CN108961397B - 一种面向树木的三维点云数据的简化方法 - Google Patents
一种面向树木的三维点云数据的简化方法 Download PDFInfo
- Publication number
- CN108961397B CN108961397B CN201810729237.1A CN201810729237A CN108961397B CN 108961397 B CN108961397 B CN 108961397B CN 201810729237 A CN201810729237 A CN 201810729237A CN 108961397 B CN108961397 B CN 108961397B
- Authority
- CN
- China
- Prior art keywords
- cube
- point
- pointdataset
- list
- coordinate
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向树木的三维点云数据的简化方法,该方法构造三维立方网格并计算网络与邻居网格的同质连接权值,并依据同质连接权值的大小来顺次剔除一些冗余点,简化树木的三维点云数据。利用本发明在简化数据的同时并尽量保持原有树木的三维点云数据所表达的植被结构,在树木三维建模领域具有较高的实际应用价值。
Description
技术领域
本发明属于空间定位、遥感、通信网络融合技术领域,具体涉及一种面向树木的三维点云数据的简化方法,利用互联网、大数据、云计算技术对植物进行三维数据处理。
背景技术
当前通过激光扫描仪、激光雷达等设备可以快速的对物体进行三维扫描,这些设备获得的是由大量三维空间点构成点云数据。利用这些点云数据可以快速和低成本的进行物体的三维建模具有较为重要的实际应用意义。
然而,密集的空间扫描带来较为精细的物体细节信息的同时,也带来了极大的计算负担和存储负担,因此十分有必要对激光扫描仪、激光雷达等设备获得的三维点云数据进行简化,保留原有物体的特征的同时尽量的缩减点云数据集中三维空间点的数量。进行三维点云数据的简化对于获得数据量更少、更易于计算和显示的三维物体十分重要。
当前的方法和技术多集中于:通过聚类算法、八叉树的分割查找、找到物体中平面、曲面的规律,在发现规律的同时删除掉或者合并在处在同一平面、曲面上冗余和重复的点。这些技术在简化较为规律的人造建筑、人造物体、存在大面积平面结构的对象的时候较为有效。然而,在处理树木的时候,由于树木包含的叶片、树枝,在这些对象上找到面和曲面规律较为困难,而通过强行进行聚类和八叉树分割会丢弃掉一些相对重要的枝杈和整体形态信息,因此当前的算法对于简化树木三维点云数据效率较低。
本发明的任务是提出一种面向针叶树木的三维点云数据的简化方法,能够针对树木点云的特性,对其三维空间点的数量进行简化。
发明内容:
针对现有技术存在的问题,本发明提供一种面向树木的三维点云数据的简化方法,该方法构造三维立方网格并计算网络与邻居网格的同质连接权值,并依据同质连接权值的大小来顺次剔除一些冗余点,简化树木的三维点云数据。
本发明所述的一种面向树木的三维点云数据的简化方法,包括以下步骤:
S1.输入包含n个三维空间点的树木点云数据集PointDataSet,输入网格边长width,输入同质化聚束数量clusternum,输入简化百分比percent:
S101.输入树木点云数据集PointDataSet,PointDataSet为一个三维空间点构成的数据集{p1,p2,..pn}该数据集包含n个三维空间点;其中任意一个三维点pi={px,py,pz},px为该点在x轴的坐标,py为该点在y轴的坐标,pz为该点在z轴的坐标;
S102,统计PointDataSet中的所有点,获得PointDataSet中所有点的x坐标最大值xmax,x坐标最小值xmin,y坐标最大值ymax,y坐标最小值ymin,z坐标最大值zmax,z坐标最小值zmin;
S103,PointDataSet中的所有点的x轴跨度xdistance=xmax-xmin,y轴跨度ydistance=ymax-ymin,z轴跨度zdistance=zmax-zmin;
S104,输入网格边长width,输入同质化聚束数量clusternum;
网格边长width的默认值为xdistance/1000;
同质化聚束数量clusternum的默认值为100;
S2.将PointDataSet所占用的三维空间按照边长为width切割为多个立方网格,构成立方网格列表CubeList:
S201,立方网格列表CubeList=空集合;
S202,x迭代器xcounter=xmin;
S203,y迭代器ycounter=ymin;
S204,z迭代器zcounter=zmin;
S205,建立一个立方网格Cube,Cube包含以下属性:
Cube对应的空间范围scope为从(xcounter,ycounter,zcounter)至(xcounter+width,ycounter+width,zcounter+width)
Cube的中心点位置的坐标:
cp=(xcounter+width/2,ycounter+width/2,ycounter+width/2)
Cube的点密度density=0;Cube的隶属类目category=0;Cube的同质连权值priority=0;
S206,Cube的点密度density=在PointDataSet中包含在Cube空间范围内的所有空间点的个数;
S207,将Cube加入到CubeList之中;
S208,zcounter=zcounter+width;
S209,如果zcounter>=zmax则转到S210,否则转到S205;
S210,ycounter=ycounter+width;
