CN110322497A - 一种基于三维可视化的交互式点云对象提取方法 - Google Patents
一种基于三维可视化的交互式点云对象提取方法 Download PDFInfo
- Publication number
- CN110322497A CN110322497A CN201910524452.2A CN201910524452A CN110322497A CN 110322497 A CN110322497 A CN 110322497A CN 201910524452 A CN201910524452 A CN 201910524452A CN 110322497 A CN110322497 A CN 110322497A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- dimensional visualization
- data
- dimensional
- 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.)
- Pending
Links
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20096—Interactive definition of curve of interest
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于三维可视化的交互式点云对象提取方法,本发明针对海量无序点云数据中的复杂对象提取问题,利用三维可视化环境中的人机交互功能,划定对象分布范围以提取对象数据;采用三维平面视图直观表达点云中对象的位置及分布;借助三维交互技术,在平面视图中人工划分对象外包多边形;根据外包多边形从原始点云数据中提取对象点云,使用有效网格法进行化简。本发明提出的有效网格法利用规则网格快速表示点云分布,使用网格索引表示数据点的位置,通过网格有效性来判断和提取特征点,避免建立表达数据点空间分布的空间索引结构,提高检索效率。
Description
技术领域
本发明属于三维表面重建技术领域,具体涉及一种基于三维可视化的交互式点云对象提取方法。
背景技术
激光扫描技术已广泛应用于人工建筑、自然地物的空间数据采集,三维点云数据中的对象识别与提取研究也取得了很大进展,为建筑、地物等的三维表面重建提供支持。
基于三维点云的三维表面重建需要提取点云中的对象,并化简提取到的对象点云以减小数据量。对象提取涉及点云的分割与抽稀处理。常用点云分割算法,如区域增长法、采样一致算法、近邻搜索算法、超体聚类算法、凹凸性分割算法等,基于对象的先验特征,通过特征匹配模式选择性地提取对象,比如建筑立面、平面、柱状物体等;深度学习方法不需要人工定义特征,通过大量样本学习以归纳对象特征。抽稀算法分为损特征算法和保特征算法,损特征抽稀算法速度快、精度低、适合于点云快速显示,保特征抽稀算法计算量大,不适于海量点云。
现有对象提取算法需要大量空间资源及计算,对海量点云数据的处理超出普通计算机的承受能力。
场点云的常规处理方法可以分为两种:一、先对点云数据进行整体抽稀,然后分割场景提取对象;二、先从分割场景提取对象,然后将对象分别化简。方法一不能满足分别控制对象点云密度的要求;方法二中场景分割过程对空间资源要求高。由于场站点云中对象的复杂性,常规点云分割算法不能保证点云中对象分割的正确性。此外,提取点云中对象需要建立点的空间关系,具有空间相关性的点集构成一个对象。场站点云具有无序性,点云空间关系的建立耗费大量时间和资源。而点云中对象特征的不确定性导致点集的空间相关性准则无法确定,因此常规方法不适用。
发明内容
本发明提供了一种基于三维可视化的交互式点云对象提取方法,本发明针对海量点云数据的区域场景整体恢复建模应用,利用三维可视化交互技术,以较小的空间复杂度,解决海量点云数据中对象的提取问题。
为实现上述发明目的,本发明采用以下技术方案予以实现:
本发明提供了一种基于三维可视化的交互式点云对象提取方法,它包括以下步骤:
步骤1、获取场站内对象的点云数据,得到原始点云;
步骤2、将原始点云进行交互分割得到对象范围;
步骤3、根据对象范围,将原始点云进行点云简化,得到结果点云。
进一步的,所述步骤1中点云数据的获取方法为三维激光扫描方法。
进一步的,所述步骤2具体为:
步骤21、将原始点云进行三维可视化,得到原始点云的平面视图;
步骤22、在平面视图中,通过交互操作,人工构造可见对象的外包多边形,并将屏幕多边形映射为实际坐标多边形,每个需保留对象的外包多边形构造完成之后,即实现了对象的范围分割。
进一步的,所述步骤21还包括三维对象的位置表示方法,具体为:三维对象自动置于窗口中央,对象的实际位置使用地理坐标标识,表示地理坐标的刻度包括刻度值和刻度线两部分,将刻度线与刻度值组合为一个面对象,通过坐标分量判断对象的位置。
进一步的,所述步骤21中对于大尺寸设备的原始点云先进行抽稀,得到离散原始点云,然后进行三维可视化。
进一步的,所述步骤3具体为:
步骤31、根据外包多边形,从原始点云中提取对象点云数据,进行去拓扑关联,得到对象原始点云;
步骤32、化简对象原始点云,得到对象结果点云。
进一步的,所述提取的方法为每个外包多边形代表一个对象,提取过程中判断点云中每一个点所处的外包多边形,如果该点位于某个外包多边形中,则该点属于此对象。
进一步的,所述化简的方法为有效网格法。
进一步的,所述化简方法包括以下步骤:
将对象空间划分为规则网格,根据对象原始点云分布判定每个网格的有效性,如果某个网格内部包含数据点,则判定该网格为有效网格,否则判定为无效网格;
在垂直与水平方向分别检测相邻网格的有效性,若在任一方向上两侧相邻网格均有效,表明该网格为内部网格,否则为边界网格,将内部网格设为无效网格,边界网格为有效网格;
使用一个数据点表征化简之后的有效网格;
根据需要调整网格大小,以满足精度要求,获得合适的化简结果。
与现有技术相比,本发明的优点和技术效果为:本发明利用场站点云中对象拓扑分离的特点,采用三维可视化以及交互技术,简化了点云对象的分割方法,降低分割难度。本发明提出的有效网格法利用规则网格快速表示点云分布,使用网格索引表示数据点的位置,通过网格有效性来判断和提取特征点,避免建立表达数据点空间分布的空间索引结构,提高检索效率。
附图说明
图1为点云中对象数据分布,其中a为整体点云分布,b为第1部分点云分布,c为第2部分点云分布,d为第3部分点云分布,e为第4部分点云分布;
图2为对象范围分割;
图3为对象点云提取;
图4为点云可视化场景组织;
图5为点云对象的位置表示;
图6为刻度面显隐判断;
图7为交互式划分对象范围,其中a为全景图,b为交互式划分对象范围;
图8为点在多边形内的判定,其中a 为凸多边形,b为凹多边形;
图9为提取后的对象原始点云;
图10为控制点分布,其中a为多边形/多面体,b为圆/球形,c为柱形;
图11为有效网格判定与化简,其中a为网格类型划分,b为有效网格与边界网格判定,c为边界化简;
图12为对象点云化简后效果。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步详细的说明。
实施例1
1场站点云处理
1.1场站点云特点
三维激光扫描技术可以获取场站内所有对象的精准数据,产生的点云数据量非常大,一般通过专业软件处理,并且需要高性能计算机。同时点云数据中既包括场景恢复必需的房屋、油罐、油管等建筑设备,也包括树木、车辆、地面等不必要对象。本实施例中所使用的示例场站点云(即原始点云),覆盖区域大概300m*300m,最低精度为400点/m2,包含点数超过4.1亿。
在数据采集过程中,扫描仪获得的数据受运动路径约束,完整场站数据需要采集多次才能获得。虽然经过校正和匹配,但是在点云数据文件中,数据的先后顺序被没有得到调整,即同一个对象的点数据分布于文件的不同部分,且没有统一规律。
将点云数据按照文件存储顺序分割后,每一部分都涉及到场景中多个区域的对象。如图1所示,a为整体点云,b、c、d、e分别表示数据分割为四部分后各部分中的点云数据,同一对象在多个部分中出现。
1.2对象提取要求
场站模型重建关心站点中的建筑、设备、仪器等,期望大幅度减小数据量,又保证不同尺寸仪器设备的模型精度。大尺寸设备采用低密度数据表示,小尺寸仪器采用高密度数据表示。因此需要根据设备尺寸调整对象点云数据密度。
场站设备不同部件尺寸差别很大,比如油罐上的阀门,大尺度抽稀可能造成小部件丢失。为保证模型准确性,不能从抽稀后的点云数据中提取点云对象,以避免抽稀过程中造成的误差。
每个建筑和设备需要单独建模,因此需要将每个对象分别提取。场站中的树木、车辆等不属于重建内容,需去除此类对象。
2场站点云中对象提取方法
为减少空间需求,本发明针对场站中对象点云的特点,将对象提取分为对象范围分割与对象点云提取两个阶段,采用分治策略解决海量数据的问题。
点云对象提取分为两个阶段:对象范围分割(图2)和对象点云提取(图3)。
2.1对象范围的分割
对象范围分割阶段的目标是依据点云对象之间空间相离的拓扑关系,分离出点云对象的分布范围(外包多边形)。在点云数据中,点云对象之间的关联是地面数据,去除地面点云实现点云对象的拓扑分离。鉴于点云对象的拓扑相离性,对象点云的分布范围只考虑水平分布,不考虑纵向分布。同时,此阶段不需要考虑对象的准确性,为提高效率降低资源需求,先对原始点云进行高度抽稀。
2.1.1、可视化方法降低分割难度
由于点云对象形态复杂,某一对象点云的部分数据可能更接近另一对象,从而导致该部分数据归属于其他点云对象,造成对象范围分割失败。比如管道,在距离聚类过程中,靠近储罐的部分点可能更趋向于成为储罐的一部分。
将离散的原始点云三维可视化后,在其平面视图中能够轻易分辨点云对象的分布。通过人工交互的方式,可以快速圈定对象点云的范围区域,从而实现点云对象的交互分割。尤其对于管道等不规则分布的对象,非常适用。
2.1.2、OSG三维可视化方法
(1)点云可视化
OSG(可视化设计软件)提供了基本的对象组织方式和三维可视化功能,支持点、线、面、体等对象类型。OSG的三维可视化环境以场景树的方式组织,根节点表示整个场景,将点云数据构造成OSG的可视化几何体对象Geometry,作为叶节点挂接到场景树上,即可在三维环境中实现点云对象的可视化。场景中对象组织如图4所示,可视化对象作为一个节点可以独自或者组合成一个整体挂接到根节点,如果需要某种变换则将变换节点作为可视化对象的父节点。
(2)位置表示
在三维可视化环境中,三维对象自动置于窗口中央,对象的实际位置需要使用地理坐标标识,表示地理坐标的刻度本身也是一种可视化对象,包括刻度值和刻度线两部分,如图5所示。为准确表示对象位置,随着视图的放大缩小,刻度的数量和位置应随之变动以适应视图;随着视图的旋转,刻度应随之显隐以避免遮挡。刻度数量和位置的变化可以根据屏幕距离换算,刻度显隐以视点变换为依据。
常规方法使用视点到面的距离来判断刻度显隐,计算量大,本发明将刻度线与刻度值组合为一个面对象,通过坐标分量方便地进行判断,如图6所示。
1)取位于外包盒对角线上的两个顶点A(x1,y1,z1)和B(x2,y2,z2);
2)将视点坐标X(x,y,z)的三维坐标对应的分量映射到一维;
3)刻度面显隐判断:若|x-x1|>|x-x2|则隐藏面④,反之隐藏面③;
若|y-y1|>|y-y2|则隐藏面②,反之隐藏面①;
若|z-z1|>|z-z2|则隐藏面⑥,反之隐藏面⑤。
2.1.3、交互式点云对象范围分割
将场站点云三维可视化之后,通过交互操作,人工构造可见对象的外包多边形,并将屏幕多边形映射为实际坐标多边形。每个需保留对象的外包多边形构造完成之后,即实现了对象的范围分割。未构造外包多边形的对象将被舍弃。
由于空间方向的原因,三维环境交互过程中空间位置难以准确捕获,造成空间外包多边形不准确。通过投影方法,将三维对象转换成二维图形,去除纵向坐标,避免位置获取不准的问题;利用俯视图效果,变相实现投影效果;在俯视图效果下,场景平面与视点垂直,在拾取操作中忽略纵向坐标,只取水平位置坐标,点击屏幕拾取的点正是鼠标指向的点。
将拾取的屏幕坐标映射为实际空间坐标并构建多边形,该多边形即为对象的外包多边形,如图7所示。
2.2对象点云提取
对象点云提取阶段,根据点云对象范围从原始点云中提取对象点云,针对单个点云进行化简,得到最终结果点云。具体为:将原始点云和对象范围相结合,得到对象原始点云,将对象原始点云化简,得到对象结果点云。
2.2.1原始点云数据分割
根据对象外包多边形,从原始点云中提取对象点云数据,进行去拓扑关联,得到对象原始点云,保存为独立数据文件,以供后续使用。每个外包多边形代表一个对象,提取过程中判断点云中每一个点所处的多边形,如果该点位于某个多边形中,则该点属于此对象,记入该对象文件。点在多边形内/外部的判断方法如图8所示。以待判定点为端点作射线,判断射线与多边形的交点个数:如果交点个数为偶数则为外部点(图8中点P),如果为奇数则为内部点(图8中点O),如果点在边线上也是内部点。图9所示为提取后的一个对象原始点云。
2.2.2对象点云化简策略
对象点云化简的基本要求是保留对象特征,即对象特征点不可丢失。在不规则地物的点云化简过程中,特征保持是重点研究内容。原始点云中需保留的对象或者是规则对象,如建筑,或者是由规则部件构成的不规则对象,如油罐。考虑规则对象的模型恢复,化简后得到的对象结果点云只需保证控制点。不同类型对象的控制点分布如图10所示。
1)多边形/多面体对象,控制点是其顶点,即除顶点之外的所有点均可化简;
2)圆/球形对象,所有点都是控制点,根据精度要求,进行均匀化简;
3)柱形对象,其控制点是两端的圆面或者球面,需保证两端的圆形或者球面的精度,柱体上的所有点均可化简。
对象点云化简过程中,特征方向的点保持高密度,非特征方向的点保持低密度甚至只保留端点。考虑到对象点云的排列方向与坐标轴的夹角关系,可降低化简标准,比如将多边形对象点云化简到边界线程度。
鉴于场站对象的形态及其规则性,对象点云中的控制点分布归结为两个方向——垂直方向和水平方向。确定每个对象控制点分布的主方向,非主方向的点进行高度化简,主方向上的点尽量保留。
2.2.3有效网格法简化对象点云
将对象空间划分为规则网格,根据对象点云分布判定每个网格的有效性。如图11a所示,以二维圆形边界为例,在对象分布范围内以指定步长(网格边长)划分规则网格,圆形边界的控制点必落入网格中。如果某个网格内部包含数据点,则判定该网格有效,否则判定为无效网格,如图11b所示,包含点的网格为有效网格。图11a中类型I网格为无效网格,类型II网格为有效网格。
在垂直与水平方向(包括x、y、z三个方向)分别检测相邻网格的有效性,如图11a所示,以二维边界为例,若在任一方向上两侧相邻网格均有效,表明该网格为内部网格,否则为边界网格。如图11b所示,左侧图中三个有效网格均为边界网格,右侧图中5个有效网格,中间网格为内部网格。图11中类型III网格为内部网格,类型IV网格为边界网格。
将内部网格也设为无效网格,只保持边界网格有效。如图11c所示,上图三个有效网格点均为边界网格,化简后保持不变;下图中间有效网格为内部网格,化简后变为无效网格。
使用一个数据点表征化简之后的有效网格,如有效网格内所有点的中值点,数据点数量降为有效网格数量。
根据需要调整网格大小,以满足精度要求,最终获得合适的化简结果。图9中提取的对象原始点云以0.1m网格化简后效果如图12所示,外侧扶梯清晰可见。
本发明利用场站点云中对象拓扑分离的特点,采用三维可视化以及交互技术,简化了点云对象的分割方法,降低分割难度。本发明提出的有效网格法利用规则网格快速表示点云分布,使用网格索引表示数据点的位置,通过网格有效性来判断和提取特征点,避免建立表达数据点空间分布的空间索引结构,提高检索效率。相对于规则对象建模所需的数据点,化简后的数据点数目仍嫌过多,未达到最简,需要进一步优化处理方法。
以上所述实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于三维可视化的交互式点云对象提取方法,其特征在于:它包括以下步骤:
步骤1、获取场站内对象的点云数据,得到原始点云;
步骤2、将原始点云进行交互分割得到对象范围;
步骤3、根据对象范围,将原始点云进行点云简化,得到结果点云。
2.根据权利要求1所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述步骤1中点云数据的获取方法为三维激光扫描方法。
3.根据权利要求1所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述步骤2具体为:
步骤21、将原始点云进行三维可视化,得到原始点云的平面视图;
步骤22、在平面视图中,通过交互操作,人工构造可见对象的外包多边形,并将屏幕多边形映射为实际坐标多边形,每个需保留对象的外包多边形构造完成之后,即实现了对象的范围分割。
4.根据权利要求3所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述步骤21还包括三维对象的位置表示方法,具体为:三维对象自动置于窗口中央,对象的实际位置使用地理坐标标识,表示地理坐标的刻度包括刻度值和刻度线两部分,将刻度线与刻度值组合为一个面对象,通过坐标分量判断对象的位置。
5.根据权利要求3所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述步骤21中对于大尺寸设备的原始点云先进行抽稀,得到离散原始点云,然后进行三维可视化。
6.根据权利要求3所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述步骤3具体为:
步骤31、根据外包多边形,从原始点云中提取对象点云数据,进行去拓扑关联,得到对象原始点云;
步骤32、化简对象原始点云,得到对象结果点云。
7.根据权利要求6所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述提取的方法为每个外包多边形代表一个对象,提取过程中判断点云中每一个点所处的外包多边形,如果该点位于某个外包多边形中,则该点属于此对象。
8.根据权利要求6所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述化简的方法为有效网格法。
9.根据权利要求8所述的基于三维可视化的交互式点云对象提取方法,其特征在于:所述化简方法包括以下步骤:
将对象空间划分为规则网格,根据对象原始点云分布判定每个网格的有效性,如果某个网格内部包含数据点,则判定该网格为有效网格,否则判定为无效网格;
在垂直与水平方向分别检测相邻网格的有效性,若在任一方向上两侧相邻网格均有效,表明该网格为内部网格,否则为边界网格,将内部网格设为无效网格,边界网格为有效网格;
使用一个数据点表征化简之后的有效网格;
根据需要调整网格大小,以满足精度要求,获得合适的化简结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524452.2A CN110322497A (zh) | 2019-06-18 | 2019-06-18 | 一种基于三维可视化的交互式点云对象提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524452.2A CN110322497A (zh) | 2019-06-18 | 2019-06-18 | 一种基于三维可视化的交互式点云对象提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322497A true CN110322497A (zh) | 2019-10-11 |
Family
ID=68119703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524452.2A Pending CN110322497A (zh) | 2019-06-18 | 2019-06-18 | 一种基于三维可视化的交互式点云对象提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322497A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091614A (zh) * | 2019-11-04 | 2020-05-01 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站三维实景模型建立方法及系统 |
CN111694911A (zh) * | 2020-06-03 | 2020-09-22 | 杭州市勘测设计研究院 | 一种在指定范围内生成随机分布点的方法、设备和系统 |
CN112132969A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载激光点云建筑物目标分类方法 |
CN112329789A (zh) * | 2020-10-12 | 2021-02-05 | 广州文远知行科技有限公司 | 点云的提取方法、装置、计算机设备和存储介质 |
CN113190723A (zh) * | 2021-05-19 | 2021-07-30 | 云南电网有限责任公司电力科学研究院 | 一种基于网格化的点云数据检索方法 |
CN115222806A (zh) * | 2022-09-20 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 多边形处理方法、装置、设备及计算机可读存储介质 |
CN116977230A (zh) * | 2023-09-22 | 2023-10-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种扫描电子显微镜图像优化增强方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489224A (zh) * | 2013-10-12 | 2014-01-01 | 厦门大学 | 一种交互式三维点云颜色编辑方法 |
-
2019
- 2019-06-18 CN CN201910524452.2A patent/CN110322497A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489224A (zh) * | 2013-10-12 | 2014-01-01 | 厦门大学 | 一种交互式三维点云颜色编辑方法 |
Non-Patent Citations (1)
Title |
---|
傅敏 等: "三维环境下交互式点云对象提取方法", 《计算机工程与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091614A (zh) * | 2019-11-04 | 2020-05-01 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站三维实景模型建立方法及系统 |
CN111091614B (zh) * | 2019-11-04 | 2023-09-15 | 国网内蒙古东部电力有限公司检修分公司 | 一种变电站三维实景模型建立方法及系统 |
CN111694911A (zh) * | 2020-06-03 | 2020-09-22 | 杭州市勘测设计研究院 | 一种在指定范围内生成随机分布点的方法、设备和系统 |
CN112132969A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载激光点云建筑物目标分类方法 |
CN112132969B (zh) * | 2020-09-01 | 2023-10-10 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载激光点云建筑物目标分类方法 |
CN112329789A (zh) * | 2020-10-12 | 2021-02-05 | 广州文远知行科技有限公司 | 点云的提取方法、装置、计算机设备和存储介质 |
CN113190723A (zh) * | 2021-05-19 | 2021-07-30 | 云南电网有限责任公司电力科学研究院 | 一种基于网格化的点云数据检索方法 |
CN115222806A (zh) * | 2022-09-20 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 多边形处理方法、装置、设备及计算机可读存储介质 |
CN115222806B (zh) * | 2022-09-20 | 2022-12-09 | 腾讯科技(深圳)有限公司 | 多边形处理方法、装置、设备及计算机可读存储介质 |
CN116977230A (zh) * | 2023-09-22 | 2023-10-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种扫描电子显微镜图像优化增强方法 |
CN116977230B (zh) * | 2023-09-22 | 2024-01-02 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种扫描电子显微镜图像优化增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322497A (zh) | 一种基于三维可视化的交互式点云对象提取方法 | |
Wu et al. | An accurate skeleton extraction approach from 3D point clouds of maize plants | |
CN109145366B (zh) | 基于Web3D的建筑信息模型轻量级可视化方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN106815847B (zh) | 基于激光雷达点云的树木分割方法及单棵树提取方法 | |
CN111612896B (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
LU102117B1 (en) | Method and system for measuring mountain view visible area in city | |
CN103871100B (zh) | 基于点云与数据驱动的树木模型重建方法 | |
CN104778744B (zh) | 基于Lidar数据的大规模三维森林可视化场景建立方法 | |
CN103258345A (zh) | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 | |
Jin et al. | A point-based fully convolutional neural network for airborne LiDAR ground point filtering in forested environments | |
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 | |
CN102708587A (zh) | 一种快速获取三维建筑信息的方法及系统 | |
CN114926602B (zh) | 基于三维点云的建筑物单体化方法及系统 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN103530411A (zh) | 植物三维模型数据库的构建方法 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN115018982A (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
CN113628339A (zh) | 一种基于局部保留投影的断层片提取方法 | |
Huang et al. | A 3D individual tree modeling technique based on terrestrial LiDAR point cloud data | |
CN102800125B (zh) | 一种支持套索的大规模点云选择方法 | |
Zhou | 3D urban modeling from city-scale aerial LiDAR data | |
CN111915720A (zh) | 一种建筑物Mesh模型到CityGML模型的自动转换方法 | |
Xie et al. | Geometric Modeling of Rosa roxburghii Fruit Based on Three‐Dimensional Point Cloud Reconstruction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |