CN110033459B - 顾及地物完整性的大规模点云快速分块方法 - Google Patents
顾及地物完整性的大规模点云快速分块方法 Download PDFInfo
- Publication number
- CN110033459B CN110033459B CN201910245496.1A CN201910245496A CN110033459B CN 110033459 B CN110033459 B CN 110033459B CN 201910245496 A CN201910245496 A CN 201910245496A CN 110033459 B CN110033459 B CN 110033459B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- cost
- point
- density
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种顾及地物完整性的大规模点云快速分块方法,包括基于图形文件分割点云轨迹信息,定位感兴趣区域的点云;计算区域点云包围盒,对点云格网化并计算各个格网的格网内点云密度与平均高度;利用Astar算法计算区域点云剪裁线,包括逐格网利用格网内的点云密度以及点云平均高程计算出代价格网地图,据点云包围盒确定分块点云剪裁线搜索范围以及剪裁线起点与终点,以总的剪裁代价最小为目标,对点云区域内所有剪裁线进行搜索,以避开地物,保持各分块点云内的特征;在剪裁线搜索完毕后,将剪裁线所分割开的点云分块分别输出。相比现有技术,本发明不以时间作为依据进行分段,而是考虑点云数据地物信息与特征,并保持完整性,便于后续点云处理。
Description
技术领域
本发明属于激光扫描数据处理技术领域,尤其涉及点云数据预处理,点云分区内容,针对激光点云测量数据处理自动化研究。
背景技术
三维激光扫描系统采集速度快,采样频率高,以非接触式测量手段,可在短时间内直接获取大量带有强度、颜色等信息的三维坐标点云。同时,三维激光雷达技术不受天气以及时间的限制,具有穿透性。获取的点云作为重要的三维地理信息数据,三维点云在地球科学研究中十分重要,包括全球变化、智慧城市、资源调查、基础测绘等领域都有广泛应用。随着三维点云获取技术以及三维激光雷达扫描系统的发展与成熟,点云处理理论进与应用也逐渐完善,其中包括数据质量改善、多源点云数据融合、点云分类与目标提取以及按需多层次建模与表达等。
三维点云以坐标形式记录现实世界丰富地物,其对细节的描述也十分精确,但这也意味着三维点云数据量庞大的特点。点云数据处理的效率与数据的大小有密切关系。因此需要对原始庞大点云数据进行分割索引与存储。除此之外,在点云数据处理过程中,快速定位并提取感兴趣区域点云进行处理,也为后续快速处理提供便利。在点云分类、目标提取、矢量化建模等处理过程中,都要求保持点云对象目标的完整性,以便准确提取目标特征信息。综上,为便于点云存储索引、加快点云处理效率,对无序点云重新分区再进行存储与处理成为点云预处理中很关键的一步。
然而,当前点云数据大多根据数据扫描方式并按时间进行分段,这导致各分段区域出现地物不完整、建筑物等地物目标破碎,因此无法保证对后续处理过程中目标分类、场景建模等的准确性。
发明内容
本发明针对大规模场景点云,提出一种以顾及地物完整性为前提,并根据给定感兴趣区域图形文件,进行点云分块的方法。
本发明的技术方案提供一种顾及地物完整性的大规模点云快速分块方法,包括以下步骤:
步骤1,基于图形文件分割点云轨迹信息,定位感兴趣区域的点云;
步骤2,计算区域点云包围盒,对点云格网化并计算各个格网的格网内点云密度与平均高度;
步骤3,利用Astar算法计算区域点云剪裁线,包括逐格网利用格网内的点云密度以及点云平均高程计算出代价格网地图,据点云包围盒确定分块点云剪裁线搜索范围以及剪裁线起点与终点,以总的剪裁代价最小为目标,对点云区域内所有剪裁线进行搜索,以避开地物,保持各分块点云内的特征;
步骤4,在剪裁线搜索完毕后,将剪裁线所分割开的点云分块分别输出。
而且,步骤1中,读取原始点云文件、点云轨迹信息文件以及用于提取感兴趣区域的图形文件,提取图形文件中所有多边形,分别对点云文件以及轨迹文件中所有点进行逐点判断,利用射线法判断点是否在多边形区域内。
而且,步骤2中,计算同一区域的点云覆盖范围,得到包围盒,根据包围盒对点云划分格网,并建立各格网与格网内点云的关联索引;然后计算落在各个格网中点云的密度与平均高度,其中各个格网中点云的密度用格网中点云总个数代表。
而且,步骤4中,采用种子扫描法对标记格网进行反向取点。
而且,步骤3中,每个格网代表的分割代价计算如下,
其中,cost(i,j)、density(i,j)、height(i,j)分别表示位于代价格网地图中坐标(i,j)处的代价、格网点云密度与格网点云平均高程;densitymax、heightmax分别代表代价格网中格网点云密度最大值和格网点云平均高程最大值;ω1、ω2分别代表代价计算中密度与平均高程所占权值。