S211,如果ycounter>=ymax则转到212,否则转到S204;
S212,xcounter=xcounter-1;
S213,如果xcounter>=xmax则转到S214,否则转到S203;
S214,该步骤计算过程结束;
S3.计算CubeList中每一个Cube的类属关系category,获得距离指数distanceindex:
S301,将CubeList中每一个Cube的点密度density作为输入数据,通过k-means算法将输入数据划分为clusternum个类目,获得clusternum个聚类中心c[1],c[2],…c[clustenum];其中c[1]表示编号为1的聚类中心,c[2]表示编号为2的聚类中心,c[clustenum]表示编号为clusternum的聚类中心;c[i]表示第i个聚类中心;
S302,对于CubeList中的每一个Cube,计算该Cube的density与clusternum个聚类中心的距离,并找到与density距离最近的聚类中心,将聚类中心的编号存储到Cube的类属关系category之中;
S303,建立数组CloseDistance=空数组;
S304,对于PointDataSet中的每一个三维空间点,找到与该点最近的另外一个三维空间点并将距离值加入到CloseDistance之中;
S305,计算CloseDistance的均值avgdistacne;
S307,统计CubeList所有Cube的category的均值avgcatalog;
S308,获得距离指数distanceindex,其计算公式如下:
S4.计算CubeList中每一个Cube同质连权值priority:
S401,对于CubeList中的每一个Cube进行以下步骤的处理;
S402,当前要处理网格currentCube=在CubeList中取出一个Cube;
S403,当前要处理的中心点centerpoint=currentCube的中心点位置的坐标cp;
S404,邻居列表neighborlist=计算CubeList中所有Cube的cp到centerpoint的距离,取出距离小于等于distanceindex的所有Cube;
S405,allnum=neighborlist中Cube的数量;
S406,同质化计数器scounter=0,异质化计数器ycounter=0,迭代计数器counter=1;
S407,testCube=取出neighborlist中第counter个Cube;
S408,diff=ABS(currentCube的隶属类目category-testCube的隶属类目category);
其中ABS表示计算绝对值;
S409,如果diff大于2则ycounter=ycounter+1,否则scounter=scounter+1;
S410,counter=counter+1;
S411,如果counter大于allnum则转到S412,否则转到S405;
S412,计算同质连接权限pri,对应公式如下:
S413.currentCube的同质连权值priority=pri;
S5,依据同质连权值不断将三维空间点从PointDataSet中剔除,直到达到简化百分比:
S501,std=计算CubeList中所有Cube的同质连权值priority的标准差;
S502,轮转值circle=std/clusternum;
S503,对CubeList的所有Cube按照priority值进行从小到大的排序;
S504,待处理最小网格FirstCube=取出CubeList中排在第一位的Cube;
S505,ptlist=在PointDataSet内,取出包含在FirstCube空间范围内的所有三维空间点;
S506,如果ptlist中点的个数小于8则转到S507,否则转到S508;
S507,将FirstCube从CubeList中删除,转到S510;
S508,找到ptlist中距离FirstCube中心点位置的坐标cp最近的点,并将该点从PointDataSet中删除;
S509,FirstCube的同质连权值priority=FirstCube的同质连权值priority+circle;
S510,currentN=计算PointDataSet当前包含三维空间点的数量;
S511,如果(n-currentN)/n小于percent则转到S503,否则转到S512;
S512,将PointDataSet作为简化结果输出。
本发明的有益效果如下:提供一种面向树木的三维点云数据的简化方法,该方法构造三维立方网格并计算网络与邻居网格的同质连接权值,并依据同质连接权值的大小来顺次剔除一些冗余点,简化树木的三维点云数据。利用本发明在简化数据的同时并尽量保持原有树木的三维点云数据所表达的植被结构,在树木三维建模领域具有较高的实际应用价值。
附图说明
图1为实施例2由三维空间点构成的树木图;
图2为实施例2本发明方法获得简化后的三维松树图;
图3为实施例3由三维空间点构成的树木图;
图4为实施例4本发明方法获得简化后的三维松树图。
具体实施方式
通过以下实施例描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅仅是举例说明,本发明的保护范围是由所附权利要求书限定的,本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,这些变更和修改均落入本发明的保护范围。
实施例1
1、一种面向树木的三维点云数据的简化方法,包括以下步骤:
S1.输入包含n个三维空间点的树木点云数据集PointDataSet,输入网格边长width,输入同质化聚束数量clusternum,输入简化百分比percent:
