CN108932743B - 一种基于激光点云的路面病害特征图像生成方法 - Google Patents
一种基于激光点云的路面病害特征图像生成方法 Download PDFInfo
- Publication number
- CN108932743B CN108932743B CN201810557360.XA CN201810557360A CN108932743B CN 108932743 B CN108932743 B CN 108932743B CN 201810557360 A CN201810557360 A CN 201810557360A CN 108932743 B CN108932743 B CN 108932743B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- grid
- pavement
- layer
- disease
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 74
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于激光点云的路面病害特征图像生成方法,根据原始道路点云数据选取包含路面病害信息的种子点,利用多尺度环形插值的方法将路面内少量缺失的种子点进行插值计算,获得完整的包含路面病害信息的所有种子点;然后进行栅格化,以中心栅格为圆心,选取邻域范围作为半径,计算中心栅格与圆形范围内多个方向的邻域栅格的坡度值,在此基础上扩大邻域搜索半径,进行下一尺度的圆形范围多方向坡度计算,获得原始的包含路面病害特征的图像;在不损失路面病害信息的前提下,以邻域病害特征约束法对原始路面病害特征图进行平滑;再对平滑后的图像进行整体拉伸,得到路面病害特征图像。
Description
技术领域
本发明涉及一种基于激光点云的路面病害特征图像生成方法。
背景技术
道路交通在国民经济和人民生活中占有重要地位,极大地促进了国民经济的发展。随着道路的建成通车和使用年限的增加,加上雨雪、高温、超载等极端条件的影响,导致大多数路面出现了多种不同程度的病害,比如坑槽、裂缝、沉陷、车辙和松散等,从而影响了城市道路路面的使用,并且带来了很大的交通安全隐患。
路面养护工作已经越来越重要,路面病害检测是养护工作的重要前期阶段,而路面病害特征图像是路面病害检测的主要依据。生成准确的路面病害特征图像,可以提高路面病害检测的准确性,从而可以节约维修成本,为行车安全提供保障。
目前,国内对坡度生成特征图像大部分是基于数字高程模型(Digital ElevationModel,DEM)的,还没有利用激光点云生成专门针对路面病害的特征图像的应用实例,也并未系统的分析考虑路面病害的空间形态特征,相关研究较少,尚未形成成熟的方法。
发明内容
本发明的目的在于提出一种基于激光点云的路面病害特征图像生成方法,以便能够将激光点云数据快速、自动转换成路面病害特征图像。
本发明为了实现上述目的,采用如下技术方案:
一种基于激光点云的路面病害特征图像生成方法,包括如下步骤:
a.将原始道路点云数据划分为多个小块,每块中含有多个点,并组成一个点集,选取点集中包含路面病害信息的点作为路面种子点;
b.利用多尺度环形插值的方法,将路面内少量缺失的种子点进行插值计算,获得完整的包含路面病害信息的所有种子点;
c.对上述获取的种子点进行栅格化,以中心栅格的几何中心为圆心,选取一定的邻域距离作为半径,计算中心栅格与圆形范围内多个方向的邻域栅格的坡度值;
在此基础上,扩大邻域搜索半径,再进行下一尺度的圆形范围多方向坡度计算,从而实现基于圆形结构的多尺度坡度计算,获得原始的包含路面病害特征的图像;
d.在不损失路面病害信息的前提下,用含有病害特征的邻域约束的方法对原始路面病害特征图进行平滑,从而过滤掉路面异常坡度值的影响;
e.再对平滑后的图像进行整体的拉伸,使路面病害特征更加明显,容易区分,增强图像的可视化表达,最终得到路面病害的特征图像。
优选地,利用多尺度环形插值方法获取包含路面病害信息的所有种子点的步骤如下:
b1.获取步骤a中选取的路面种子点,路面种子点有部分缺失;
b2.根据缺失的种子点,遍历其第一层邻域,邻域中如果含有选取的路面种子点,则进行标记,遍历完第一层后,统计标记的点的数量,如果数量超过邻域数量的1/2及以上,则计算所有包含种子点邻域的中间值,从而对缺失的种子点进行插值;
b3.若数量不满足要求,则进行第二层邻域的遍历,方法同b2,逐层递进,通过设置距离阈值来限制遍历的最大邻域层数,若最终没有满足要求的邻域,则认为该处点云较稀疏或为噪点,不予插值。