而且,ω1=0.2,ω2=0.8。
而且,步骤3中,对点云区域内所有剪裁线进行搜索时,选择使代价目标函数最小的节点进行扩展,
代价目标函数f(i,j)计算如下,
f(i,j)=g(i,j)+h(i,j)
其中,g(i,j)表示从起点start到位于格网(i,j)处所经过所有格网的代价值总和,h(i,j)表示从格网i,j处到终点所经过所有格网的启发式评估代价值总和。
而且,步骤3中,
g(i,j)、h(i,j)计算方式如下,
其中,costdistance代表经过单个网格所花费的距离代价常数;
∑startcost(m,n)代表从起点到格网(m,n)处由点云密度以及平均高程所计算的剪裁代价总和;∑startcostdistance代表从起点到格网(m,n)处由格网距离代价常数计算的剪裁代价总和;∑m=i,n=jcost(m,n)代表从格网(m,n)处到终点由点云密度以及平均高程所计算的距离代价总和;
∑m=i,n=jcostdistance代表从格网(m,n)处到终点由格网距离代价常数计算的距离代价总和。
而且,步骤3中,取costdistance=0.1。
本发明为便于点云存储索引、加快点云处理效率,针对无序点云进行重新分区,再进行存储与处理,是点云预处理中关键一步。本发明的技术方案针对大规模场景点云,以顾及地物完整性为前提,根据给定图形文件,标记感兴趣区域,再对感兴趣区域内原始点云以及轨迹进行分区分块。
相比现有技术中的点云数据分割方法,本发明不以时间作为依据进行分段,而是考虑点云数据刻画的地物信息与特征,并保持其完整性,提出利用计算机领域的寻路算法,自动进行点云分割线的搜索,便于后续点云处理。
附图说明
图1是本发明实施例的整体流程图;
图2是本发明实施例的实施步骤示意图。
图3是本发明实施例利用Astar算法计算分块点云剪裁线的代价示意图;
图4是本发明实施例的剪裁线搜索结果示意图。
具体实施方式
以下结合附图和实施例说明本发明的技术方案。
本发明针对大规模场景点云,提出一种以顾及地物完整性为前提,并根据给定感兴趣区域图形文件,进行点云分块的方法。本发明的整体技术流程由图1所示。本方法分为4个关键步骤:感兴趣区域点云定位并分割点云轨迹文件、点云格网化、Astar算法搜算分区剪裁线、分区点云提取与输出。
参见图2,本发明实施例提供的一种顾及地物完整性的大规模点云快速分区分块方法,包括以下步骤:
步骤1,基于图形文件分割点云轨迹信息,定位感兴趣区域点云:包括利用射线法对点云、轨迹点逐点进行判断,逐区域分割并输出点云轨迹文件,逐区域标记点云。
实施例中,步骤1实现如下:
1)首先,读取原始点云文件、点云轨迹信息文件以及用于提取感兴趣或点云处理区域的图形文件。实施例中的原始点云文件为las格式文件,点云轨迹信息文件为PosT格式文件,用于提取感兴趣或点云处理区域的图形文件为shp格式文件。
2)然后提取图形文件中所有多边形,分别对点云文件以及轨迹文件中所有点进行逐点判断,利用射线法判断点是否在多边形区域内。
射线法是以带判断点为起始点,沿着水平X轴的正方向生长一段很大的距离(距离取值要大于点云空间分布的沿着水平方向的范围大小)构建一条虚拟的射线。然后,判断多边形的各边与该射线是否存在交点,统计该射线与多边形的交点的总个数,若该射线与多边形交点个数为偶数,则判断该点落在多边形外部,否则判断该点落在多边形内部。
3)最后,将被标记在待处理区域的点云轨迹信息分别按文件输出,其中,点云轨迹信息包括GPS时间、点的三维坐标等。由于点云数据量大,可以针对各处理区域的点云再分别进行后续处理,具体实施时,可以对单个多边形区域(处理区域)的点云分别执行步骤2~4。
步骤2,点云格网化:包括计算区域点云包围盒,对点云格网化并计算各个格网的格网内点云密度与平均高度。
实施例中,首先,计算同一区域点云覆盖范围,即包围盒。此处,点云覆盖范围指XOY平面上的平面范围,分别计算X_MAX、X_MIN、Y_MAX、Y_MIN值,作为包围盒。根据包围盒对点云划分分辨率为r的格网,具体实施时可以预设r的取值,实施例中r取值为1m。并建立各格网与格网内点云的关联索引。然后计算落在各个格网中点云的密度与平均高度,其中各个格网中点云的密度可用格网中点云总个数代表。
步骤3,利用Astar算法计算分块点云剪裁线:包括基于步骤2所得格网内的点云密度以及点云平均高程计算代价,根据点云包围盒确定分块点云剪裁线搜索范围以及剪裁线起点与终点,对点云区域内所有剪裁线进行搜索。
Astar算法是一种启发式路径搜索算法,目标是找到一条好路径,避开障碍物并将代价最小化。该算法将Dijkstra算法和广度优先搜索算法的信息块结合起来。
本方法为对区域内点云找到剪裁线,对其进行再次分块,并要求避开地物,保持各分块点云内的特征,提出将Astar算法运用到点云分块,具体计算分块点云剪裁线的实现设计如下:
1)初始化Astar算法,需要计算寻路格网地图各格网代价并确定路径起点以及终点。本发明中提出,是在对点云依据给定分辨率划分格网后,利用格网中点云密度以及点云平均高程来计算各个格网剪裁线剪裁代价,并根据给定区域大小确定剪裁线起点、终点。
首先将格网化后的点云逐格网利用格网内的点云密度以及点云平均高程计算出代价格网地图,每个格网代表的分割代价由公式1计算。
其中,cost(i,j)、density(i,j)、height(i,j)分别表示位于代价格网地图中坐标(i,j)处的代价、格网点云密度与格网点云平均高程;densitymax、heightmax分别代表代价格网中格网点云密度最大值和格网点云平均高程最大值;ω1、ω2分别代表代价计算中密度与平均高程所占权值,在实施例中优选取ω1=0.2,ω2=0.8。本发明实施例中由Astar算法计算的代价示意图可参见图3。
然后,给定点云分块大小S,根据点云包围盒确定分块点云剪裁线搜索范围以及剪裁线起点与终点,在具体实施过程中,S=100m。Astar算法是以起始点为中心,以起始点间所经所有路径(格网)代价目标函数最小为优先准则,层层向外进行展开的搜索。每一次主循环的迭代过程中,Astar算法都要决定它需要扩展的路径,并选择使代价目标函数最小的节点进行扩展。代价目标函数f(i,j)由以下公式计算:
f(i,j)=g(i,j)+h(i,j) (2)
其中,g(i,j)表示从起点start到位于格网(i,j)处所经过所有格网的代价值总和,h(i,j)表示从格网i,j处到终点所经过所有格网的启发式评估代价值总和。g(i,j)、h(i,j)分别由公式3,4计算。
其中,costdistance代表经过单个网格所花费的距离代价常数。在实施例中,优选取costdistance=0.1。
∑startcost(m,n)代表从起点到格网(m,n)处由点云密度以及平均高程所计算的剪裁代价总和;∑startcostdistance代表从起点到格网(m,n)处由格网距离代价常数计算的剪裁代价总和;∑m=i,n=jcost(m,n)代表从格网(m,n)处到终点由点云密度以及平均高程所计算的距离代价总和;
∑m=i,n=jcostdistance代表从格网(m,n)处到终点由格网距离代价常数计算的距离代价总和。
对点云区域内所有剪裁线进行搜索,得到所有剪裁线后进入步骤4。本发明实施例中搜索的剪裁线可参见图4所示局部示意图。
本发明是首次提出将Astar算法用于点云分块处理中,将点云分块问题中剪裁线的搜索转化为计算机领域Astar算法的寻路问题。本发明将点云密度以及点云平均高程作为剪裁线搜索代价,以剪裁线总的剪裁代价最小为目标,完成对点云的有效分块,并保持地物完整性。
步骤4,利用剪裁线分割点云:扫描法种子法标记各部分格网,根据格网标记,反取点云,并输出点云文件。
在所有剪裁线搜索完毕后,要将剪裁线所分割开的点云分别输出。此处结合计算机图形领域的种子扫描法对标记格网进行反向取点。为便于本领域技术人员实施参考起见,提供扫描线种子填充算法的基本过程如下:在点云划分的格网中给定种子点(x,y)时,先分别向左和向右两个方向填充种子点所在扫描线上的位于剪裁线内的一个区段,同时记下这个区段的范围[xLeft,xRight],然后确定与这一区段相连通的上、下两条扫描线上位于给定区域内的区段,并依次保存下来。反复这个过程,直到标记结束。然后将所有落入标记区域内的同一部分点云单独输出。
在具体实施过程中,扫描线种子填充算法可由下列四个步骤实现:
首先,初始化一个空的栈用于存放种子点,将格网内种子点(x,y)入栈;其次,判断栈是否为空,如果栈为空则结束算法,否则取出栈顶元素作为当前扫描线的种子点(x,y),y是当前的扫描线;然后,从种子点(x,y)出发,沿当前扫描线向左、右两个方向填充并标记格网,直到剪裁线所标记的边界。分别标记区段的左、右端点坐标为xLeft和xRight;再然后,分别检查与当前扫描线相邻的y-1和y+1两条扫描线在区间[xLeft,xRight]中的格网值,从xLeft开始向xRight方向搜索,若存在非剪裁线标记边界且未填充标记的格网,则找出这些相邻格网中最右边的一个,并将其作为种子点压入栈中,然后重新取栈顶格网位置,直到栈空。本发明实施例中利用扫描线种子法根据剪裁线标记分块区域如图4所示。
综上,本发明可以根据图形文件并顾及地物完整性对原始点云进行有效分割。
具体实施时,以上流程可采用计算机软件技术实现自动运行。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种顾及地物完整性的大规模点云快速分块方法,其特征在于,包括以下步骤:
步骤1,基于图形文件分割点云轨迹信息,定位感兴趣区域的点云;
步骤2,计算区域点云包围盒,对点云格网化并计算各个格网的格网内点云密度与平均高度;
步骤3,利用Astar算法计算区域点云剪裁线,包括逐格网利用格网内的点云密度以及点云平均高程计算出代价格网地图,据点云包围盒确定分块点云剪裁线搜索范围以及剪裁线起点与终点,以总的剪裁代价最小为目标,对点云区域内所有剪裁线进行搜索,以避开地物,保持各分块点云内的特征;
步骤4,在剪裁线搜索完毕后,将剪裁线所分割开的点云分块分别输出。
2.根据权利要求1所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤1中,读取原始点云文件、点云轨迹信息文件以及用于提取感兴趣区域的图形文件,提取图形文件中所有多边形,分别对点云文件以及轨迹文件中所有点进行逐点判断,利用射线法判断点是否在多边形区域内。
3.根据权利要求1所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤2中,计算同一区域的点云覆盖范围,得到包围盒,根据包围盒对点云划分格网,并建立各格网与格网内点云的关联索引;然后计算落在各个格网中点云的密度与平均高度,其中各个格网中点云的密度用格网中点云总个数代表。
4.根据权利要求1所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤4中,采用种子扫描法对标记格网进行反向取点。
6.根据权利要求5所述顾及地物完整性的大规模点云快速分块方法,其特征在于:ω1=0.2,ω2=0.8。
7.根据权利要求1或2或3或4所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤3中,对点云区域内所有剪裁线进行搜索时,选择使代价目标函数最小的节点进行扩展,
代价目标函数f(i,j)计算如下,
f(i,j)=g(i,j)+h(i,j)
其中,g(i,j)表示从起点start到位于格网(i,j)处所经过所有格网的代价值总和,h(i,j)表示从格网i,j处到终点所经过所有格网的启发式评估代价值总和。
8.根据权利要求7所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤3中,g(i,j)、h(i,j)计算方式如下,
其中,costdistance代表经过单个网格所花费的距离代价常数;
∑startcost(m,n)代表从起点到格网(m,n)处由点云密度以及平均高程所计算的剪裁代价总和;
∑startcostdistance代表从起点到格网(m,n)处由格网距离代价常数计算的剪裁代价总和;
∑m=i,n=jcost(m,n)代表从格网(m,n)处到终点由点云密度以及平均高程所计算的距离代价总和;
∑m=i,n=jcostdistance代表从格网(m,n)处到终点由格网距离代价常数计算的距离代价总和。
9.根据权利要求8所述顾及地物完整性的大规模点云快速分块方法,其特征在于:步骤3中,取costdistance=0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245496.1A CN110033459B (zh) | 2019-03-28 | 2019-03-28 | 顾及地物完整性的大规模点云快速分块方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245496.1A CN110033459B (zh) | 2019-03-28 | 2019-03-28 | 顾及地物完整性的大规模点云快速分块方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033459A CN110033459A (zh) | 2019-07-19 |
CN110033459B true CN110033459B (zh) | 2020-04-10 |
Family
ID=67236900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910245496.1A Active CN110033459B (zh) | 2019-03-28 | 2019-03-28 | 顾及地物完整性的大规模点云快速分块方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033459B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021102967A1 (zh) * | 2019-11-29 | 2021-06-03 | 深圳市大疆创新科技有限公司 | 点云密度的量化方法、装置和存储介质 |
CN113063430A (zh) * | 2021-03-29 | 2021-07-02 | 世光(厦门)智能科技有限公司 | 一种无人车路径规划方法、客户端及服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN106324581A (zh) * | 2016-08-25 | 2017-01-11 | 辽宁工程技术大学 | 一种基于体元的机载lidar建筑物检测方法 |
CN107330894A (zh) * | 2017-06-22 | 2017-11-07 | 同济大学 | 面向平面舱壁类型船舱的点云数据自动分割方法 |
-
2019
- 2019-03-28 CN CN201910245496.1A patent/CN110033459B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN106324581A (zh) * | 2016-08-25 | 2017-01-11 | 辽宁工程技术大学 | 一种基于体元的机载lidar建筑物检测方法 |
CN107330894A (zh) * | 2017-06-22 | 2017-11-07 | 同济大学 | 面向平面舱壁类型船舱的点云数据自动分割方法 |
Non-Patent Citations (1)
Title |
---|
"口腔修复嵌体造型关键技术研究";张长东;《中国博士学位论文全文数据库 医药卫生科技辑》;20150115(第1期);E074-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN110033459A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
Verma et al. | 3D building detection and modeling from aerial LIDAR data | |
JP5360989B2 (ja) | 地理情報生成システム及び地理情報生成方法 | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN110543885B (zh) | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 | |
CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN112070769A (zh) | 一种基于dbscan的分层点云分割方法 | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
CN110033459B (zh) | 顾及地物完整性的大规模点云快速分块方法 | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN114065339A (zh) | 一种基于三维可视化模型的高塔建设选址方法 | |
JP4946072B2 (ja) | 樹頂探索方法、装置及びプログラム | |
Badenko et al. | Comparison of software for airborne laser scanning data processing in smart city applications | |
Li et al. | New methodologies for precise building boundary extraction from LiDAR data and high resolution image | |
Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
CN106709473B (zh) | 一种基于体元的机载lidar道路提取方法 | |
CN115546551A (zh) | 一种基于深度学习的地理信息提取方法及系统 | |
Yue et al. | A method for extracting street trees from mobile LiDAR point clouds | |
Mi et al. | Automatic road structure detection and vectorization Using Mls point clouds | |
KR100953485B1 (ko) | 항공 레이저 측량 데이터의 병렬 처리 시스템 및 그 방법 | |
Peters et al. | Generation and generalization of safe depth-contours for hydrographic charts using a surface-based approach |
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 |