CN110910462A - 一种基于特征计算的点云轻量化方法及存储介质 - Google Patents
一种基于特征计算的点云轻量化方法及存储介质 Download PDFInfo
- Publication number
- CN110910462A CN110910462A CN201910972829.0A CN201910972829A CN110910462A CN 110910462 A CN110910462 A CN 110910462A CN 201910972829 A CN201910972829 A CN 201910972829A CN 110910462 A CN110910462 A CN 110910462A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- leaf node
- data
- point
- node
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/40—Tree coding, e.g. quadtree, octree
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于特征计算的点云轻量化方法及存储介质,该方法包括以下步骤:根据源数据在X、Y、Z轴上的区间范围以及深度参数构建八叉树;将八叉树的底层的叶子节点加入到叶子节点队列中;设置计数器C=8,访问队列中的首节点,访问操作为:获取当前节点的数据并将该节点删除,对数据进行特征计算,按预设比例删除非特征点并保存结果文件,并令C=C‑1;判断C是否小于或等于1;若是,则将C重置为8并将其父节点加入队列的末位,然后继续访问下一个节点;以此循环直至队列为空。该方法基于特征计算对各个节点的数据进行轻量化,通过大量的几何运算找到了点云模型的特征点,按比例删除非特征点,这样既减少了数据量,又保持了模型的特征。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于特征计算的点云轻量化方法及存储介质。
背景技术
点云数据由三维激光等硬件设备采集,基本上属于未经过处理的原始数据。原始点云往往具有数据量大,没有拓扑结构的特点。大数据量的问题会造成使用点云的终端因为耗尽内存而变得缓慢和卡顿,所以在使用点云数据之前,需要对数据进行轻量化。与此同时,由于轻量化的本质是数据点的删除,而点云自身没有拓扑结构,也就是点与点之间是离散的,没有任何直接关系,这一特征给制定轻量化策略带来了很大的困难。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于特征计算的点云轻量化方法,其使用八叉树数据结构对数据作不同细节层级的空间分块,自底向上遍历八叉树所有节点,基于特征计算逐一对各个节点的数据进行轻量化,通过大量的几何运算找到了点云模型的特征点,按比例删除非特征点,这样既减少了数据量,又保持了模型的特征。
本发明的目的之二在于提供一种计算机可读存储介质,该存储介质中的程序运行时,能实现使用八叉树数据结构对数据作不同细节层级的空间分块,自底向上遍历八叉树所有节点,基于特征计算逐一对各个节点的数据进行轻量化,通过大量的几何运算找到了点云模型的特征点,按比例删除非特征点,这样既减少了数据量,又保持了模型的特征。
本发明的目的之一采用如下技术方案实现:
一种基于特征计算的点云轻量化方法,包括以下步骤:
建立八叉树和叶子节点队列步骤:
根据点云源数据在X、Y、Z轴上的区间范围以及预设深度参数构建八叉树,每个节点都存储了一个X、Y、Z轴的数据区间,其中,该八叉树的根节点的数据区间为点云源数据在X、Y、Z轴上的总区间,八个子节点的数据区间叠加构成对应的父节点的数据区间;
建立叶子节点队列,将所构建的八叉树的底层的叶子节点加入到所述叶子节点队列中;
八叉树节点遍历步骤:
设置计数器C并初始化为8,访问所述叶子节点队列中的第一个叶子节点,其中,访问操作为:获取当前所访问叶子节点的数据区间所对应的点云数据并将该叶子节点从所述叶子节点队列中删除,对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点并保存结果文件,并令所述计数器C=C-1;
判断所述计数器C是否小于或等于1;
若是,则将所述计数器C重置为8并将该节点的父节点加入所述叶子节点队列的末位,然后继续访问所述叶子节点队列的下一个叶子节点;
若否,则判断所述叶子节点队列是否为空;若否,则继续访问所述叶子节点队列的下一个叶子节点;若是,则结束流程。
进一步地,所述获取当前所访问叶子节点的数据区间所对应的点云数据具体为:
判断当前所访问的叶子节点是否具有子节点;若是,则通过读取当前所访问的叶子节点的子节点的过程临时数据文件来获取当前所访问的叶子节点的点云数据;若否,则根据当前所访问的叶子节点的数据区间从点云源数据中获取对应的点云数据。
进一步地,所述对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点具体为:
计算该叶子节点的点云数据中各个点的曲率,按照曲率的大小对所有点进行排序并按照特征的强弱程度将所有点划分为若干个集合;
确定筛选阈值、精简比率以及轻量化距离阈值;