优选地,基于圆形结构的多尺度坡度计算的过程具体如下:
c1.寻找第一层邻域栅格,以中心点为圆心,两倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算垂直方向、水平方向、45°方向和135°方向上的增量;
c2.再寻找第二层邻域栅格,以三倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算出第二层上述四个方向上的增量,步骤同步骤c1;
c3.通过上述步骤c1和c2得到第一层和第二层邻域栅格四个方向上总共8个增量值,从8个增量值的绝对值中找出增量最大的值,即为中心栅格的坡度值。
优选地,
一种基于病害特征的平滑特征图的方法的过程具体如下:
首先遍历中心栅格的8邻域,得到每个邻域栅格的坡度值,将中心栅格的坡度值和8邻域的坡度值排序,取前四个较大的值,再计算其均值,将此值作为中心栅格的最终坡度值。
优选地,对平滑后的图像进行整体的拉伸的具体过程为:利用标准差拉伸,计算出整体图像的标准差后,设立阈值范围,根据不同的需求进行整体的图像拉伸。
本发明具有如下优点:
本发明根据原始道路点云数据选取包含路面病害信息的种子点,利用多尺度环形插值的方法,将路面内少量缺失的种子点进行插值计算,获得完整的包含路面病害信息的所有种子点;然后对其进行栅格化,以中心栅格为圆心,选取邻域范围作为半径,计算中心栅格与圆形范围内多个方向的邻域栅格的坡度值,在此基础上,扩大邻域搜索半径,再进行下一尺度的圆形范围多方向坡度计算,从而实现基于圆形结构的多尺度坡度计算,获得原始的包含路面病害特征的图像;在不损失路面病害信息的前提下,以邻域病害特征约束的方法对原始路面病害特征图进行平滑,从而过滤掉路面异常坡度值的影响;再对平滑后的图像进行整体的拉伸,使路面病害特征更加明显,容易区分,增强图像的可视化表达,最终得到的路面病害特征图像,直观准确的反映了路面病害的分布情况,为后续分析提供了可靠的依据。
附图说明
图1为本发明中一种基于激光点云的路面病害特征图像生成方法的数据处理流程图。
图2为传统坡度栅格计算方法示意图。
图3为本发明中基于圆形结构的多尺度坡度计算方法示意图。
具体实施方式
本发明的基本思想是:根据激光点云的空间分布特征和高程信息,采用特征图像处理的方法,运用面向对象提取的思想,结合路面病害的空间形态特征,实现一种基于激光点云的路面病害特征图像生成方法,将激光点云数据快速、自动转换成路面病害特征图像。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
结合图1所示,一种基于激光点云的路面病害特征图像生成方法,包括如下步骤:
a.将原始道路点云数据划分为多个小块,每块中含有多个点,并组成一个点集,选取点集中包含路面病害信息的点作为路面种子点。
本发明实施例中优先选取点集中所有高程均值,其次为高程最低点。
b.利用多尺度环形插值的方法,将路面内少量缺失的种子点进行插值计算,获得完整的包含路面病害信息的所有种子点。
其中,利用多尺度环形插值方法获取包含路面病害信息的所有种子点的步骤如下:
b1.获取步骤a中选取的路面种子点,路面种子点有部分缺失。
b2.根据缺失的种子点,遍历其第一层邻域(8邻域),8个邻域中如果含有选取的路面种子点,则进行标记,遍历完第一层后,统计标记的点的数量,如果数量超过邻域数量的1/2及以上,则计算所有包含种子点邻域的中间值,从而对缺失的种子点进行插值。
b3.若数量不满足要求,则进行第二层邻域(16邻域)的遍历,方法同b2,逐层递进,通过设置一个距离阈值(阈值范围在20-50cm之间)来限制遍历的最大邻域层数。
若最终没有满足要求的邻域,则认为该处点云较稀疏或为噪点,不予插值。
通过多尺度环形遍历的方法,利用邻域数量进行限制,在很好的找出缺失的包含病害信息的路面种子点的同时,还能对噪点进行很好的抑制,防止了过度插值对生成后续病害特征图的干扰,再对插值范围进行最大值约束,提高了寻找路面病害种子点的效率。
c.对上述获取的种子点进行栅格化,以中心栅格的几何中心为圆心,选取一定的邻域距离作为半径,计算中心栅格与圆形范围内多个方向的邻域栅格的坡度值。
在此基础上,扩大邻域搜索半径,再进行下一尺度的圆形范围多方向坡度计算,从而实现基于圆形结构的多尺度坡度计算,获得原始的包含路面损坏特征的图像。
以种子点为中心,进行栅格化,使每个种子点都在一个小栅格内,而传统的坡度计算通常是基于中心点栅格,寻找其8邻域,通过计算其x方向(垂直)和y方向(水平)上的增量,从而计算出中心格网的坡度值。其坡度分析窗口如图2所示。
这些相邻的栅格代表着种子点的高程值,用字母a至i进行确定。
