所述第二区域由所述第一端点、第二端点与所述第二最佳分隔路径组成。
承接上述例子,在所述边界分布单元1中,第一最佳分隔路径与所述边1围成一个闭合区域,将所述第一分布单元中该闭合区域内的点删除,添加上所述边界分布单元中该区域内的点,就完成了所述边1的边缘处理。
在所述边界分布单元2中,第一最佳分隔路径与所述边2围成一个闭合区域,将所述第一分布单元中该闭合区域内的点删除,添加上所述边界分布单元中该区域内的点,就完成了所述边2的边缘处理。
反复执行步骤321~步骤325直到所有第一分布单元的四条边均替换完毕,便得到了在同色边缘间模式连续的Wang Tiles,即所述第二分布单元。
同理,对所有第一分布单元进行步骤步骤321~步骤325的处理就能够得到直接用于频谱的多个所述第二分布单元,此处不再赘述。
本实施例中,通过对每一所述第一分布单元进行颜色标记并边界处理得到了能够直接用于拼接的边界匹配的所述第二分布单元,使得在后续的拼接过程中,任意两个所述第二分布单元之间的点集合并之后边缘处的点集连续且不突兀,与此同时,多个Tile的重复拼铺不会造成明显的周期性,进一步提升了植被分布模拟的真实性;与此同时在边界处理以及实时拼铺的过程中,本实施例中的技术方案在实现时数据量小,内存占用率低。
图6是本申请实施例四的装置结构示意图,结合图6,本申请实施例一种植被分布模拟装置,包括特征提取模块610、生成模块620、边界处理模块630、拼铺模块640。
所述特征提取模块610,用于提取植被样本的分布特征;
所述生成模块620,用于根据所述分布特征获取多个第一分布单元;
所述边界处理模块630,用于对所述第一分布单元进行边界处理得到多个第二分布单元;
所述拼铺模块640,用于对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
进一步的,所述生成模块620具体用于:通过如下的迭代过程,在预设尺寸窗口中生成N个分布点从而获得所述第一分布单元,所述N个分布点的分布特征与所述植被样本的分布特征的相似性大于预设阈值;在预设尺寸窗口中生成第i个分布点;计算所述预设尺寸窗口对应的分布特征;确定所述预设尺寸窗口对应的分布特征与所述植被样本的分布特征的相似度;若所述相似度大于所述预设阈值,则生成第i+1个分布点;若所述相似度小于所述预设阈值,则删除所述第i个分布点,生成新的第i个分布点;其中,i属于N,N为大于0的整数。
进一步的,所述边界处理模块630具体用于:对多个所述第一分布单元 进行颜色标记,并标记预设数量的边界分布单元;其中,每一所述边界分布单元关联一种颜色标记;根据所述颜色标记与所述边界分布单元对所述第一分布单元进行边界处理。
进一步的,所述边界处理模块630具体用于:为所述第一分布单元的边选取颜色标记相同的所述边界分布单元;将所述第一分布单元的所述边与所述边界分布单元进行边缘拼接;将所述边缘拼接后的所述边的两侧的第一分布单元与所述边界分布单元中的点集合并;在所述第一分布单元中计算所述边的第一端点至所述边的第二端点的第一最佳分隔路径,在所述边界分布单元中计算所述第一端点至所述第二端点的第二最佳分隔路径;以第一区域中的点集的分布更新第二区域中的点集的分布,其中,所述第一区域由所述第一端点、所述第二端点以及所述第一最佳分隔路径组成,所述第二区域由所述第一端点、第二端点与所述第二最佳分隔路径组成。
进一步的,所述生成模块620具体用于:计算所述预设尺寸窗口中点的对相关函数谱从而获取所述预设尺寸窗口对应的分布特征;其中,计算所述对相关函数谱时,采用如下的两点间距离计算规则:
当dx>0.5时,dx=1-dx;当dy>0.5时,dy=1-dy;其中,dx为所述预设尺寸窗口中的任意两个点在x方向上的距离,dy为所述预设尺寸窗口中的任意两个点在y方向上的距离。
进一步的,所述生成模块620还用于:计算所述第一分布单元中的点的移动向量,并根据所述移动向量对所述点的位置进行调整,从而更新所述第一分布单元。
本实施例中,通过所述特征提取模块610以及所述生成模块620根据植被样本获取第一分布单元,实现了基于样本进行直观控制且适用于任何分布模式的通用分布模拟算法,在大规模分布模拟的合成过程中,快速高效;与此同时,并由所述边界处理模块630对所述第一分布单元进行边界处理得到第二分布单元,使得多个第二分布单元合成结果无周期性重复,进一步提升了模拟结果的真实度与准确性。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应 当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (12)
1.一种植被分布模拟方法,其特征在于,包括:
提取植被样本的分布特征;
根据所述分布特征获取多个第一分布单元;
对所述第一分布单元进行边界处理得到多个第二分布单元;
对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
2.如权利要求1所述的方法,其特征在于,所述根据所述分布特征获取多个第一分布单元,包括:
通过如下的迭代过程,在预设尺寸窗口中生成N个分布点从而获得所述第一分布单元,所述N个分布点的分布特征与所述植被样本的分布特征的相似性大于预设阈值;
在预设尺寸窗口中生成第i个分布点;
计算所述预设尺寸窗口对应的分布特征;
确定所述预设尺寸窗口对应的分布特征与所述植被样本的分布特征的相似度;
若所述相似度大于所述预设阈值,则生成第i+1个分布点;
若所述相似度小于所述预设阈值,则删除所述第i个分布点,生成新的第i个分布点;其中,i属于N,N为大于0的整数。
3.如权利要求2所述的方法,其特征在于,计算所述预设尺寸窗口对应的分布特征,包括:
计算所述预设尺寸窗口中点的对相关函数谱从而获取所述预设尺寸窗口对应的分布特征;其中,计算所述对相关函数谱时,采用如下的两点间距离计算规则:
当dx>0.5时,dx=1-dx;当dy>0.5时,dy=1-dy;其中,dx为所述预设尺寸窗口中的任意两个点在x方向上的距离,dy为所述预设尺寸窗口中的任意两个点在y方向上的距离。
4.如权利要求1所述的方法,其特征在于,对多个所述第一分布单元进行边界处理,包括:
对多个所述第一分布单元进行颜色标记,并标记预设数量的边界分布单元;其中,每一所述边界分布单元关联一种颜色标记;
根据所述颜色标记与所述边界分布单元对所述第一分布单元进行边界处理。
5.如权利要求4所示的方法,其特征在于,对所述第一分布单元进行所述边界处理,包括:
为所述第一分布单元的边选取颜色标记相同的所述边界分布单元;
将所述第一分布单元的所述边与所述边界分布单元进行边缘拼接;
将所述边缘拼接后的所述边的两侧的第一分布单元与所述边界分布单元中的点集合并;
在所述第一分布单元中计算所述边的第一端点至所述边的第二端点的第一最佳分隔路径,在所述边界分布单元中计算所述第一端点至所述第二端点的第二最佳分隔路径;
以第一区域中的点集的分布更新第二区域中的点集的分布,其中,所述第一区域由所述第一端点、所述第二端点以及所述第一最佳分隔路径组成,所述第二区域由所述第一端点、第二端点与所述第二最佳分隔路径组成。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
计算所述第一分布单元中的点的移动向量,并根据所述移动向量对所述点的位置进行调整,从而更新所述第一分布单元。
7.一种植被分布模拟装置,其特征在于,包括:
特征提取模块,用于提取植被样本的分布特征;
生成模块,用于根据所述分布特征获取多个第一分布单元;
边界处理模块,用于对所述第一分布单元进行边界处理得到多个第二分布单元;
拼铺模块,用于对所述多个第二分布单元进行拼铺,获得所述植被分布模拟结果。
8.如权利要求7所述的装置,其特征在于,所述生成模块具体用于:
通过如下的迭代过程,在预设尺寸窗口中生成N个分布点从而获得所述第一分布单元,所述N个分布点的分布特征与所述植被样本的分布特征的相似性大于预设阈值;
在预设尺寸窗口中生成第i个分布点;
计算所述预设尺寸窗口对应的分布特征;
确定所述预设尺寸窗口对应的分布特征与所述植被样本的分布特征的相似度;
若所述相似度大于所述预设阈值,则生成第i+1个分布点;
若所述相似度小于所述预设阈值,则删除所述第i个分布点,生成新的第i个分布点;其中,i属于N,N为大于0的整数。
9.如权利要求8所述的装置,其特征在于,所述生成模块具体用于:
计算所述预设尺寸窗口中点的对相关函数谱从而获取所述预设尺寸窗口对应的分布特征;其中,计算所述对相关函数谱时,采用如下的两点间距离计算规则:
当dx>0.5时,dx=1-dx;当dy>0.5时,dy=1-dy;其中,dx为所述预设尺寸窗口中的任意两个点在x方向上的距离,dy为所述预设尺寸窗口中的任意两个点在y方向上的距离。
10.如权利要求7所述的装置,其特征在于,所述边界处理模块具体用于:
对多个所述第一分布单元进行颜色标记,并标记预设数量的边界分布单元;其中,每一所述边界分布单元关联一种颜色标记;
根据所述颜色标记与所述边界分布单元对所述第一分布单元进行边界处理。
11.如权利要求10所示的装置,其特征在于,所述边界处理模块具体用于:
为所述第一分布单元的边选取颜色标记相同的所述边界分布单元;
将所述第一分布单元的所述边与所述边界分布单元进行边缘拼接;
将所述边缘拼接后的所述边的两侧的第一分布单元与所述边界分布单元中的点集合并;
在所述第一分布单元中计算所述边的第一端点至所述边的第二端点的第一最佳分隔路径,在所述边界分布单元中计算所述第一端点至所述第二端点的第二最佳分隔路径;
以第一区域中的点集的分布更新第二区域中的点集的分布,其中,所述第一区域由所述第一端点、所述第二端点以及所述第一最佳分隔路径组成,所述第二区域由所述第一端点、第二端点与所述第二最佳分隔路径组成。
12.根据权利要求8所述的装置,其特征在于,所述生成模块还用于:
计算所述第一分布单元中的点的移动向量,并根据所述移动向量对所述点的位置进行调整,从而更新所述第一分布单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610816224.9A CN106570935B (zh) | 2016-09-09 | 2016-09-09 | 植被分布模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610816224.9A CN106570935B (zh) | 2016-09-09 | 2016-09-09 | 植被分布模拟方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570935A true CN106570935A (zh) | 2017-04-19 |
