CN113781631A - 一种海量点云数据处理与可视化方法及系统 - Google Patents
一种海量点云数据处理与可视化方法及系统 Download PDFInfo
- Publication number
- CN113781631A CN113781631A CN202110928175.9A CN202110928175A CN113781631A CN 113781631 A CN113781631 A CN 113781631A CN 202110928175 A CN202110928175 A CN 202110928175A CN 113781631 A CN113781631 A CN 113781631A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- block
- processing
- cloud data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009877 rendering Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007794 visualization technique Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
Abstract
本发明涉及点云数据处理技术领域，特别是一种海量点云数据处理与可视化方法及系统，其不同之处在于，包括以下步骤：S1、获取数据：获取具有平铺特性的点云数据文件；S2、数据分块：对所述点云数据根据设定瓦片容量进行四叉树划分，得到多个块数据；S3、数据抽稀：对划分后的不同块数据进行保持地物形态的抽稀处理；S4、节点合并：将经过抽稀处理得到的块数据进行节点逆向合并；S5、对抽稀合并后的块数据建立级联关系，构建LOD细节层次模型；S6、构建索引文件：对块数据进行高效压缩，构建缓存顶级数据索引文件；S7、可视化渲染。本发明解决了海量点云数据加载速度慢、耗时长和内存不足等问题，提高了显示效率和显示效果。
Description
技术领域
本发明涉及点云数据处理技术领域，特别是一种海量点云数据处理与可视化方法及系统。
背景技术
随着目标场景的不断增大和场景复杂度的不断升高，获得的数据量也不断增长，这对传统点云数据处理与可视化算法提出了新的挑战。目前针对小数据量的点云数据显示效果比较流畅，而当点云数据较大时，加载文件显示帧数比较低，不仅需要漫长的等待时间同时软件还会出现卡顿现象。因此，如何高效处理海量点云数据并在系统中快速显示成为目前急需解决的问题。
目前存在的一些海量点云数据的处理与显示方法，在地块划分方式上采用估算的方式，不能准确确定缓存文件的切分块数，其在数据划分和抽稀方式上均有待改进。
鉴于此，为克服上述技术缺陷，提供一种海量点云数据处理与可视化方法成为本领域亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种海量点云数据处理与可视化方法及系统，解决了海量点云数据加载速度慢、耗时长和内存不足等问题，提高了显示效率和显示效果。
为解决以上技术问题，本发明的技术方案为：一种海量点云数据处理与可视化方法，其不同之处在于，包括以下步骤：
S1、获取数据：获取具有平铺特性的点云数据文件；
S2、数据分块：对所述点云数据根据设定瓦片容量进行四叉树划分，得到多个块数据；
S3、数据抽稀：对划分后的不同块数据进行保持地物形态的抽稀处理；
S4、节点合并：将经过抽稀处理得到的块数据进行节点逆向合并；
S5、构建LOD细节层次模型：对抽稀合并后的块数据建立级联关系，构建LOD细节层次模型；
S6、构建索引文件：对块数据进行高效压缩，构建缓存顶级数据索引文件；
S7、可视化渲染：对点云缓存数据进行可视化渲染。
按以上技术方案，所述步骤S2数据分块中，进行四叉树划分时，具体包括以下子步骤：
S21、定义瓦片容量为TileCapacitySize，根据瓦片容量TileCapacitySize确定切割深度Depth，初始深度为0；
S22、MaxY、MinY为当前块的Y方向最大、最小值，MaxX、MinX为当前块X方向最大、最小值，定义点云要素大小为PointFeatureSize，设定划分到最精细一个缓存文件的数据量为CacheFileSize，首先计算TileCapacitySize＝CacheFileSize*1024^2/PointFeatureSize，再通过当前块最大最小范围计算当前块点要素数量PointFeatureSum，如果PointFeatureSum大于TileCapacitySize，则在X、Y方向上各切割一次，此时Depth加1；
S23、切割后的块继续进行步骤S22，依此循环，至PointFeatureSum小于等于TileCapacitySize为止，此时四叉树结构创建完成。
按以上技术方案，所述步骤S3数据抽稀具体包括以下子步骤：
S31、设当前块点云总数量为AllPointFeatureSum，MaxY、MinY为当前块的Y方向最大最小值，MaxX、MinX为当前块X方向最大最小值，设当前块抽稀后剩余点云数量为ResiduePointFeatureSum；
S32、将当前块按照XY方向范围比例切分,最终X方向切分块数XBlockSum为：ResiduePointFeatureSum*(MaxX-MinX)/(MaxX-MinX+MaxY-MinY)，最终Y方向切分块数YBlockSum为：ResiduePointFeatureSum*(MaxY-MinY)/(MaxX-MinX+MaxY-MinY)；
S33、在所有的XBlockSum*YBlockSum块中，计算每块的中心点位置，将当前块中所有点按照与中心点的距离由近及远进行排序得到有序点集；
S34、取点集的第一个点，最后当前块抽稀后剩余点数为XBlockSum*YBlockSum，其中，XBlockSum*YBlockSum<＝ResiduePointFeatureSum。
按以上技术方案，所述步骤S4节点合并具体包括：
S41、从四叉树中深度最大层开始，采用每4个子节点块数据合并成1个的方式，保持四叉树中每一个节点挂接的块文件点云数量N恒定；
S42、从每一个子节点块文件中提取N/4的数据量合并到上一级父节点块文件中，直至到最上层第一级的父节点结束。
按以上技术方案，所述步骤S7可视化渲染中的渲染方式包括分页调度、视锥体裁剪、像素裁剪、距离裁剪、遮挡剔除。
按以上技术方案，所述遮挡剔除的渲染方式，在场景渲染的一帧中进行两次绘制：
第一次绘制中首先将相机可见的物体与相机距离由近及远进行排序，剔除透明物体，生成有序队列，取队列中满足设定条件的物体渲染到一张深度图；
第二次绘制到窗口，将相机可见的物体利用第一次绘制好的深度图作为依据剔除被遮挡的物体。
按以上技术方案，所述第一次绘制中，队列最大索引为MaxIndex，根据设定的距离因子DistanceFactor和队列最大索引MaxIndex相乘，取队列中0至DistanceFactor*MaxIndex-1索引的物体通过RTT技术渲染到一张深度图。
一种海量点云数据处理与可视化系统，其不同之处在于：其包括
数据获取模块，用于获取具有平铺特性的点云数据文件；
数据分块模块，用于对所述点云数据根据设定瓦片容量进行四叉树划分，得到多个块数据；
数据抽稀模块，用于对划分后的不同块数据进行保持地物形态的抽稀处理；
节点合并模块，用于将经过抽稀处理得到的块数据进行节点逆向合并；
构建模型模块，用于对抽稀合并后的块数据建立级联关系，构建LOD细节层次模型；
构建索引文件模块，用于对块数据进行高效压缩，构建缓存顶级数据索引文件；
可视化渲染模块，用于对点云缓存数据进行可视化渲染。
一种计算机可读介质，其上存储有计算机程序，所述程序在被处理器执行时用于实现如上述技术方案中所述的方法。
一种电子设备，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序，所述一个或多个程序在被所述一个或多个处理器执行时用于实现如上述技术方案中所述的方法。
与现有技术相比，本发明具有以下有益效果：
本发明利用四叉树原理，对原始海量点云数据文件进行划分、抽稀、节点合并等处理，并结合多种渲染裁剪技术，解决了海量点云数据加载速度慢、耗时长、内存不足、渲染效果不佳等问题，提高了显示效率和显示效果；
本发明所采用的方式在保证海量点云高速渲染的同时还保证了原始地物的真实形态、保证了每一块点云文件大小恒定，实现了客户端点云渲染平滑。本方法有以下几个独特优点：
1、根据设定瓦片容量来划分块数据构建四叉树金字塔的方式，进一步细分了最精细层的缓存文件块数量，并确定了最精细层每一块的文件点云数量，进而确定了最精细层每一块的文件大小；
2、采用了保持地物形态的抽稀算法，可保证点云整体显示效果贴合真实地物；
3、结合瓦片容量来划分块数据构建四叉树金字塔的方式，同时采用节点逆向合并，保证了四叉树中所有深度的所有节点挂接的点云数据大小恒定，小于等于最精细层每一块的文件大小，这样的方式保证了整体点云每块数据的网络传输速率恒定，进而保证了点云数据整体渲染效果平滑；
4、运用分页调度、距离裁剪、像素裁剪、视锥体裁剪、遮挡剔除等技术，尤其是其中独特的遮挡剔除技术，通过在场景渲染一帧中进行两次绘制，大大提高了显示效率。
附图说明
图1为本发明实施例的流程示意图；
图2为本发明实施例四叉树点云缓存顶级显示效果图；
图3为本发明实施例四叉树点云缓存子级显示效果图；
图4为本发明实施例的根据瓦片容量确定划分深度流程图；
图5为本发明实施例的保持地物形态的抽稀算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在下文中，将参考附图来更好地理解本发明的许多方面。附图中的部件未必按照比例绘制。替代地，重点在于清楚地说明本发明的部件。此外，在附图中的若干视图中，相同的附图标记指示相对应零件。
如本文所用的词语“示例性”或“说明性”表示用作示例、例子或说明。在本文中描述为“示例性”或“说明性”的任何实施方式未必理解为相对于其它实施方式是优选的或有利的。下文所描述的所有实施方式是示例性实施方式，提供这些示例性实施方式是为了使得本领域技术人员做出和使用本公开的实施例并且预期并不限制本公开的范围，本公开的范围由权利要求限定。在其它实施方式中，详细地描述了熟知的特征和方法以便不混淆本发明。出于本文描述的目的，术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”和其衍生词将与如图1定向的发明有关。而且，并无意图受到前文的技术领域、背景技术、发明内容或下文的详细描述中给出的任何明示或暗示的理论限制。还应了解在附图中示出和在下文的说明书中描述的具体装置和过程是在所附权利要求中限定的发明构思的简单示例性实施例。因此，与本文所公开的实施例相关的具体尺寸和其他物理特征不应被理解为限制性的，除非权利要求书另作明确地陈述。
请参阅图1至图5，本发明公开了一种海量点云数据处理与可视化方法，其不同之处在于，包括以下步骤：
1、获取数据
获取具有平铺特性的点云数据文件。
2、数据分块
根据瓦片容量进行四叉树划分，其点云在生成缓存时均应遵循一个大致规则，如下：
定义瓦片容量为TileCapacitySize，根据瓦片容量TileCapacitySize确定切割深度Depth,初始深度为0，具体如下：
1)MaxY、MinY为当前块的Y方向最大最小值，MaxX、MinX为当前块X方向最大最小值，定义点云要素大小为PointFeatureSize，设定划分到最精细一个缓存文件的数据量为CacheFileSize，首先计算TileCapacitySize＝CacheFileSize*1024^2/PointFeatureSize，再通过当前块最大最小范围计算当前块点要素数量PointFeatureSum，如果PointFeatureSum大于TileCapacitySize，则在X、Y方向上各切割一次，此时Depth加1；
2)切割后的块继续进行步骤1)，依此循环，PointFeatureSum小于等于TileCapacitySize为止，此时四叉树结构创建完成。
示例性的，瓦片容量为5万，依据算法确定其划分深度为4。
3、数据抽稀
与随机抽取方式不同的是，本发明针对划分后的不同块数据采用了保持地物形态的抽稀算法。根据算法对块数据进行划分，再从划分出来的所有块中，通过计算每块的中心点位置，从划分的每一块中各抽取出一个点，从而保持了真实的地物形态。其具体遵循的规则如下：
设当前块点云总数量为AllPointFeatureSum，MaxY、MinY为当前块的Y方向最大最小值，MaxX、MinX为当前块X方向最大最小值，设当前块抽稀后剩余点云数量为ResiduePointFeatureSum,将当前块按照XY方向范围比例切分,最终X方向切分块数XBlockSum为：ResiduePointFeatureSum*(MaxX-MinX)/(MaxX-MinX+MaxY-MinY)，最终Y方向切分块数YBlockSum为：ResiduePointFeatureSum*(MaxY-MinY)/(MaxX-MinX+MaxY-MinY)，在所有的XBlockSum*YBlockSum块中，计算每块的中心点位置，将当前块中所有点按照与中心点的距离由近及远进行排序得到有序点集，取点集的第一个点，最后当前块抽稀后剩余点数为XBlockSum*YBlockSum，其中，XBlockSum*YBlockSum<＝ResiduePointFeatureSum。
4、节点合并
逆向合并节点，从四叉树中最精细的一层(四叉树深度最大层)开始，采用每4个子节点块数据合并成1个的方式，保持四叉树中每一个节点挂接的块文件点云数量N恒定。根据上一步骤中保持地物形态的数据抽稀处理方法，从每一个子节点块文件中提取N/4的数据量合并到上一级父节点块文件中，直至到最上层第一级的父节点结束。此时一颗具有Depth深度所有节点存储的块文件数据量均恒定为N。
示例性的，以4层四叉树结构，每块5万个点云数据为例进行说明。从最精细的第4层开始，每一块中为5万个点云数量，抽稀其中的1/4出来，即1.25万个点云数量，再将每4块合并成一块，保持每一块的点云数量一直为5万个。
| 层数 | 第四层 | 第三层 | 第二层 | 第一层 |
| 块数 | 64 | 16 | 4 | 1 |
| 抽稀前点云数量 | 64×5万 | 16×5万 | 4×5万 | 5万 |
| 抽稀后点云数量 | 16×5万 | 4×5万 | 5万 | —— |
5、构建LOD细节层次模型
对抽稀节点合并后的块数据建立层级关系，构建LOD细节层次模型。
6、构建索引文件
对块数据进行高效压缩，构建缓存顶级数据索引文件。经处理后系统自动生成文件名为“pointCloud.mcx”索引文件。
7、可视化渲染
采用分页调度、视锥体裁剪、像素裁剪、距离裁剪、遮挡剔除等多种渲染方式，剔除不可见及不满足条件的点云数据，提高显示效率，可视化渲染后的显示效果如图2、图3所示。
1)分页调度
对块点云缓存建立分页，利用请求与响应建立不同的分页队列，采取多线程进行显示调度。
2)视锥体裁剪
构建场景相机，利用相机视锥体进行某块点云缓存包围盒裁剪，剔除不可见点云缓存数据。
3)像素裁剪
将点云缓存数据包围盒结合相机进行像素阈值计算，利用显示调度剔除不满足当下条件的点云缓存数据。
4)距离裁剪
将点云缓存数据包围盒结合相机进行距离阈值计算，利用显示调度剔除不满足距离条件的点云缓存数据。
5)遮挡剔除
场景渲染一帧中进行两次绘制，第一次绘制中首先将相机可见的物体与相机距离由近及远进行排序，剔除透明物体，生成有序队列，队列最大索引为MaxIndex，根据设定的距离因子DistanceFactor和队列最大索引MaxIndex相乘，取队列中0至DistanceFactor*MaxIndex-1索引的物体通过RTT(Render to Texture)技术渲染到一张深度图，第二次绘制到窗口，将相机可见的物体利用第一次绘制好的深度图做为依据剔除被遮挡的物体，从而大大提高了显示效率。
在一些可能的实施方式中，本发明的各个方面还可以实现为一种计算机可读介质，其上存储有计算机程序，当所述程序被电子设备的处理器执行时用于实现本说明书上述技术方案中描述的根据本发明各种具体实施方式的方法中的步骤。
在本发明的其他一些实施方式中，所述电子设备包括存储有一个或多个程序的存储器，以及一个或多个处理器，所述一个或多个处理器执行一个或多个程序时也可以用于实现上述各个方法步骤。
需要说明的是：上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明实施方式的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序(计算机程序)，当所述程序被所述处理器执行时，使得所述处理器执行本说明书上述技术方案中描述的根据本发明各种具体实施方式的方法中的步骤。
本发明实施例主要是要解决在图形硬件技术有限的条件下，如何充分挖掘和发挥图形处理器(GPU)、通用多核处理器以及CPU/GPU异构协同的计算能力，对海量数据的合理组织与管理、存储与传输及实时调度，利用算法对渲染流程进行改进控制，使其在保证真实感的前提下，加速各类大规模复杂场景的渲染，提高三维交互软件的执行效率，进而极大的提升用户的体验。
本发明实施例中，针对空间分布具有平铺特性的点云数据采用四叉树结构缓存。而针对空间分布在xyz三个方向都有分布特性的点云数据，则可采用八叉树结构缓存。四叉树与八叉树这两种点云缓存策略采用的方法相同，本发明实施例以四叉树点云缓存方式为例阐述此方法。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种海量点云数据处理与可视化方法，其特征在于，包括以下步骤：
S1、获取数据：获取具有平铺特性的点云数据文件；
S2、数据分块：对所述点云数据根据设定瓦片容量进行四叉树划分，得到多个块数据；
S3、数据抽稀：对划分后的不同块数据进行保持地物形态的抽稀处理；
S4、节点合并：将经过抽稀处理得到的块数据进行节点逆向合并；
S5、构建LOD细节层次模型：对抽稀合并后的块数据建立级联关系，构建LOD细节层次模型；
S6、构建索引文件：对块数据进行高效压缩，构建缓存顶级数据索引文件；
S7、可视化渲染：对点云缓存数据进行可视化渲染。
2.根据权利要求1所述的海量点云数据处理与可视化方法，其特征在于：所述步骤S2数据分块中，具体包括以下子步骤：
S21、定义瓦片容量为TileCapacitySize，根据瓦片容量TileCapacitySize确定切割深度Depth，初始深度为0；
S22、MaxY、MinY为当前块的Y方向最大、最小值，MaxX、MinX为当前块X方向最大、最小值，定义点云要素大小为PointFeatureSize，设定划分到最精细一个缓存文件的数据量为CacheFileSize，首先计算TileCapacitySize= CacheFileSize * 1024^2 /PointFeatureSize，再通过当前块最大最小范围计算当前块点要素数量PointFeatureSum，如果PointFeatureSum大于TileCapacitySize，则在X、Y方向上各切割一次，此时Depth加1；
S23、切割后的块继续进行步骤S22，依此循环，至PointFeatureSum小于等于TileCapacitySize为止，此时四叉树结构创建完成。
3.根据权利要求2所述的海量点云数据处理与可视化方法，其特征在于：所述步骤S3数据抽稀具体包括以下子步骤：
S31、设当前块点云总数量为AllPointFeatureSum，MaxY、MinY为当前块的Y方向最大最小值，MaxX、MinX为当前块X方向最大最小值，设当前块抽稀后剩余点云数量为ResiduePointFeatureSum；
S32、将当前块按照XY方向范围比例切分，最终X方向切分块数XBlockSum为：ResiduePointFeatureSum*（MaxX-MinX）/（MaxX-MinX +MaxY-MinY）；最终Y方向切分块数YBlockSum为：ResiduePointFeatureSum*（MaxY-MinY）/（MaxX-MinX +MaxY-MinY）；
S33、在所有的XBlockSum*YBlockSum块中，计算每块的中心点位置，将当前块中所有点按照与中心点的距离由近及远进行排序得到有序点集；
S34、取点集的第一个点，最后当前块抽稀后剩余点数为XBlockSum*YBlockSum，其中，XBlockSum*YBlockSum <= ResiduePointFeatureSum。
4.根据权利要求1所述的海量点云数据处理与可视化方法，其特征在于：所述步骤S4节点合并具体包括：
S41、从四叉树中深度最大层开始，采用每4个子节点块数据合并成1个的方式，保持四叉树中每一个节点挂接的块文件点云数量N恒定；
S42、从每一个子节点块文件中提取N/4的数据量合并到上一级父节点块文件中，直至到最上层第一级的父节点结束。
5.根据权利要求1所述的海量点云数据处理与可视化方法，其特征在于：所述步骤S7可视化渲染中的渲染方式包括分页调度、视锥体裁剪、像素裁剪、距离裁剪、遮挡剔除。
6.根据权利要求1所述的海量点云数据处理与可视化方法，其特征在于：所述遮挡剔除的渲染方式，在场景渲染的一帧中进行两次绘制：
第一次绘制中首先将相机可见的物体与相机距离由近及远进行排序，剔除透明物体，生成有序队列，取队列中满足设定条件的物体渲染到一张深度图；
第二次绘制到窗口，将相机可见的物体利用第一次绘制好的深度图作为依据剔除被遮挡的物体。
7.根据权利要求1所述的海量点云数据处理与可视化方法，其特征在于：所述第一次绘制中，队列最大索引为MaxIndex，根据设定的距离因子DistanceFactor和队列最大索引MaxIndex相乘，取队列中0至DistanceFactor*MaxIndex -1索引的物体通过RTT技术渲染到一张深度图。
8.一种海量点云数据处理与可视化系统，其特征在于：其包括
数据获取模块，用于获取具有平铺特性的点云数据文件；
数据分块模块，用于对所述点云数据根据设定瓦片容量进行四叉树划分，得到多个块数据；
数据抽稀模块，用于对划分后的不同块数据进行保持地物形态的抽稀处理；
节点合并模块，用于将经过抽稀处理得到的块数据进行节点逆向合并；
构建模型模块，用于对抽稀合并后的块数据建立级联关系，构建LOD细节层次模型；
构建索引文件模块，用于对块数据进行高效压缩，构建缓存顶级数据索引文件；
可视化渲染模块，用于对点云缓存数据进行可视化渲染。
9.一种计算机可读介质，其上存储有计算机程序，所述程序在被处理器执行时用于实现如上述权利要求1至8中任一项所述的方法。
10.一种电子设备，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序，所述一个或多个程序在被所述一个或多个处理器执行时用于实现如上述权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110928175.9A CN113781631A (zh) | 2021-08-13 | 2021-08-13 | 一种海量点云数据处理与可视化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110928175.9A CN113781631A (zh) | 2021-08-13 | 2021-08-13 | 一种海量点云数据处理与可视化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781631A true CN113781631A (zh) | 2021-12-10 |
Family
ID=78837555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110928175.9A Pending CN113781631A (zh) | 2021-08-13 | 2021-08-13 | 一种海量点云数据处理与可视化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781631A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565706A (zh) * | 2022-02-25 | 2022-05-31 | 苏州易航远智智能科技有限公司 | 基于视锥的点云处理方法、装置、电子设备及存储介质 |
| CN114693875A (zh) * | 2022-03-31 | 2022-07-01 | 广州极飞科技股份有限公司 | 点云可视化优化方法、系统、电子设备及存储介质 |
| CN114723898A (zh) * | 2022-06-09 | 2022-07-08 | 天津市天科数创科技股份有限公司 | 大体量点云模型轻量化的方法及装置 |
| CN114764842A (zh) * | 2022-03-01 | 2022-07-19 | 高德软件有限公司 | 点云数据的可视化方法、装置、设备及存储介质 |
| CN114863157A (zh) * | 2022-05-07 | 2022-08-05 | 高德软件有限公司 | 数据处理方法、装置、电子设备及计算机程序产品 |
| CN115100364A (zh) * | 2022-08-25 | 2022-09-23 | 广东电网有限责任公司 | 输电线路激光点云数据的可视化方法、装置、设备及介质 |
| US11527017B1 (en) * | 2022-05-03 | 2022-12-13 | Illuscio, Inc. | Systems and methods for dynamic decimation of point clouds and data points in a three-dimensional space |
| CN116109470A (zh) * | 2023-04-13 | 2023-05-12 | 深圳市其域创新科技有限公司 | 实时点云数据渲染方法、装置、终端及存储介质 |
| CN116363284A (zh) * | 2023-03-30 | 2023-06-30 | 上海艾特海浦网络科技有限公司 | 基于多点影响的智能渲染控制系统 |
| CN117453776A (zh) * | 2023-10-26 | 2024-01-26 | 中国电子科技集团公司第十五研究所 | 海量数据的可视化显示方法、装置、计算机设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
| CN111862292A (zh) * | 2020-07-29 | 2020-10-30 | 中国南方电网有限责任公司 | 输电线路走廊的数据渲染方法、装置和计算机设备 |
| CN112102486A (zh) * | 2020-09-04 | 2020-12-18 | 广州南方智能技术有限公司 | 一种基于合并根节点的倾斜摄影数据lod重建方法 |
-
2021
- 2021-08-13 CN CN202110928175.9A patent/CN113781631A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
| CN111862292A (zh) * | 2020-07-29 | 2020-10-30 | 中国南方电网有限责任公司 | 输电线路走廊的数据渲染方法、装置和计算机设备 |
| CN112102486A (zh) * | 2020-09-04 | 2020-12-18 | 广州南方智能技术有限公司 | 一种基于合并根节点的倾斜摄影数据lod重建方法 |
Non-Patent Citations (5)
| Title |
|---|
| 李峰等: "机载LiDAR系统原理与点云处理方法", 31 August 2017, 煤炭工业出版社, pages: 128 - 129 * |
| 杨杰等: "医学影像分析和三维重建及其应用", 31 January 2015, 上海交通大学出版社, pages: 107 - 109 * |
| 武汉市测绘研究院等: "武汉市多要素城市地质调查工作技术指南", 31 December 2020, 中国地质大学出版社, pages: 297 * |
| 浙江省测绘学会: "第二十一届华东六省一市测绘学会学术交流会优秀论文集", 31 October 2020, 浙江工商大学出版社, pages: 378 - 379 * |
| 王晏民等: "深度图像化点云数据管理", 31 December 2013, 测绘出版社, pages: 83 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565706A (zh) * | 2022-02-25 | 2022-05-31 | 苏州易航远智智能科技有限公司 | 基于视锥的点云处理方法、装置、电子设备及存储介质 |
| CN114764842A (zh) * | 2022-03-01 | 2022-07-19 | 高德软件有限公司 | 点云数据的可视化方法、装置、设备及存储介质 |
| CN114693875A (zh) * | 2022-03-31 | 2022-07-01 | 广州极飞科技股份有限公司 | 点云可视化优化方法、系统、电子设备及存储介质 |
| US11527017B1 (en) * | 2022-05-03 | 2022-12-13 | Illuscio, Inc. | Systems and methods for dynamic decimation of point clouds and data points in a three-dimensional space |
| CN114863157A (zh) * | 2022-05-07 | 2022-08-05 | 高德软件有限公司 | 数据处理方法、装置、电子设备及计算机程序产品 |
| CN114723898A (zh) * | 2022-06-09 | 2022-07-08 | 天津市天科数创科技股份有限公司 | 大体量点云模型轻量化的方法及装置 |
| CN114723898B (zh) * | 2022-06-09 | 2022-09-06 | 天津市天科数创科技股份有限公司 | 大体量点云模型轻量化的方法及装置 |
| CN115100364A (zh) * | 2022-08-25 | 2022-09-23 | 广东电网有限责任公司 | 输电线路激光点云数据的可视化方法、装置、设备及介质 |
| CN115100364B (zh) * | 2022-08-25 | 2022-12-13 | 广东电网有限责任公司 | 输电线路激光点云数据的可视化方法、装置、设备及介质 |
| CN116363284A (zh) * | 2023-03-30 | 2023-06-30 | 上海艾特海浦网络科技有限公司 | 基于多点影响的智能渲染控制系统 |
| CN116363284B (zh) * | 2023-03-30 | 2023-12-08 | 上海艾特海浦网络科技有限公司 | 基于多点渲染的智能渲染控制系统 |
| CN116109470A (zh) * | 2023-04-13 | 2023-05-12 | 深圳市其域创新科技有限公司 | 实时点云数据渲染方法、装置、终端及存储介质 |
| CN116109470B (zh) * | 2023-04-13 | 2023-06-20 | 深圳市其域创新科技有限公司 | 实时点云数据渲染方法、装置、终端及存储介质 |
| CN117453776A (zh) * | 2023-10-26 | 2024-01-26 | 中国电子科技集团公司第十五研究所 | 海量数据的可视化显示方法、装置、计算机设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113781631A (zh) | 一种海量点云数据处理与可视化方法及系统 | |
| CN110443893B (zh) | 大规模建筑场景渲染加速方法、系统、装置和存储介质 | |
| CN114820906B (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
| CN110717494B (zh) | Android移动端室内场景三维重建及语义分割方法 | |
| US20190147636A1 (en) | Smooth Draping Layer for Rendering Vector Data on Complex Three Dimensional Objects | |
| US8743114B2 (en) | Methods and systems to determine conservative view cell occlusion | |
| WO2019192165A1 (zh) | 一种分层式图形实时绘制渲染方法与系统 | |
| US11651533B2 (en) | Method and apparatus for generating a floor plan | |
| CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
| CN109272543B (zh) | 用于生成模型的方法和装置 | |
| CN102722885A (zh) | 一种加快三维图形显示的方法 | |
| CN111639147B (zh) | 一种地图压缩方法、系统及计算机可读存储介质 | |
| JP2020536332A (ja) | キーフレームスケジューリング方法及び装置、電子機器、プログラム並びに媒体 | |
| CN116168132B (zh) | 街景重建模型获取及街景重建方法、装置、设备及介质 | |
| CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN115631286B (zh) | 图像渲染方法、装置、设备和存储介质 | |
| CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN114155263B (zh) | 一种倾斜摄影模型建筑轮廓线自动提取方法、系统及装置 | |
| CN114529649A (zh) | 图像处理方法和装置 | |
| CN116883587B (zh) | 训练方法、3d物体生成方法、装置、设备和介质 | |
| CN117274535B (zh) | 基于点云密度重构实景三维模型的方法、装置及电子设备 | |
| CN116167911A (zh) | 模型训练方法、三维场景重建方法和装置 | |
| CN112750182A (zh) | 一种动效实现方法、装置和计算机可读存储介质 | |
| CN107481314B (zh) | 一种基于kd树的阴影体优化方法 | |
| CN115131472B (zh) | 一种全景切换的过渡处理的方法、装置、设备及介质 |
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 |