其中,e表示正在计算的中心栅格,栅格e在x方向上的变化率通过以下公式进行计算(gridsize表示一个栅格边长):
x=(c+2f+i)-(a+2d+g))/(8*gridsize)。
栅格e在y方向上的变化率通过以下公式进行计算:
ty=(g+2h+i)-(a+2b+c))/(8*gridsize)。
基于此,基于圆形结构的多尺度坡度计算的过程具体如下:
c1.寻找第一层邻域栅格,以中心点为圆心,两倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算垂直方向(x方向)、水平方向(y方向)、45°方向和135°方向上的增量,其坡度分析窗口如图3所示。
图中加深颜色的为第一层全部邻域栅格,用字母a至m进行确定,其中e表示正在计算的中心栅格,栅格e在x方向和y方向上的变化率计算公式同上:
tx=(c+2f+i)-(a+2d+g))/(8*gridsize)。
ty=(g+2h+i)-(a+2b+c))/(8*gridsize)。
栅格e在45°方向上的变化率通过以下公式进行计算:
栅格e在135°方向上的变化率通过以下公式进行计算:
以上为第一层圆形结构四个方向上的增量计算。
c2.再寻找第二层邻域栅格,以三倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算出第二层上述四个方向上的增量,步骤同步骤c1。
c3.通过上述步骤c1和c2得到第一层和第二层邻域栅格四个方向上总共8个增量值,从8个增量值的绝对值中找出增量最大的值,即为中心栅格的坡度值。
其中,t1表示第一层,t2表示第二层。
邻域栅格的权重配比规则是根据邻域与中间栅格的距离关系进行分配,距离越近权重越大:与中心栅格相邻的4邻域,最能体现中心栅格的坡度变化情况,故权重配比为2;次之为8邻域,权重配比为1;16邻域权重配比为1/2;24邻域权重配比为1/3,以此类推。
由于路面病害种类多样,其损坏的形状各异,在方向上具有各向异性。本发明实施例通过多尺度的圆形结构计算出中心栅格的最大增量位置,以此计算坡度,能够很好地体现出路面病害的具体特征和延伸方向。
d.在不损失路面病害信息的前提下,用含有病害特征的邻域约束的方法对原始路面病害特征图进行平滑,从而过滤掉路面异常坡度值(如石块等)的影响。
在计算坡度后初步得到的路面病害特征图中,含有较多的异常坡度值,主要是由于路面内含有小石块等异常地物引起的。本发明实施例综合分析石块和病害的特征,提出一种基于病害特征的平滑特征图的方法,其具体过程如下:
首先遍历中心栅格的8邻域,得到每个邻域栅格的坡度值,将中心栅格的坡度值和8邻域的坡度值排序,取前四个较大的值,再计算其均值,将此值作为中心栅格的最终坡度值。
最终坡度值计算公式如下:
其中,center_slope表示为中心栅格的坡度值;
neighbour_slope表示为邻域栅格的坡度值。
由于在特征图像中,路面病害处的坡度变化始终较大,而石块等异常地物处的坡度变化较为突兀,故取前四个较大坡度,计算均值,可以较好的平滑掉噪声且不损失路面病害特征。
e.再对平滑后的图像进行整体的拉伸,使路面病害特征更加明显,容易区分,增强图像的可视化表达,最终得到路面病害的特征图像。
其中,对平滑后的图像进行整体的拉伸的具体过程为:
利用现有的拉伸方法,例如标准差拉伸法,首先计算出整体图像的标准差后,然后设立阈值范围,最后根据不同的需求进行整体的图像拉伸。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (4)
1.一种基于激光点云的路面病害特征图像生成方法,其特征在于,包括如下步骤:
a.将原始道路点云数据划分为多个小块,每块中含有多个点,并组成一个点集,选取点集中包含路面病害信息的点作为路面种子点;
b.利用多尺度环形插值的方法,将路面内少量缺失的种子点进行插值计算,获得完整的包含路面病害信息的所有种子点;
c.对完整的包含路面病害信息的所有种子点进行栅格化,以中心栅格的几何中心为圆心,选取一定的邻域距离作为半径,计算中心栅格与圆形范围内多个方向的邻域栅格的坡度值;
在此基础上,扩大邻域搜索半径,再进行下一尺度的圆形范围多方向坡度计算,从而实现基于圆形结构的多尺度坡度计算,获得原始的包含路面病害特征的图像;
基于圆形结构的多尺度坡度计算的过程具体如下:
c1.寻找第一层邻域栅格,以中心点为圆心,两倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算垂直方向x方向、水平方向y方向、45°方向和135°方向上的增量;
第一层全部邻域栅格用字母a至m进行确定,其中e表示正在计算的中心栅格,栅格e在x方向和y方向上的变化率计算公式同上:
tx=((c+2f+i)-(a+2d+g))/(8*gridsize);
ty==((g+2h+i)-(a+2b+c))/(8*gridsize);
栅格e在45°方向上的变化率通过以下公式进行计算:
栅格e在135°方向上的变化率通过以下公式进行计算:
以上为第一层圆形结构四个方向上的增量计算;
c2.再寻找第二层邻域栅格,以三倍的栅格边长为半径作圆,在圆形结构内找到完整的栅格,分别计算出第二层上述四个方向上的增量,步骤同步骤c1;
c3.通过上述步骤c1和c2得到第一层和第二层邻域栅格四个方向上总共8个增量值,从8个增量值的绝对值中找出增量最大的值,即为中心栅格的坡度值;
其中,t1表示第一层,t2表示第二层;邻域栅格的权重配比规则是根据邻域与中间栅格的距离关系进行分配,距离越近权重越大:与中心栅格相邻的4邻域,最能体现中心栅格的坡度变化情况,故权重配比为2;次之为8邻域,权重配比为1;16邻域权重配比为1/2;24邻域权重配比为1/3,以此类推;
d.在不损失路面病害信息的前提下,用含有病害特征的邻域约束的方法对原始路面病害特征图进行平滑,从而过滤掉路面异常坡度值的影响;
e.再对平滑后的图像进行整体的拉伸,使路面病害特征更加明显,容易区分,增强图像的可视化表达,最终得到路面病害的特征图像。
2.根据权利要求1所述的一种基于激光点云的路面病害特征图像生成方法,其特征在于,所述步骤b中,利用多尺度环形插值方法获取包含路面病害信息的所有种子点的步骤如下:
b1.获取步骤a中选取的路面种子点,路面种子点有部分缺失;
b2.根据缺失的种子点,遍历其第一层邻域,邻域中如果含有选取的路面种子点,则进行标记,遍历完第一层后,统计标记的点的数量,如果数量超过邻域数量的1/2及以上,则计算所有包含种子点邻域的中间值,从而对缺失的种子点进行插值;
b3.若数量不满足要求,则进行第二层邻域的遍历,方法同b2,逐层递进,通过设置距离阈值来限制遍历的最大邻域层数,若最终没有满足要求的邻域,则认为当前分块点云中的种子点较稀疏或为噪点,不予插值。
3.根据权利要求1所述的一种基于激光点云的路面病害特征图像生成方法,其特征在于,所述步骤d中,基于病害特征的平滑特征图的方法的过程具体如下:
首先遍历中心栅格的8邻域,得到每个邻域栅格的坡度值,将中心栅格的坡度值和8邻域的坡度值排序,取前四个较大的值,再计算其均值,将此值作为中心栅格的最终坡度值。
4.根据权利要求1所述的一种基于激光点云的路面病害特征图像生成方法,其特征在于,所述步骤e中对平滑后的图像进行整体的拉伸的具体过程为:利用标准差拉伸,计算出整体图像的标准差后,设立阈值范围,根据不同的需求进行整体的图像拉伸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557360.XA CN108932743B (zh) | 2018-06-01 | 2018-06-01 | 一种基于激光点云的路面病害特征图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557360.XA CN108932743B (zh) | 2018-06-01 | 2018-06-01 | 一种基于激光点云的路面病害特征图像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932743A CN108932743A (zh) | 2018-12-04 |
CN108932743B true CN108932743B (zh) | 2022-07-01 |
Family
ID=64449697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810557360.XA Active CN108932743B (zh) | 2018-06-01 | 2018-06-01 | 一种基于激光点云的路面病害特征图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737858B (zh) * | 2023-06-20 | 2024-03-22 | 长江水利委员会水文局 | 基于卫星遥感数据反演的林间穿透雨计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679655A (zh) * | 2013-12-02 | 2014-03-26 | 河海大学 | 一种基于坡度与区域生长的LiDAR点云滤波方法 |
CN106022259A (zh) * | 2016-05-20 | 2016-10-12 | 江苏得得空间信息科技有限公司 | 一种基于激光点云三维特征描述模型的山区道路提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7508334B2 (en) * | 2007-03-22 | 2009-03-24 | Harris Corporation | Method and apparatus for processing SAR images based on an anisotropic diffusion filtering algorithm |
-
2018
- 2018-06-01 CN CN201810557360.XA patent/CN108932743B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679655A (zh) * | 2013-12-02 | 2014-03-26 | 河海大学 | 一种基于坡度与区域生长的LiDAR点云滤波方法 |
CN106022259A (zh) * | 2016-05-20 | 2016-10-12 | 江苏得得空间信息科技有限公司 | 一种基于激光点云三维特征描述模型的山区道路提取方法 |
Non-Patent Citations (1)
Title |
---|
16-邻域中的混合连接;章毓晋;《模式识别与人工智能》;20000331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108932743A (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665466B (zh) | 一种道路激光点云中路面病害自动提取方法 | |
CN104751478A (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN111062368B (zh) | 基于Landsat时间序列遥感影像的城市更新区域监测方法 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN110335352B (zh) | 一种机载激光雷达点云的双基元多分辨率层次滤波方法 | |
CN106529593B (zh) | 路面病害检测方法和系统 | |
CN112668534B (zh) | 基于数字正射影像和数字表面模型反演林区植被高度的方法 | |
CN104574512A (zh) | 一种顾及地形语义信息的多尺度dem构建方法 | |
CN111524103A (zh) | 一种基于三维激光点云的圆型隧道中轴线提取方法 | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN110363053B (zh) | 一种遥感影像居民地提取方法及装置 | |
CN111538798A (zh) | 一种顾及dsm和dlg的城市汇水区精细化提取方法 | |
CN115564926A (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN112669333A (zh) | 一种单木信息提取方法 | |
CN110660027B (zh) | 一种针对复杂地形的激光点云连续剖面地面滤波方法 | |
CN108932743B (zh) | 一种基于激光点云的路面病害特征图像生成方法 | |
CN110490800B (zh) | 一种浅海地形的重构方法 | |
CN115131231A (zh) | 辅以多特征聚类的复杂地形区点云层次滤波方法 | |
CN109242786B (zh) | 一种适用于城市区域的自动化形态学滤波方法 | |
Vanderhaegen et al. | Developing urban metrics to describe the morphology of urban areas at block level | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
CN114882191B (zh) | 数字高程模型生成方法、电子设备及计算机可读存储装置 | |
CN112233234B (zh) | 一种洪水模拟预测中河道地形的重构方法 | |
CN113920483A (zh) | 道路点云中物体的分类方法、装置、电子设备及存储介质 |
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 |