CN106570935B CN106570935B (zh) | 2020-07-07 |
Family
ID=58531723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610816224.9A Active CN106570935B (zh) | 2016-09-09 | 2016-09-09 | 植被分布模拟方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570935B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704641A (zh) * | 2017-05-27 | 2018-02-16 | 福州大学 | 基于实景植被空间分布粗糙度的精细风场模拟方法 |
CN110146508A (zh) * | 2019-05-06 | 2019-08-20 | 无锡先导智能装备股份有限公司 | 缺料检测方法 |
CN113343808A (zh) * | 2021-05-27 | 2021-09-03 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于卫星遥感技术的热带森林资源测量方法 |
CN116524133A (zh) * | 2023-06-30 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 虚拟植被的生成方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500469A (zh) * | 2013-09-25 | 2014-01-08 | 中国科学院深圳先进技术研究院 | 一种城市绿化建模方法 |
CN103927390A (zh) * | 2014-04-30 | 2014-07-16 | 北京林业大学 | 基于泊松盘样本块的植被分布快速合成方法和系统 |
CN105701313A (zh) * | 2016-02-24 | 2016-06-22 | 福州大学 | 多层数据结构的虚植物冠层光合有效辐射分布模拟方法 |
US20160189359A1 (en) * | 2014-12-31 | 2016-06-30 | Inha-Industry Partnership Institute | Sampling method and image processing apparatus of cs-ransac for estimating homography |
-
2016
- 2016-09-09 CN CN201610816224.9A patent/CN106570935B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500469A (zh) * | 2013-09-25 | 2014-01-08 | 中国科学院深圳先进技术研究院 | 一种城市绿化建模方法 |
CN103927390A (zh) * | 2014-04-30 | 2014-07-16 | 北京林业大学 | 基于泊松盘样本块的植被分布快速合成方法和系统 |
US20160189359A1 (en) * | 2014-12-31 | 2016-06-30 | Inha-Industry Partnership Institute | Sampling method and image processing apparatus of cs-ransac for estimating homography |
CN105701313A (zh) * | 2016-02-24 | 2016-06-22 | 福州大学 | 多层数据结构的虚植物冠层光合有效辐射分布模拟方法 |
Non-Patent Citations (4)
Title |
---|
A. CENGIZ O¨ ZTIRELI 等: "Analysis and Synthesis of Point Distributions based on Pair Correlation", 《ACM TRANSACTIONS ON GRAPHICS》 * |
KOPF J 等: "Recursive Wang Tiles for Real-Time Blue Noise", 《ACM PRESS ACM SIGGRAPH 2006 PAPERS - BOSTON, MASSACHUSETTS》 * |
林琳 等: "拼铺法快速合成大规模植物分布", 《计算机辅助设计与图形学学报》 * |
林琳 等: "样本驱动的大规模植被分布高效合成", 《计算机辅助设计与图形学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704641A (zh) * | 2017-05-27 | 2018-02-16 | 福州大学 | 基于实景植被空间分布粗糙度的精细风场模拟方法 |
CN110146508A (zh) * | 2019-05-06 | 2019-08-20 | 无锡先导智能装备股份有限公司 | 缺料检测方法 |
CN110146508B (zh) * | 2019-05-06 | 2022-07-22 | 无锡先导智能装备股份有限公司 | 缺料检测方法 |
CN113343808A (zh) * | 2021-05-27 | 2021-09-03 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于卫星遥感技术的热带森林资源测量方法 |
CN116524133A (zh) * | 2023-06-30 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 虚拟植被的生成方法、装置、设备及存储介质 |
CN116524133B (zh) * | 2023-06-30 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 虚拟植被的生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106570935B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279980B (zh) | 基于点云数据的树叶建模方法 | |
Livny et al. | Automatic reconstruction of tree skeletal structures from point clouds | |
CN104361624B (zh) | 一种计算机三维模型中全局光照的渲染方法 | |
CN104299263B (zh) | 一种基于单幅图像建模云场景的方法 | |
CN106570935A (zh) | 植被分布模拟方法及装置 | |
CN107003834B (zh) | 行人检测设备和方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
Chen et al. | Bilateral blue noise sampling | |
CN106251355A (zh) | 一种融合可见光图像与对应夜视红外图像的检测方法 | |
CN105096311A (zh) | 基于gpu的深度图修复和虚实场景结合技术 | |
Wang et al. | A local structure and direction-aware optimization approach for three-dimensional tree modeling | |
CN103927390B (zh) | 基于泊松盘样本块的植被分布快速合成方法和系统 | |
CN107066979A (zh) | 一种基于深度信息和多维度卷积神经网络的人体动作识别方法 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 | |
CN103646421A (zh) | 基于增强型PyrLK光流法的树木轻量化3D重建方法 | |
Snodgrass et al. | Procedural level generation using multi-layer level representations with mdmcs | |
Matsunaga et al. | Strategies to reconstruct 3D Coffea arabica L. plant structure | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
CN110176021A (zh) | 结合亮度校正的显著性信息的水平集图像分割方法及系统 | |
Shardakov et al. | Development of an adaptive module for visualization of the surrounding space for cloud educational environment | |
Ecormier‐Nocca et al. | Accurate Synthesis of Multi‐Class Disk Distributions | |
CN113762022A (zh) | 人脸图像的融合方法和装置 | |
CN107993242A (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN116543437A (zh) | 一种基于遮挡-特征映射关系的遮挡人脸识别方法 | |
CN104091318B (zh) | 一种中国手语视频过渡帧的合成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |