CN110084865B - 一种离散点分级加权拟合规则格网的方法 - Google Patents
一种离散点分级加权拟合规则格网的方法 Download PDFInfo
- Publication number
- CN110084865B CN110084865B CN201910308938.2A CN201910308938A CN110084865B CN 110084865 B CN110084865 B CN 110084865B CN 201910308938 A CN201910308938 A CN 201910308938A CN 110084865 B CN110084865 B CN 110084865B
- Authority
- CN
- China
- Prior art keywords
- grid
- level
- elevation
- regular
- discrete
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007670 refining Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical group [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种采用分级加权拟合策略,对超大离散点云数据快速构建规则格网DEM的方法。先采用金字塔分级策略,将目标规则格网从1个格网按3*3的细化参数进行细化,直到第n级,然后逐级将离散点云以加权平均的方式置入所在格网中,并将该级结果作为下一级的初始值,并将所有点再次加权平均放入格网形成新格网,直到格网的间隔等于期望的间隔。本方法操作简单,没有额外的内存消耗,执行效率非常高,且对点云数据的操作是流式操作,无需考虑点云的拓扑信息,没有点数限制,特别适合对海量点云进行规则格网化。
Description
技术领域
本发明涉及一种采用分级加权策略进行离散点拟合规则格网DEM的方法,其中分级加权策略是这种拟合方法的关键技术。
背景技术
数字高程模型(DEM)是地理信息系统(GIS)重要的空间地理信息,是地理信息系统(GIS)进行地形分析的核心数据,在测绘、地貌、工程建设、军事等领域有着广泛的应用。主要有规则格网数据(GRID)结构和不规则三角网(TIN)结构两种形式。其中,规则格网(GRID)DEM由于数据结构简单,算法实现容易,便于空间操作和存储等优点,因此在摄影测量领域应用更为广泛。
在摄影测量领域,规则格网DEM由海量密集匹配点云或者激光点云内插生成。在实际处理中,由于大范围地形是复杂且局部差异较大,因此不可能用一个多项式函数来插值拟合整个地形,因为低次多项式的精度必然很差,而高次多项式又可能产生解的不稳定性。因此在DEM内插中一般不采用整体函数内插,而采用局部函数内插。如离加权法、移动曲面拟合法、有限元内插法、锥构建法等。这类算法都以目标规则格网点为中心,定义一个局部函数拟合周围一定数量的离散点云。这类方法十分灵活有效,一般情形下精度较高,计算方法简单且无需很大的计算机内存。但是缺点也很明显,由于需要搜索每个格网点周围的离散点,因此计算效率及其低下,特别在大范围DEM更新任务中很难满足需求。为此,出现了一些针对离散点云建立分块索引的算法,这类算法虽然能在一定程度上提升搜索效率,但是计算过程复杂,复杂的链表存储结构增加了算法的维护难度,且仍然受限于测区范围大小以及点云数量。
除此之外,还有一类经典的间接算法。这类算法先利用点云构建不规则三角网(TIN),然后在三角形内部插值出规则格网的高程。虽然这些算法想较于直接算法减少了点云检索的次数,提升了效率。但是三角网的生成与点所在三角形的判断仍然需要较长时间。特别地,构建三角网时会占据大量计算内存,因此这类方法会受限于点云的数量。同时,由于格网点仅仅由所在三角形的三个顶点进行双线性内插得到,因此这类方法的内插精度会较容易受到某个含有较大高程误差的三角形顶点的影响。
总之,当前的影像匹配算法,大多数都是从有序的目标规则格网点出发,对海量无序的离散点云进行搜索,因此在检索规则格网点周边离散点云时,效率会受到极大限制。同时,对于某些间接算法而言,格网点仅仅由所在三角形三个顶点高程内插而成,所以其精度会受到限制。而本方法从无序的离散点云出发,检索所在格网,极大减少了计算量,提升了效率。同时将所有点云纳入单个规则格网点的内插计算,充分考虑了邻近点云对格网高程的贡献,并通过加权策略约束远距离离散点云对格网点精度的影响。
发明内容
本发明主要解决现有技术所存在的对于海量离散点云检索效率不高和间接内插方法没考虑其他邻近点云的贡献问题。本发明提出了一种采用分级加权策略进行离散点拟合规则格网DEM的方法,可以有效离散点云检索效率不高问题,同时这种算法操作简单,没有额外的内存消耗,执行效率非常高,且对点云数据的操作是流式操作,无需考虑点云的拓扑信息,没有点数限制,特别适合对海量点云进行规则格网化。
本发明的上述技术问题主要是通过下述技术方案得以解决:
这种以无序离散点云为计算单元,采用分级加权策略,实现从海量无序的离散点云拟合规则格网DEM,其核心过程包括以下步骤:
步骤1,计算目标格网中单个格网大小M,并将整个目标格网在X和Y方向上平移半个网格(此时格网的中心位置为目标格网的格网点),然后按照格网细化参数P(建议P=3)进行格网扩张,直到第N次扩张后单个格网(大小为M*PN)完全包含所有离散点云。将单个格网最大的层定义为第一级,依次往下,目标格网则为第N级。
步骤2,从第1级开始计算,将离散点云按等权置入所在格网中,因为第1级目标格网只有一格,因此该网格的高程即为所有离散点云的平均高程。
步骤3,第2级以第1级获取的格网为基础,先将格网细化参数按P*P进行细化,得到P*P个格网,并用所在上一级的网格高程作为格网高程初值,然后将离散点云重新置入新格网,并与格网内初值加权平均(格网内初值的权推荐取0.5)得到新的格网。
步骤4,继续进行网格细化,对此过程迭代,并将所有点再次加权平均放入格网形成新格网,直到第N级规则格网计算完成。
步骤5,此时计算得到的N级规则格网的每个网格高程值则为相应目标格网的格网点高程。
在上述的算法中,某目标格网点高程的最终内插结果为:
其中:
Zgrid表示目标格网点高程;
Zj表示离散点的高程值;
K表示从第1级开始,到第K级仍然位于该网格中;
Si表示第i级中该格网点所在网格的离散点的总数。
从上式可看出,所有点云都对该格网点的高程作出了贡献;离格网点越近的点贡献值越高,反之则越低,甚至趋近于0。
本发明具有如下优点:在计算过程中充分考虑了所有离散点对格网点的影响,同时无需对格网点附近的无序离散点云进行检索,提高了计算的效率。且计算过程中没有额外的内存消耗,对点云数据的操作是流式操作,无需考虑点云的拓扑信息,没有点数限制,特别适合对海量点云进行规则格网化。
附图说明
图1为本发明的总体流程示意图。
图2为从第1级到第N级的计算实施例示意图。图中,第一列为离散点云,中间一列为上一级细化的格网,第三列为该级的结果。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本发明提供的技术方案是,一种采用分级加权策略,实现从海量无序的离散点云拟合规则格网DEM的方法。如图1所示,包括以下步骤:
步骤1,将目标格网(格网大小为M)在X和Y方向上平移半个格网(此时格网的中心位置为目标格网的格网点),并按照格网细化参数P(图2实施例中P=3)进行格网扩张,直到第N次扩张后单个格网(大小为M*3N)完全包含所有离散点云。将单个格网最大的层定义为第1级,依次往下,目标格网则为第N级。如图2中从第1级到第n级的格网示意图。
步骤2,从第1级开始计算,将离散点云按等权置入所在格网中,此时格网只有一格,因此该网格的高程即为所有离散点云的平均高程。如图1级结果,高程值只有一个。
步骤3,第2级以第1级获取的格网为基础,先将格网细化参数按3*3进行细化,得到3*3个格网,并用所在上一级的网格高程作为格网高程初值,然后将离散点云重新置入新格网,并与格网内初值加权平均得到新的格网。
步骤4,继续进行网格细化,对此步骤3过程迭代,直到得到第N级规则格网。
步骤5,此时计算得到的N级规则格网的每个网格高程值则为相应目标格网的格网点高程。
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 (3)
1.一种离散点分级加权拟合规则格网的方法,其特征在于,包括以下步骤:
步骤1,计算目标格网中单个格网大小M,并将整个目标格网在X和Y方向上平移半个网格,然后按照格网细化参数P进行格网扩张,直到第N次扩张后单个格网完全包含所有离散点云,将单个格网最大的层定义为第1级,依次往下,目标格网则为第N级;
步骤2,从第1级开始计算,将离散点云按等权置入所在格网中,该网格的高程即为所有离散点云的平均高程;
步骤3,第2级以第1级获取的格网为基础,先将格网细化参数按P*P进行细化,得到P*P个格网,并用所在上一级的网格高程作为格网高程初值,然后将离散点云重新置入新格网,并与格网内初值加权平均得到新的格网;
步骤4,继续进行网格细化,对此过程迭代,并将所有点再次加权平均放入格网形成新格网,直到第N级规则格网计算完成;
步骤5,计算得到的N级规则格网的每个网格高程值则为相应目标格网的格网点高程;
步骤5中计算第N级规则格网的每个网格高程值的计算公式如下,
其中:
Zgrid表示目标格网点高程;
Zj表示离散点的高程值;
K表示从第1级开始,到第K级仍然位于该网格中;
Si表示第i级中该格网点所在网格的离散点的总数。
2.如权利要求1所述的一种离散点分级加权拟合规则格网的方法,其特征在于:P=3。
3.如权利要求1所述的一种离散点分级加权拟合规则格网的方法,其特征在于:步骤3中格网内初值的权取0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308938.2A CN110084865B (zh) | 2019-04-17 | 2019-04-17 | 一种离散点分级加权拟合规则格网的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308938.2A CN110084865B (zh) | 2019-04-17 | 2019-04-17 | 一种离散点分级加权拟合规则格网的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084865A CN110084865A (zh) | 2019-08-02 |
CN110084865B true CN110084865B (zh) | 2020-10-13 |
Family
ID=67415263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308938.2A Active CN110084865B (zh) | 2019-04-17 | 2019-04-17 | 一种离散点分级加权拟合规则格网的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084865B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675501A (zh) * | 2019-09-26 | 2020-01-10 | 扆亮海 | DEM架构下的TIN向Grid模型的高效转换方法 |
CN112214715B (zh) * | 2020-09-04 | 2024-12-20 | 广州市中海达测绘仪器有限公司 | 一种格网点高程信息的自适应拟合方法、设备及介质 |
CN113129402B (zh) * | 2021-04-19 | 2024-01-30 | 中国航发沈阳发动机研究所 | 一种截面数据云图绘制方法 |
CN115953501B (zh) * | 2023-02-07 | 2023-06-02 | 季华实验室 | 有序离散点集合的生成方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8665266B2 (en) * | 2010-06-23 | 2014-03-04 | The United States Of America, As Represented By The Secretary Of The Navy | Global visualization process terrain database builder |
CN102213762B (zh) * | 2011-04-12 | 2012-11-28 | 中交第二公路勘察设计研究院有限公司 | 基于rfm模型的多源星载sar影像自动匹配方法 |
CN103823981B (zh) * | 2014-02-28 | 2016-08-17 | 武汉大学 | 一种数字高程模型辅助的卫星影像区域网平差方法 |
CN104898183B (zh) * | 2015-05-29 | 2017-10-17 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
-
2019
- 2019-04-17 CN CN201910308938.2A patent/CN110084865B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110084865A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084865B (zh) | 一种离散点分级加权拟合规则格网的方法 | |
CN113988359A (zh) | 基于非对称Laplace分布的风功率预测方法和系统 | |
CN105912562B (zh) | 基于层次化模型的数据可视化方法及其系统 | |
CN109784544B (zh) | 一种平坦地形风电场的噪声预测和优化布局方法 | |
CN116112563A (zh) | 一种基于流行度预测的双策略自适应缓存替换方法 | |
CN110008439B (zh) | 基于矩阵分解的降雨数据时空一体化插值算法 | |
CN114444012A (zh) | 一种基于神经网络架构搜索的偏微分方程数值求解方法 | |
CN108898257A (zh) | 一种基于粒子群优化的灰色预测方法 | |
CN105760549B (zh) | 基于属性图模型的近邻查询方法 | |
CN113342999B (zh) | 一种基于多层跳序树结构的变分辨率点云简化方法 | |
CN103279985A (zh) | 一种复杂地形结构体系三维有限元模型的智能化建模方法 | |
CN107846039A (zh) | 考虑风速相关性的集群风电并网建模分析方法及系统 | |
CN115879034B (zh) | 基于机器学习的热带气旋强度监测方法、装置和设备 | |
CN107564100B (zh) | 一种等高线生成平滑实体的方法 | |
CN116562455A (zh) | 风力发电机的气温预报数据处理方法、装置、计算机设备 | |
Li et al. | Monthly arctic sea ice concentration prediction based on the convlstm model | |
CN112883292B (zh) | 用户行为推荐模型建立及基于时空信息的位置推荐方法 | |
CN115630316A (zh) | 基于改进长短期记忆网络的超短期风速预测方法 | |
CN115512077A (zh) | 一种基于多层动态特征点云的隐式三维场景表征方法 | |
CN114332295A (zh) | 一种利用bp神经网络进行网格剖分的方法 | |
CN116127611B (zh) | 一种水下航行器动态仿真方法 | |
CN113887843B (zh) | 一种风电场输出功率的群体预测方法和系统 | |
CN117671165B (zh) | 一种基于图注意力网络的dem数据综合方法 | |
CN114924883B (zh) | 一种确定最优进程映射的方法、装置、设备及可读介质 | |
CN116432145B (zh) | 积雪深度获取方法、装置、存储介质和计算机设备 |
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 |