S101.输入树木点云数据集PointDataSet,PointDataSet为一个三维空间点构成的数据集{p1,p2,..pn}该数据集包含n个三维空间点;其中任意一个三维点pi={px,py,pz},px为该点在x轴的坐标,py为该点在y轴的坐标,pz为该点在z轴的坐标;
S102,统计PointDataSet中的所有点,获得PointDataSet中所有点的x坐标最大值xmax,x坐标最小值xmin,y坐标最大值ymax,y坐标最小值ymin,z坐标最大值zmax,z坐标最小值zmin;
S103,PointDataSet中的所有点的x轴跨度xdistance=xmax-xmin,y轴跨度ydistance=ymax-ymin,z轴跨度zdistance=zmax-zmin;
S104,输入网格边长width,输入同质化聚束数量clusternum;
网格边长width的默认值为xdistance/1000;
同质化聚束数量clusternum的默认值为100;
S2.将PointDataSet所占用的三维空间按照边长为width切割为多个立方网格,构成立方网格列表CubeList:
S201,立方网格列表CubeList=空集合;
S202,x迭代器xcounter=xmin;
S203,y迭代器ycounter=ymin;
S204,z迭代器zcounter=zmin;
S205,建立一个立方网格Cube,Cube包含以下属性:
Cube对应的空间范围scope为从(xcounter,ycounter,zcounter)至(xcounter+width,ycounter+width,zcounter+width)
Cube的中心点位置的坐标:
cp=(xcounter+width/2,ycounter+width/2,ycounter+width/2)
Cube的点密度density=0;Cube的隶属类目category=0;Cube的同质连权值priority=0;
S206,Cube的点密度density=在PointDataSet中包含在Cube空间范围内的所有空间点的个数;
S207,将Cube加入到CubeList之中;
S208,zcounter=zcounter+width;
S209,如果zcounter>=zmax则转到S210,否则转到S205;
S210,ycounter=ycounter+width;
S211,如果ycounter>=ymax则转到212,否则转到S204;
S212,xcounter=xcounter-1;
S213,如果xcounter>=xmax则转到S214,否则转到S203;
S214,该步骤计算过程结束;
S3.计算CubeList中每一个Cube的类属关系category,获得距离指数distanceindex:
S301,将CubeList中每一个Cube的点密度density作为输入数据,通过k-means算法将输入数据划分为clusternum个类目,获得clusternum个聚类中心c[1],c[2],…c[clustenum];其中c[1]表示编号为1的聚类中心,c[2]表示编号为2的聚类中心,c[clustenum]表示编号为clusternum的聚类中心;c[i]表示第i个聚类中心;
S302,对于CubeList中的每一个Cube,计算该Cube的density与clusternum个聚类中心的距离,并找到与density距离最近的聚类中心,将聚类中心的编号存储到Cube的类属关系category之中;
S303,建立数组CloseDistance=空数组;
S304,对于PointDataSet中的每一个三维空间点,找到与该点最近的另外一个三维空间点并将距离值加入到CloseDistance之中;
S305,计算CloseDistance的均值avgdistacne;
S307,统计CubeList所有Cube的category的均值avgcatalog;
S308,获得距离指数distanceindex,其计算公式如下:
S4.计算CubeList中每一个Cube同质连权值priority:
S401,对于CubeList中的每一个Cube进行以下步骤的处理;
S402,当前要处理网格currentCube=在CubeList中取出一个Cube;
S403,当前要处理的中心点centerpoint=currentCube的中心点位置的坐标cp;
S404,邻居列表neighborlist=计算CubeList中所有Cube的cp到centerpoint的距离,取出距离小于等于distanceindex的所有Cube;
S405,allnum=neighborlist中Cube的数量;
S406,同质化计数器scounter=0,异质化计数器ycounter=0,迭代计数器counter=1;
S407,testCube=取出neighborlist中第counter个Cube;
S408,diff=ABS(currentCube的隶属类目category-testCube的隶属类目category);
其中ABS表示计算绝对值;
S409,如果diff大于2则ycounter=ycounter+1,否则scounter=scounter+1;
S410,counter=counter+1;
S411,如果counter大于allnum则转到S412,否则转到S405;
S412,计算同质连接权限pri,对应公式如下:
S413.currentCube的同质连权值priority=pri;
S5,依据同质连权值不断将三维空间点从PointDataSet中剔除,直到达到简化百分比:
S501,std=计算CubeList中所有Cube的同质连权值priority的标准差;
S502,轮转值circle=std/clusternum;
S503,对CubeList的所有Cube按照priority值进行从小到大的排序;
S504,待处理最小网格FirstCube=取出CubeList中排在第一位的Cube;
S505,ptlist=在PointDataSet内,取出包含在FirstCube空间范围内的所有三维空间点;
S506,如果ptlist中点的个数小于8则转到S507,否则转到S508;
S507,将FirstCube从CubeList中删除,转到S510;
S508,找到ptlist中距离FirstCube中心点位置的坐标cp最近的点,并将该点从PointDataSet中删除;
S509,FirstCube的同质连权值priority=FirstCube的同质连权值priority+circle;
S510,currentN=计算PointDataSet当前包含三维空间点的数量;
S511,如果(n-currentN)/n小于percent则转到S503,否则转到S512;
S512,将PointDataSet作为简化结果输出。
实施例2
一棵由三维空间点构成的树木(红松):
步骤1,输入一个点云构成的三维松树,如图1所示;图1的PointDataSet包含100万个三维点,输入网格的边长width=5,输入同质化聚束数量clusternum=30,输入简化百分比percent=50%;
步骤2,立方网格列表CubeList;
步骤3,计算获得距离指数distanceindex=0.7432;
步骤4,计算CubeList中每一个Cube同质连权值priority;
步骤5,获得简化后的结果,如图2所示;可以看出三维空间点的数量相比原有的三维点云图里面的数量大大减少,树木原有的形态仍然得到了保证,说明本专利方法较为有效。
实施例3
利用本发明实施例1的一棵由三维空间点构成的树木(臭松)
步骤1,输入一个点云构成的三维松树,如图3所示;图3的PointDataSet包含30万个三维点,输入网格的边长width=4,输入同质化聚束数量clusternum=25,输入简化百分比percent=50%;
步骤2,立方网格列表CubeList;
步骤3,计算获得距离指数distanceindex=0.621;
步骤4,计算CubeList中每一个Cube同质连权值priority;
步骤5,获得简化后的结果,如图4所示,看出简化和该树木的形态仍然得以保留。
Claims (1)
1.一种面向树木的三维点云数据的简化方法,包括以下步骤:
S1. 输入包含n个三维空间点的树木点云数据集PointDataSet,输入网格边长width,输入同质化聚束数量clusternum,输入简化百分比percent:
S101. 输入树木点云数据集PointDataSet,PointDataSet为一个三维空间点构成的数据集{p1, p2, …, pn}, 该数据集包含n个三维空间点; 其中任意一个三维点pi={px,py,pz}, px为该点在x轴的坐标,py为该点在y轴的坐标,pz为该点在z轴的坐标;
S102, 统计PointDataSet中的所有点,获得PointDataSet中所有点的x坐标最大值xmax,x坐标最小值xmin,y坐标最大值ymax,y坐标最小值ymin,z坐标最大值zmax,z坐标最小值zmin;
S103, PointDataSet中的所有点的x轴跨度xdistance=xmax-xmin,y轴跨度ydistance=ymax-ymin,z轴跨度zdistance=zmax-zmin;
S104,输入网格边长width,输入同质化聚束数量clusternum;
网格边长width的默认值为xdistance/1000;
同质化聚束数量clusternum的默认值为100;
S2. 将PointDataSet所占用的三维空间按照边长为width切割为多个立方网格,构成立方网格列表CubeList:
S201,立方网格列表CubeList=空集合;
S202,x迭代器xcounter=xmin;
S203, y迭代器ycounter=ymin;
S204, z迭代器zcounter=zmin;
S205,建立一个立方网格Cube,Cube包含以下属性:
Cube对应的空间范围scope为从(xcounter,ycounter, zcounter)至(xcounter+width,ycounter+width, zcounter+width);
Cube的中心点位置的坐标:
cp=(xcounter+width/2,ycounter+width/2,ycounter+width/2);
Cube的点密度density=0;Cube的隶属类目category=0;Cube的同质连权值priority=0;
S206,Cube的点密度density=在PointDataSet中包含在Cube空间范围内的所有空间点的个数;
S207,将Cube加入到CubeList之中;
S208,zcounter=zcounter+width;
S209,如果zcounter>=zmax则转到S210,否则转到S205;
S210,ycounter=ycounter+width;
S211,如果ycounter>=ymax则转到212,否则转到S204;
S212,xcounter=xcounter-1;
S213,如果xcounter>=xmax则转到S214,否则转到S203;
S214,该步骤计算过程结束;
S3. 计算CubeList中每一个Cube的类属关系category,获得距离指数distanceindex:
S301,将CubeList中每一个Cube的点密度density作为输入数据,通过k-means算法将输入数据划分为clusternum个类目,获得clusternum个聚类中心c[1],c[2],…c[clustenum];
其中c[1]表示编号为1的聚类中心,c[2]表示编号为2的聚类中心,c[clustenum]表示编号为clusternum的聚类中心;c[i]表示第i个聚类中心;
S302,对于CubeList中的每一个Cube,计算该Cube的density与clusternum个聚类中心的距离,并找到与density距离最近的聚类中心,将聚类中心的编号存储到Cube的类属关系category之中;
S303,建立数组CloseDistance=空数组;
S304,对于PointDataSet中的每一个三维空间点,找到与该点最近的另外一个三维空间点并将距离值加入到CloseDistance之中;
S305,计算CloseDistance的均值avgdistacne;
S307,统计CubeList所有Cube的category的均值avgcatalog;
S308,获得距离指数distanceindex,其计算公式如下:
S4.计算CubeList中每一个Cube同质连权值priority:
S401,对于CubeList中的每一个Cube进行以下步骤的处理;
S402,当前要处理网格currentCube=在CubeList中取出一个Cube;
S403,当前要处理的中心点centerpoint=currentCube的中心点位置的坐标cp;
S404,邻居列表neighborlist=计算CubeList中所有Cube的cp到centerpoint的距离,取出距离小于等于distanceindex的所有Cube;
S405,allnum=neighborlist中Cube的数量;
S406,同质化计数器scounter=0,异质化计数器yzcounter=0,迭代计数器counter=1;
S407,testCube=取出neighborlist中第counter个Cube;
S408,diff=ABS( currentCube的隶属类目category-testCube的隶属类目category);
其中ABS表示计算绝对值;
S409,如果diff大于2则yzcounter=yzcounter+1,否则scounter=scounter+1;
S410,counter=counter+1;
S411,如果counter大于allnum则转到S412,否则转到S405;
S412,计算同质连接权限pri, 对应公式如下:
S413. currentCube的同质连权值priority=pri;
S5,依据同质连权值不断将三维空间点从PointDataSet中剔除,直到达到简化百分比:
S501, std=计算CubeList中所有Cube的同质连权值priority的标准差;
S502,轮转值circle=std/clusternum;
S503,对CubeList的所有Cube按照priority值进行从小到大的排序;
S504,待处理最小网格FirstCube=取出CubeList中排在第一位的Cube;
S505, ptlist=在PointDataSet内,取出包含在FirstCube空间范围内的所有三维空间点;
S506,如果ptlist中点的个数小于8则转到S507,否则转到S508;
S507,将FirstCube从CubeList中删除,转到S510;
S508,找到ptlist中距离FirstCube中心点位置的坐标cp最近的点,并将该点从PointDataSet中删除;
S509,FirstCube的同质连权值priority=FirstCube的同质连权值priority+circle;
S510,currentN=计算PointDataSet当前包含三维空间点的数量;
S511,如果(n-currentN)/n小于percent则转到S503,否则转到S512;
S512,将PointDataSet作为简化结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729237.1A CN108961397B (zh) | 2018-07-05 | 2018-07-05 | 一种面向树木的三维点云数据的简化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810729237.1A CN108961397B (zh) | 2018-07-05 | 2018-07-05 | 一种面向树木的三维点云数据的简化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961397A CN108961397A (zh) | 2018-12-07 |
CN108961397B true CN108961397B (zh) | 2022-06-21 |
Family
ID=64485924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810729237.1A Active CN108961397B (zh) | 2018-07-05 | 2018-07-05 | 一种面向树木的三维点云数据的简化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961397B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106684A (zh) * | 2013-01-15 | 2013-05-15 | 北京农业信息技术研究中心 | 一种带叶状态树木形态结构三维重建的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853485A (zh) * | 2010-06-04 | 2010-10-06 | 浙江工业大学 | 一种基于近邻传播聚类的非均匀点云简化处理方法 |
GB2520338A (en) * | 2013-11-19 | 2015-05-20 | Nokia Corp | Automatic scene parsing |
CN106407925B (zh) * | 2016-09-09 | 2019-09-27 | 厦门大学 | 基于局部区间极大值的激光扫描点云树木自动提取方法 |
CN107392875A (zh) * | 2017-08-01 | 2017-11-24 | 长安大学 | 一种基于k近邻域划分的点云数据去噪方法 |
-
2018
- 2018-07-05 CN CN201810729237.1A patent/CN108961397B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106684A (zh) * | 2013-01-15 | 2013-05-15 | 北京农业信息技术研究中心 | 一种带叶状态树木形态结构三维重建的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108961397A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7125512B2 (ja) | オブジェクトのロード方法及び装置、記憶媒体、電子装置、並びにコンピュータプログラム | |
Zhang et al. | An efficient approach to directly compute the exact Hausdorff distance for 3D point sets | |
US6392647B1 (en) | System and method for computer modeling of 3D objects or surfaces by mesh constructions having optimal quality characteristics and dynamic resolution capabilities | |
US20090016598A1 (en) | Method for computer-aided identification of the child octants of a parent octant, which are intersected by a beam, in an octree data structure by means of look-up tables | |
CN106826833A (zh) | 基于3d立体感知技术的自主导航机器人系统 | |
CN107657659A (zh) | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 | |
CN105336005B (zh) | 一种获取目标物体体征数据的方法、装置及终端 | |
CN113706587B (zh) | 基于空间网格划分的快速点云配准方法、装置和设备 | |
CN110533778A (zh) | 大规模图像点云并行分布式网格化重建方法、系统、装置 | |
Ponce et al. | An object centered hierarchical representation for 3D objects: The prism tree | |
CN106683163A (zh) | 一种视频监控的成像方法及系统 | |
CN116416366A (zh) | 3d模型构建方法、装置和电子设备 | |
CA2429259C (en) | Wavelet-based mesh coding method | |
CN108961397B (zh) | 一种面向树木的三维点云数据的简化方法 | |
JP2915363B2 (ja) | 空間探索システム | |
Midtbo | Spatial modelling by Delaunay networks of two and three dimensions | |
Zhao et al. | A new k nearest neighbours algorithm using cell grids for 3d scattered point cloud | |
US20230351696A1 (en) | Data processing method and apparatus, device, computer-readable storage medium, and computer program product | |
CN116958485A (zh) | 一种可视域分析方法及装置 | |
CN115953541A (zh) | 一种四叉树lod地形生成方法、装置、设备及存储介质 | |
Bentley et al. | Generic Representation of Solid‐Object Geometry for Genetic Search | |
CN110910435B (zh) | 建筑物点云提取方法、装置、计算机设备及可读存储介质 | |
CN114972675B (zh) | 建筑物的三维点云简化方法 | |
CN116521916A (zh) | 一种基于八叉树森林的点云空间属性联合并行查询方法 | |
Shiono et al. | Data structure and triangulation algorithm for non-uniform landscapes |
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 |