CN110211040B - 一种基于权值的点云压缩方法和装置 - Google Patents

一种基于权值的点云压缩方法和装置 Download PDF

Info

Publication number
CN110211040B
CN110211040B CN201910362558.7A CN201910362558A CN110211040B CN 110211040 B CN110211040 B CN 110211040B CN 201910362558 A CN201910362558 A CN 201910362558A CN 110211040 B CN110211040 B CN 110211040B
Authority
CN
China
Prior art keywords
weight
point cloud
compression
compression ratio
ratio
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
Application number
CN201910362558.7A
Other languages
English (en)
Other versions
CN110211040A (zh
Inventor
何熹
贾东峰
赵磊
成煜钤
张劲光
王栋
张洋
夏中原
郭凯
郭果
李茹勤
梁向阳
郭磊
王伟
孙鹏
姚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Henan Electric Power Co Ltd, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910362558.7A priority Critical patent/CN110211040B/zh
Publication of CN110211040A publication Critical patent/CN110211040A/zh
Application granted granted Critical
Publication of CN110211040B publication Critical patent/CN110211040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Generation (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本申请涉及一种基于权值的点云压缩方法和装置，通过考虑到点与其邻近域内的点的关系，赋予每个点一权值，权值反应点云的疏密情况，在点密集的地方，权值相对较小，在点稀疏的地方，权值相对较大，压缩掉权值较低的点，从而在压缩度相同时，能够提高保真度，并且提高压缩效率。