判断该叶子节点的点云数据中的各个点的曲率是否大于所述筛选阈值;
若是,则保留该点;若否,则计算该点与若干个邻近点的平均距离,判断所述平均距离是否小于所述轻量化距离阈值且该点的曲率是否小于所述筛选阈值的β倍,所述β的取值根据视觉效果要求来确定且小于1;
当所述平均距离小于所述轻量化距离阈值且该点的曲率小于所述筛选阈值的β倍时,删除该点;否则保留该点。
进一步地,所述筛选阈值由下面公式计算得出:
其中,ρ为筛选阈值,α为调节因子,N为点的总数,δ(Pi)为第i个点的曲率。
进一步地,所述精简比率由下面公式计算得出:
其中,R为精简比率,NumQ1为当前点的若干个邻近点中属于第1个集合中的个数,NumQ2为当前点的若干个邻近点中属于第2个集合中的个数,NumQn为当前点的若干个邻近点中属于第n个集合中的个数,μ1、μ2及μn为权重系数。
进一步地,所述轻量化距离阈值由下面公式计算得出:
其中,disP为轻量化距离阈值,dis的取值根据点云密度以及视觉效果要求来确定。
进一步地,所述β取值为0.3。
进一步地,所述曲率由下面公式计算得出:
其中,δ(Pi)为第i个点的曲率,λ0、λ1、λ2为协方差矩阵M3x3的特征值,分别表示点云数据在X、Y、Z方向的变化程度。
进一步地,所述按照特征的强弱程度将所有点划分为若干个集合具体为:按照特征的强弱程度将所有点划分为三个集合,分别为:弱特征集合、中等特征集合以及强特征集合。
本发明的目的之二采用如下技术方案实现:
一种计算机可读存储介质,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现如上所述的基于特征计算的点云轻量化方法。
相比现有技术,本发明的有益效果在于:
该基于特征计算的点云轻量化方法通过使用八叉树数据结构对数据作不同细节层级的空间分块,自底向上遍历八叉树所有节点,基于特征计算逐一对各个节点的数据进行轻量化,通过大量的几何运算找到了点云模型的特征点,按比例删除非特征点,这样既减少了数据量,又保持了模型的特征。
附图说明
图1为本发明提供的一种基于特征计算的点云轻量化方法的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1,一种基于特征计算的点云轻量化方法,包括以下步骤:
建立八叉树和叶子节点队列步骤:
S1、根据点云源数据在X、Y、Z轴上的区间范围以及预设深度参数构建八叉树,每个节点都存储了一个X、Y、Z轴的数据区间,其中,该八叉树的根节点的数据区间为点云源数据在X、Y、Z轴上的总区间,八个子节点的数据区间叠加构成对应的父节点的数据区间;
S2、建立叶子节点队列,将所构建的八叉树的底层的叶子节点加入到所述叶子节点队列中;
八叉树节点遍历步骤:
S3、设置计数器C并初始化为8,访问所述叶子节点队列中的第一个叶子节点,其中,访问操作为:获取当前所访问叶子节点的数据区间所对应的点云数据并将该叶子节点从所述叶子节点队列中删除,对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点并保存结果文件(结果文件会保存至八叉树对应的节点位置处)和过程临时数据文件,过程临时数据文件经过了高倍的压缩,并令所述计数器C=C-1;
S4、判断所述计数器C是否小于或等于1;
S5、若是,则将所述计数器C重置为8并将该节点的父节点加入所述叶子节点队列的末位,然后继续访问所述叶子节点队列的下一个叶子节点;
S6、若否,则判断所述叶子节点队列是否为空;若否,则继续访问所述叶子节点队列的下一个叶子节点;若是,则结束流程。
该基于特征计算的点云轻量化方法通过使用八叉树数据结构对数据作不同细节层级的空间分块,自底向上遍历八叉树所有节点,基于特征计算逐一对各个节点的数据进行轻量化,通过大量的几何运算找到了点云模型的特征点,按比例删除非特征点,这样既减少了数据量,又保持了模型的特征。
构建八叉树的具体过程为:使用mmap内存文件映射打开数据文件,计算源数据在x,y,z方向的最大最小值,[x_min_r,x_max_r],[y_min_r,y_max_r],[z_min_r,z_max_r],将它们作为根节点信息,根节点没有父节点,但是有八个子节点;根据用户输入的八叉树的深度参数depth,通过计算中心点的方式递归生成所有子节点。具体为:把这些数据区间范围都除以2,就可以将数据分为8个空间,所以根节点有了8个子节点,这8个子节点算做1层,这8个空间也有各自的x,y,z方向上的取值范围,所以8个空间各自可以继续细分,到达下一层8x8=64个子节点,这64个子节点算做2层,以此类推,直到层数到达预定的depth。
此时每个节点都包含各自的数据区间[x_min_ni,x_max_ni],[y_min_ni,y_max_ni],[z_min_ni,z_max_ni],i可看做第i个八叉树节点,另外,每个节点还包含一个父节点关系和八个子节点关系。
作为一种优选的实施方式,所述获取当前所访问叶子节点的数据区间所对应的点云数据具体为:
判断当前所访问的叶子节点是否具有子节点;若是,则通过读取当前所访问的叶子节点的子节点的结果文件或者过程临时数据文件来获取当前所访问的叶子节点的点云数据;若否,则根据当前所访问的叶子节点的数据区间从点云源数据中获取对应的点云数据。
作为一种优选的实施方式,所述对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点具体为:
计算该叶子节点的点云数据中各个点的曲率,按照曲率的大小对所有点进行排序并按照特征的强弱程度将所有点划分为若干个集合;判断一个点是否是特征点,由曲面的弯曲程度决定,处于特征明显地段的点的曲面变化率大,相反处于特征不明显的地方的点的曲面变化率小);
确定筛选阈值、精简比率以及轻量化距离阈值;
判断该叶子节点的点云数据中的各个点的曲率是否大于所述筛选阈值;
若是,则保留该点;若否,则计算该点与若干个邻近点的平均距离,判断所述平均距离是否小于所述轻量化距离阈值且该点的曲率是否小于所述筛选阈值的β倍,所述β的取值根据视觉效果要求来确定且小于1,在本实施例中,β=0.3,需要说明的是,β越大,P点保留的可能越大;
当所述平均距离小于所述轻量化距离阈值且该点的曲率小于所述筛选阈值的β倍时,删除该点;否则保留该点。
作为一种优选的实施方式,所述筛选阈值由下面公式计算得出:
其中,ρ为筛选阈值;α为调节因子,这个值越小,标记为特征点的点越多,记为特征点的点都为保留点,不作删除;N为点的总数;δ(Pi)为第i个点的曲率。
作为一种优选的实施方式,所述精简比率由下面公式计算得出:
其中,R为精简比率,NumQ1为当前点的若干个邻近点中属于第1个集合中的个数,NumQ2为当前点的若干个邻近点中属于第2个集合中的个数,NumQn为当前点的若干个邻近点中属于第n个集合中的个数,μ1、μ2及μn为权重系数。
在本实施例中,按照特征的强弱程度将所有点划分为三个集合,分别为:弱特征集合、中等特征集合以及强特征集合,因此,精简比率具体为:
其中,μ1=0.9,μ2=0.6,μ3=0.3。R的值越大,说明P的周围,作为强特征的点的数量很少,也就是平坦的情况,则该点保留的可能性变大,相反,R的值越小,说明P的周围强特征点很多,则保留点P的可能性变小。
作为一种优选的实施方式,所述轻量化距离阈值由下面公式计算得出:
其中,disP为轻量化距离阈值,dis的取值根据点云密度以及视觉效果要求来确定,如果点云密度比较大的话,点可以删除多一点,所以dis可以设置大一些,具体值看视觉效果,在本实施例中,其设置为2.5。
作为一种优选的实施方式,所述曲率由下面公式计算得出:
其中,δ(Pi)为第i个点的曲率,λ0、λ1、λ2为协方差矩阵M3x3的特征值,分别表示点云数据在X、Y、Z方向的变化程度。
协方差矩阵M3x3如下:
本发明依然采用计算机视觉领域目前主流的LOD显示方法,使用八叉树数据结构对数据作不同细节层级的空间分块,使得终端可以在不同的视角下加载不同的数据块,同时释放相反视角下的数据,避免了一次性加载所有的数据。与此同时,八叉树使初始分割可以更加均匀,让每一次的数据块加载时间差距不会很大。
此外,采用了自底向上的遍历算法,最底层的节点先分配密度最大但是数量最少的点云,然后轻量化。父节点再利用其所有子节点的结果数据作为自己的对应数据,然后进一步轻量化。这样有两方面的好处:一方面是原数据只在八叉树最底层使用一次,而父节点利用的是子节点轻量化后的临时结果数据,使用完临时数据文件会被删除,只保留结果文件,这样使得整个算法运算过程用到的数据量大大减少,提高了整体算法的消耗。另一方面,出于对人眼在观察事物时的现实情况考虑,越靠近物体,看到的数据范围越小,但是看到的细节更多。所谓的细节在点云中指的就是数据密度,这样的优化刚好满足这一现实情况。
此外,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现如上所述的基于特征计算的点云轻量化方法。
该计算机可读存储介质存储有计算机程序,本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在该计算机存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机存储介质不包括电载波信号和电信信号。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于特征计算的点云轻量化方法,其特征在于,包括以下步骤:
建立八叉树和叶子节点队列步骤:
根据点云源数据在X、Y、Z轴上的区间范围以及预设深度参数构建八叉树,每个节点都存储了一个X、Y、Z轴的数据区间,其中,该八叉树的根节点的数据区间为点云源数据在X、Y、Z轴上的总区间,八个子节点的数据区间叠加构成对应的父节点的数据区间;
建立叶子节点队列,将所构建的八叉树的底层的叶子节点加入到所述叶子节点队列中;
八叉树节点遍历步骤:
设置计数器C并初始化为8,访问所述叶子节点队列中的第一个叶子节点,其中,访问操作为:获取当前所访问叶子节点的数据区间所对应的点云数据并将该叶子节点从所述叶子节点队列中删除,对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点并保存结果文件,并令所述计数器C=C-1;
判断所述计数器C是否小于或等于1;
若是,则将所述计数器C重置为8并将该节点的父节点加入所述叶子节点队列的末位,然后继续访问所述叶子节点队列的下一个叶子节点;
若否,则判断所述叶子节点队列是否为空;若否,则继续访问所述叶子节点队列的下一个叶子节点;若是,则结束流程。
2.如权利要求1所述的基于特征计算的点云轻量化方法,其特征在于,所述获取当前所访问叶子节点的数据区间所对应的点云数据具体为:
判断当前所访问的叶子节点是否具有子节点;若是,则通过读取当前所访问的叶子节点的子节点的过程临时数据文件来获取当前所访问的叶子节点的点云数据;若否,则根据当前所访问的叶子节点的数据区间从点云源数据中获取对应的点云数据。
3.如权利要求1所述的基于特征计算的点云轻量化方法,其特征在于,所述对该叶子节点的点云数据进行特征计算,按预设比例删除非特征点具体为:
计算该叶子节点的点云数据中各个点的曲率,按照曲率的大小对所有点进行排序并按照特征的强弱程度将所有点划分为若干个集合;
确定筛选阈值、精简比率以及轻量化距离阈值;
判断该叶子节点的点云数据中的各个点的曲率是否大于所述筛选阈值;
若是,则保留该点;若否,则计算该点与若干个邻近点的平均距离,判断所述平均距离是否小于所述轻量化距离阈值且该点的曲率是否小于所述筛选阈值的β倍,所述β的取值根据视觉效果要求来确定且小于1;
当所述平均距离小于所述轻量化距离阈值且该点的曲率小于所述筛选阈值的β倍时,删除该点;否则保留该点。
7.如权利要求3所述的基于特征计算的点云轻量化方法,其特征在于,所述β取值为0.3。
9.如权利要求3所述的基于特征计算的点云轻量化方法,其特征在于,所述按照特征的强弱程度将所有点划分为若干个集合具体为:按照特征的强弱程度将所有点划分为三个集合,分别为:弱特征集合、中等特征集合以及强特征集合。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现如权利要求1至9任一项所述的基于特征计算的点云轻量化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972829.0A CN110910462B (zh) | 2019-10-14 | 2019-10-14 | 一种基于特征计算的点云轻量化方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972829.0A CN110910462B (zh) | 2019-10-14 | 2019-10-14 | 一种基于特征计算的点云轻量化方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910462A true CN110910462A (zh) | 2020-03-24 |
CN110910462B CN110910462B (zh) | 2023-05-23 |
Family
ID=69815469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972829.0A Active CN110910462B (zh) | 2019-10-14 | 2019-10-14 | 一种基于特征计算的点云轻量化方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910462B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102467A (zh) * | 2020-07-22 | 2020-12-18 | 深圳市菲森科技有限公司 | 一种基于gpu的并行八叉树生成、装置及电子设备 |
CN113282456A (zh) * | 2021-05-24 | 2021-08-20 | 北京京东振世信息技术有限公司 | 一种数据处理方法和装置 |
CN115984147A (zh) * | 2023-03-17 | 2023-04-18 | 汉斯夫(杭州)医学科技有限公司 | 基于齿科扫描仪点云自适应处理方法、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407408A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种海量点云数据的空间索引构建方法及装置 |
CN107798721A (zh) * | 2016-08-31 | 2018-03-13 | 北京四维图新科技股份有限公司 | 一种点云数据的处理方法及装置和点云渲染方法及装置 |
US20190236403A1 (en) * | 2018-01-31 | 2019-08-01 | Analytical Graphics, Inc. | Systems and Methods for Converting Massive Point Cloud Datasets to a Hierarchical Storage Format |
-
2019
- 2019-10-14 CN CN201910972829.0A patent/CN110910462B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798721A (zh) * | 2016-08-31 | 2018-03-13 | 北京四维图新科技股份有限公司 | 一种点云数据的处理方法及装置和点云渲染方法及装置 |
CN106407408A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种海量点云数据的空间索引构建方法及装置 |
US20190236403A1 (en) * | 2018-01-31 | 2019-08-01 | Analytical Graphics, Inc. | Systems and Methods for Converting Massive Point Cloud Datasets to a Hierarchical Storage Format |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102467A (zh) * | 2020-07-22 | 2020-12-18 | 深圳市菲森科技有限公司 | 一种基于gpu的并行八叉树生成、装置及电子设备 |
CN112102467B (zh) * | 2020-07-22 | 2024-05-24 | 深圳市菲森科技有限公司 | 一种基于gpu的并行八叉树生成、装置及电子设备 |
CN113282456A (zh) * | 2021-05-24 | 2021-08-20 | 北京京东振世信息技术有限公司 | 一种数据处理方法和装置 |
CN113282456B (zh) * | 2021-05-24 | 2023-09-22 | 北京京东振世信息技术有限公司 | 一种数据处理方法和装置 |
CN115984147A (zh) * | 2023-03-17 | 2023-04-18 | 汉斯夫(杭州)医学科技有限公司 | 基于齿科扫描仪点云自适应处理方法、设备及介质 |
CN115984147B (zh) * | 2023-03-17 | 2023-09-15 | 汉斯夫(杭州)医学科技有限公司 | 基于齿科扫描仪点云自适应处理方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110910462B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910462A (zh) | 一种基于特征计算的点云轻量化方法及存储介质 | |
CN112308974B (zh) | 一种改进八叉树和自适应读取的大规模点云可视化方法 | |
US9959670B2 (en) | Method for rendering terrain | |
CN102663237B (zh) | 基于网格分块与移动最小二乘的点云数据全自动滤波方法 | |
WO2019019680A1 (zh) | 一种基于kd树和优化图变换的点云属性压缩方法 | |
CN105844602B (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN111462318B (zh) | 一种基于视点互信息的三维树木模型实时简化方法 | |
CN108648277B (zh) | 一种激光雷达点云数据的快速重建方法 | |
US11532123B2 (en) | Method for visualizing large-scale point cloud based on normal | |
CN112509118B (zh) | 一种可预加载节点和自适应填充的大规模点云可视化方法 | |
CN112991529B (zh) | 一种利用三角形进行地图网格化的划分算法 | |
Lee | A minimum description length-based image segmentation procedure, and its comparison with a cross-validation-based segmentation procedure | |
CN104183021B (zh) | 一种利用可移动空间网格精简点云数据的方法 | |
US20240062469A1 (en) | Data processing method, apparatus, device, and medium | |
KR100695156B1 (ko) | 객체의 그래픽 이미지를 변환하는 방법 및 장치 | |
CN111553986B (zh) | 三角网的构建方法、构建装置和数字表面模型的生成方法 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN110942504B (zh) | 一种众核平台上面向规则网格问题的结构化着色方法 | |
CN115953541B (zh) | 一种四叉树lod地形生成方法、装置、设备及存储介质 | |
CN109359224B (zh) | 一种材质的数据处理方法、装置、电子设备及存储介质 | |
CN109035405B (zh) | 一种基于预测-校正模型的网格简化方法 | |
CN116452735A (zh) | 基于八叉树的数据处理方法、装置及计算机可读存储介质 | |
CN113470177A (zh) | 一种gis系统中三维模型几何自适应简化方法 | |
CN107507276B (zh) | 用于任意方向的岩心切片显示的三维数字岩心存储方法 | |
CN114926597A (zh) | 一种兵棋地图的道路要素建模方法及系统 |
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 |