Description

一种基于权值的点云压缩方法和装置
技术领域
本申请属于三维点云数据压缩技术领域，尤其是涉及一种基于权值的点云压缩方法和装置。
背景技术
随着三维激光扫描仪数据获取的速度越来越快，单次扫描获取的点云数据可达几十万乃至上百万个点，而利用点云进行曲面重构、三角网格构造或用于评价被测曲面的误差,一般都不需要过密或过多的数据点,特别是在被测曲面的曲率较小处。在重构曲面时,过密的点云不但计算量大,而且可能影响其光顺性。由于过密点云构造的三角面片模型过于巨大,因此存储、处理或显示都将消耗大量的时间和计算机资源。另外,用于误差评价时,点云也不能过密,否则计算量会更大。因此,研究点云的压缩与简化算法对后期的表面重建有重要的意义。
目前，常见的包围盒压缩算法的基本思想如下：首先，求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的包围盒，使每个包围盒中包含一定个数的点云数据，最后选取每个包围盒中最靠近包围盒中心的点来代替整个包围盒中的点。图1显示的是包围盒压缩点云数据的流程，首先显示点云数据的最小包围盒，然后对最小包围盒进行细分，直到每个包围盒中都包含一定数量的点，这里点的个数一般取1≤i≤5。在使用包围盒压缩点云时，一般使用经验公式：
Figure GDA0003834430460000011
来设定子包围盒的边长。在这里，(xmin,ymin,zmin),(xmax,ymax,zmax)是包围盒的最小和最大点，n是点的个数。包围盒压缩点云的特点是：执行效率高，且易于编程实现，如果包围盒划分较小，则特征保留较好；如果包围盒划分较大，则特征保留较差。然而在针对散乱点云时，包围盒压缩算法和其它压缩算法不能很好地适应散乱点云的特征，导致压缩后无法显示原先特征。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种压缩效率高、保真率高的基于权值的点云压缩方法和装置。
本发明解决其技术问题所采用的技术方案是：
一种基于权值的点云压缩方法，
S1：获取一点云数据；
S2：将点云数据规格化，将点云数据划分出若干近邻域；
S3：对点云数据中的所有点赋予一个权值，权值反映点云在该区域的采样密度，所述权值通过点的近邻域得出，
设一局部点集
Figure GDA0003834430460000021
则集中点pi的权值为：
Figure GDA0003834430460000022
其中
Figure GDA0003834430460000023
是点pi的K个近邻域；
S4：设定初始的权阈值为：
Figure GDA0003834430460000024
其中(xmin,ymin,zmin),(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
S5：舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
S6：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，并重复S5步骤。
优选地，本发明的基于权值的点云压缩方法，规格化模块中的近邻域由包围盒法取得，先求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域。
优选地，本发明的基于权值的点云压缩方法，规格化模块中的权阈值线性增大。
优选地，本发明的基于权值的点云压缩方法，每个细分包围盒中包括1-5个点。
优选地，本发明的基于权值的点云压缩方法，S6步骤中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并重复S5步骤；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云。
本发明还提供一种基于权值的点云压缩装置，
获取模块：用于获取一点云数据；
规格化模块：用于将点云数据规格化，将点云数据划分出若干近邻域；
权值赋予模块：用于对点云数据中的所有点赋予一个权值，权值反映点云在该区域的采样密度，所述权值通过点的近邻域得出，设一局部点集
Figure GDA0003834430460000041
则集中点pi的权值为：
Figure GDA0003834430460000042
其中
Figure GDA0003834430460000043
是点pi的K个近邻域；
初始权阈值设定模块：设定初始的权阈值为：
Figure GDA0003834430460000044
其中(xmin,ymin,zmin),(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
压缩模块：用于舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
判断模块：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，并返回压缩模块计算压缩率。
优选地，本发明的基于权值的点云压缩装置，S2步骤中的近邻域由包围盒法取得，先求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域。
优选地，本发明的基于权值的点云压缩装置，S6步骤中的权阈值线性增大。
优选地，本发明的基于权值的点云压缩装置，每个细分包围盒中包括1-5个点。
优选地，本发明的基于权值的点云压缩装置，判断模块中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并返回压缩模块计算压缩率；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云。
本发明的有益效果是：
本发明的基于权值的点云压缩方法和装置，通过考虑到点与其邻近域内的点的关系，赋予每个点一权值，权值反应点云的疏密情况，在点密集的地方，权值相对较小，在点稀疏的地方，权值相对较大，压缩掉权值较低的点，从而在压缩度相同时，能够提高保真度，并且提高压缩效率。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是包围盒压缩点云的原理示意图；
图2是实验例1压缩前的点云数据图；
图3是实验例1压缩后的点云数据图；
图4是实验例2压缩前的点云数据图；
图5是实验例2压缩后的点云数据图；
图6是实验例3压缩前的点云数据图；
图7是实验例3压缩后的点云数据图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于权值的点云压缩方法，包括：
S1：获取一点云数据；
S2：将点云数据规格化，将点云数据划分出若干近邻域，近邻域可由包围盒法取得，先求取点云数据的最小包围盒(原理如图1所示)，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域，每个细分包围盒中包括1-5个点；
S3：对点云数据中的所有点赋予一个权值，权值反映点云在该区域的采样密度，所述权值通过点的近邻域得出，
设一局部点集
Figure GDA0003834430460000061
则集中点pi的权值为：
Figure GDA0003834430460000062
其中
Figure GDA0003834430460000063
是点pi的K个近邻域；
S4：设定初始的权阈值为：
Figure GDA0003834430460000064
其中(xmin,ymin,zmin),(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
S5：舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
S6：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，权阈值可以采用线性增大，即以固定的倍数(比如1.5倍、2倍等等)进行增大，也可以是以指数或者其它方式逐渐增大，并重复S5步骤。
作为一种替代的实施方式，为了兼顾保真率，S6步骤中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并重复S5步骤；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云，如此可以以保值率为标准对点云进行压缩导出。
本实施例还提供一种基于权值的点云压缩装置，
获取模块：用于获取一点云数据；
规格化模块：用于将点云数据规格化，将点云数据划分出若干近邻域，近邻域由包围盒法取得，先求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域，每个细分包围盒中包括1-5个点；
权值赋予模块：用于对点云数据中的所有点赋予一个权值，权值反映点云在该区域的采样密度，所述权值通过点的近邻域得出，设一局部点集
Figure GDA0003834430460000081
则集中点pi的权值为：
Figure GDA0003834430460000082
其中
Figure GDA0003834430460000083
是点pi的K个近邻域；
初始权阈值设定模块：设定初始的权阈值为：
Figure GDA0003834430460000084
其中(xmin,ymin,zmin),(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
压缩模块：用于舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
判断模块：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，权阈值可以采用线性增大，即以固定的倍数进行增大，也可以是以指数或者其它方式逐渐增大，并返回压缩模块计算压缩率。
作为一种替代的实施方式，为了兼顾保真率，判断模块中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并返回压缩模块计算压缩率；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云。
实验例1
对非均匀密度的点云压缩情况，如图2和图3所示。该组实验为了测试算法对同一点云对象具备不同局部点云密度的压缩情况。图2所示的原始点云，该点云的特点是：左半边的点云密度要低于右半边的点云密度。设置压缩率为20％，图3显示了根据上述压缩算法，对局部区域密度不同的点云数据的压缩情况，从压缩的结果可以很直观的看出：左半边点云数据密度比较低，所以压缩掉的点云比较少；而右半边的点云密度比较高，所以压缩掉的点云比较多；最终左右点云密度趋于平均。
实验例2
对均匀密度的点云压缩情况，如图4和图5所示。图4是采集密度相对均匀的原始点云。设置压缩率为50％，使用基于权值的压缩方法对其进行压缩。图5显示了压缩后的结果。其密度是趋于均匀的。
实验例3
针对具有尖锐特征的点云的压缩情况,如图6和图7所示。图6是具备尖锐特征的原始点云数据。图7以50％的压缩率压缩后的点云数据，从结果可以看出，一些边特征以及棱角特征有一定程度的破坏，但并未影响点云的保真度。
本实施例的基于权值的点云压缩方法和装置，通过考虑到点与其邻近域内的点的关系，赋予每个点一权值，权值反应点云的疏密情况，在点密集的地方，权值相对较小，在点稀疏的地方，权值相对较大，压缩掉权值较低的点，从而在压缩度相同时，能够提高保真度，并且提高压缩效率。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于权值的点云压缩方法，其特征在于，
S1：获取一点云数据；
S2：将点云数据规格化，将点云数据划分出若干近邻域；
S3：对点云数据中的所有点赋予一个权值，权值反映点云在该近邻域的采样密度，所述权值通过点的近邻域得出，
设一局部点集
Figure FDA0003834430450000011
则集中点pi的权值为：
Figure FDA0003834430450000012
其中
Figure FDA0003834430450000013
是点pi的K个近邻域；
S4：设定初始的权阈值为：
Figure FDA0003834430450000014
其中(xmin,ymin,zmin),(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
S5：舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
S6：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，并重复S5步骤。
2.根据权利要求1所述的基于权值的点云压缩方法，其特征在于，S2步骤中的近邻域由包围盒法取得，先求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域。
3.根据权利要求1或2所述的基于权值的点云压缩方法，其特征在于，S6步骤中的权阈值线性增大。
4.根据权利要求2所述的基于权值的点云压缩方法，其特征在于，每个细分包围盒中包括1-5个点。
5.根据权利要求1或2所述的基于权值的点云压缩方法，其特征在于，S6步骤中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并重复S5步骤；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云。
6.一种基于权值的点云压缩装置，其特征在于，
获取模块：用于获取一点云数据；
规格化模块：用于将点云数据规格化，将点云数据划分出若干近邻域；
权值赋予模块：用于对点云数据中的所有点赋予一个权值，权值反映点云在该近邻域的采样密度，所述权值通过点的近邻域得出，设一局部点集
Figure FDA0003834430450000021
则集中点pi的权值为：
Figure FDA0003834430450000022
其中
Figure FDA0003834430450000023
是点pi的K个近邻域；
初始权阈值设定模块：设定初始的权阈值为：
Figure FDA0003834430450000024
其中(xmin,ymin,zmin),
(xmax,ymax,zmax)为近邻域的最小和最大点，n是近邻域内点的个数；
压缩模块：用于舍去集中点pi中权值小于权阈值的点，将大于等于权阈值的点保留，计算压缩率；
判断模块：判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率大于等于设定的压缩率，则停止，输出压缩后的点云；
若计算得到的压缩率小于设定的压缩率，则增大权阈值，并返回压缩模块计算压缩率。
7.根据权利要求6所述的基于权值的点云压缩装置，其特征在于，规格化模块中的近邻域由包围盒法取得，先求取点云数据的最小包围盒，然后把最小包围盒划分成若干大小相等的细分包围盒，使每个细分包围盒中包含一定个数的点云数据，每个细分包围盒即为一近邻域。
8.根据权利要求6或7所述的基于权值的点云压缩装置，其特征在于，判断模块中的权阈值线性增大。
9.根据权利要求6所述的基于权值的点云压缩装置，其特征在于，每个细分包围盒中包括1-5个点。
10.根据权利要求6或7所述的基于权值的点云压缩装置，其特征在于，判断模块中还计算保真率，判断计算得到的压缩率与设定的压缩率的大小，若计算得到的压缩率小于设定的压缩率，且保真率大于设定的保真率，则增大权阈值，并返回压缩模块计算压缩率；
若计算得到的保真率小于设定的保真率，则停止，输出以前一次权阈值进行压缩后的点云。
CN201910362558.7A 2019-04-30 2019-04-30 一种基于权值的点云压缩方法和装置 Active CN110211040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910362558.7A CN110211040B (zh) 2019-04-30 2019-04-30 一种基于权值的点云压缩方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910362558.7A CN110211040B (zh) 2019-04-30 2019-04-30 一种基于权值的点云压缩方法和装置

Publications (2)

Publication Number Publication Date
CN110211040A CN110211040A (zh) 2019-09-06
CN110211040B true CN110211040B (zh) 2022-10-21

Family

ID=67785429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910362558.7A Active CN110211040B (zh) 2019-04-30 2019-04-30 一种基于权值的点云压缩方法和装置

Country Status (1)

Country Link
CN (1) CN110211040B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882623A (zh) * 2020-07-15 2020-11-03 富德康(北京)科技股份有限公司 一种三维空间测量结果数据的压缩方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701466A (zh) * 2012-09-28 2014-04-02 上海市政工程设计研究总院（集团）有限公司 基于特征保留的散乱点云压缩算法
US9787321B1 (en) * 2016-11-17 2017-10-10 Google Inc. Point cloud data compression using a space-filling curve
CN108510558A (zh) * 2017-02-28 2018-09-07 上海小桁网络科技有限公司 点云数据的压缩方法、装置及终端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9390110B2 (en) * 2012-05-02 2016-07-12 Level Set Systems Inc. Method and apparatus for compressing three-dimensional point cloud data
CN103065354A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 点云优化方法及其装置
CN106846425B (zh) * 2017-01-11 2020-05-19 东南大学 一种基于八叉树的散乱点云压缩方法
US10462485B2 (en) * 2017-09-06 2019-10-29 Apple Inc. Point cloud geometry compression
US10861196B2 (en) * 2017-09-14 2020-12-08 Apple Inc. Point cloud compression

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701466A (zh) * 2012-09-28 2014-04-02 上海市政工程设计研究总院（集团）有限公司 基于特征保留的散乱点云压缩算法
US9787321B1 (en) * 2016-11-17 2017-10-10 Google Inc. Point cloud data compression using a space-filling curve
CN108510558A (zh) * 2017-02-28 2018-09-07 上海小桁网络科技有限公司 点云数据的压缩方法、装置及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Compression Algorithm of Scattered Point Cloud Based on Octree Coding;Lin Tang等;《2016 2nd IEEE International Conference on Computer and Communications (ICCC)》;20170511;第85-89页 *
基于局部最小生成树的点模型快速无损压缩算法;王鹏杰等;《计算机研究与发展》;20110930;第48卷;第1263-1268页 *

Also Published As

Publication number Publication date
CN110211040A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN108830931B (zh) 一种基于动态网格k邻域搜索的激光点云精简方法
US10504253B2 (en) Conservative cell and portal graph generation
KR101666937B1 (ko) 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법
US9626797B2 (en) Generating a consensus mesh from an input set of meshes
US9959670B2 (en) Method for rendering terrain
US10176627B2 (en) Tree-based graphics primitive rendering
CN111275724B (zh) 一种基于八叉树和边界优化的机载点云屋顶平面分割方法
Wang et al. A new point cloud simplification method with feature and integrity preservation by partition strategy
TW201539376A (zh) 點雲精簡系統及方法
Trinh et al. Hole boundary detection of a surface of 3D point clouds
CN110211040B (zh) 一种基于权值的点云压缩方法和装置
Morozov et al. Efficient delaunay tessellation through KD tree decomposition
Gargallo-Peiró et al. Mesh generation for atmospheric boundary layer simulation in wind farm design and management
CN101510228A (zh) 产品stl模型非均匀精简方法
CN110956675B (zh) 技术成熟度曲线自动生成方法及装置
CN113111351B (zh) 测试方法、装置和计算机可读存储介质
CN115937690B (zh) 一种槽线生成方法、装置、存储介质及终端
CN110738669A (zh) 自适应八叉树分割算法
Rahim et al. Evaluation of adaptive subdivision method on mobile device
Anwar et al. An approach to capturing neuron morphological diversity
Angelo et al. A fast mesh-growing algorithm for manifold surface reconstruction
CN110706351B (zh) 一种三角网格模型生成方法及装置
CN114170388A (zh) 一种基于八叉树的局部异向性搜索椭球体动态建模方法
CN114202642A (zh) 三维三角网模型中超大空洞的填补方法及设备
US20130173225A1 (en) Method for sampling mesh models and apparatus for sampling mesh models

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