CN114898043A - 一种激光点云数据瓦片构建方法 - Google Patents
一种激光点云数据瓦片构建方法 Download PDFInfo
- Publication number
- CN114898043A CN114898043A CN202210557529.8A CN202210557529A CN114898043A CN 114898043 A CN114898043 A CN 114898043A CN 202210557529 A CN202210557529 A CN 202210557529A CN 114898043 A CN114898043 A CN 114898043A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- sampling
- data points
- area
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种激光点云数据瓦片构建方法,属于三维激光点云数据处理技术领域,包括:获取原始点云数据,根据线性八叉树空间结构对原始点云数据进行分割,得到多个不同层级的局部点云区域;根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样;读取局部点云区域中进行点云采样后的点云数据点生成瓦片数据。本发明公开了一种完整激光点云数据瓦片构建方法,能够实现点云数据的快速检索并保留点云数据的细节特征。
Description
技术领域
本发明涉及三维激光点云数据处理技术领域,更具体的说是涉及一种激光点云数据瓦片构建方法。
背景技术
三维瓦片构建技术是近些年来国内外GIS相关领域研究的热点之一。由于I3S与S3M是企业制定的适用于自身产品体系的三维瓦片结构,这两种三维瓦片的构建都有一套完整的软件体系来支撑。但其数据结构对外是不开放的并且非常不灵活,研究者很难根据实际应用需求来设计符合特定应用的三维瓦片结构。
目前点云瓦片的构建大多是从其他数据格式向瓦片数据结构的转换过程,利用开源工具来生成点云瓦片数据结构。关于大场景的分割分块、多细节层次表达以及点云瓦片格式的具体生成过程,目前没有完整的一套解决方案来解决这些问题。
因此,如何提供一种完整的激光点云数据瓦片构建方法是本领域技术人员亟需解决的问题。。
发明内容
有鉴于此,本发明提供了一种激光点云数据瓦片构建方法,用于解决背景技术中存在的技术问题。
为了实现上述目的,本发明采用如下技术方案:
一种激光点云数据瓦片构建方法,包括:
获取原始点云数据,根据线性八叉树空间结构对原始点云数据进行分割,得到多个不同层级的局部点云区域;
根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样;
读取局部点云区域中进行点云采样后的点云数据点生成瓦片数据。
优选的,上述方法还包括:创建瓦片数据的索引文件,所述索引文件包括瓦片数据的地理空间位置、旋转矩阵、空间几何误差及父子节点关系。
优选的,所述瓦片数据的地理空间位置包括采用box方式进行表示。
优选的,还包括,采用广度优先遍历方法对所述检索文件进行检索解析。
优选的,根据线性八叉树的空间结构对原始点云数据进行分割,获取多个不同层级的局部点云区域,具体包括:
输入原始点云数据;
构建线性八叉树空间结构,将原始点云数据作为线性八叉树空间结构的父节点并划分为八个互不相交的子节点;
判断子节点中点云数据点的数量是否满足预设的阈值,将点云数据点的数量不满足阈值的子节点不断进行八叉树划分,直到所有子节点中的点云数据点数量均满足预设的阈值;
将线性八叉树空间结构中所有点云数据点数量满足预设阈值的子节点作为局部点云区域。
优选的,根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样,具体包括:
建立局部点云区域中各点云数据点的K邻域关系;
通过K邻域关系计算各点云数据点的曲率大小,根据曲率大小将局部点云区域划分成平坦区域格网和特征区域格网;
针对平坦区域格网,采用网格采样法对平坦区域格网中的点云数据点进行点云采样;
针对特征区域格网,采用泊松碟采样法对特征区域格网中的点云数据点进行点云采样。
优选的,所述采用网格采样法对平坦区域格网中的点云数据点进行点云采样,具体包括:根据空间距离计算公式,计算平坦区域格网中所有点云数据点到平坦区域格网中心的距离,并对距离进行排序,取距离最小的点云数据点作为采样点代替整个平坦区域格网内的所有点云数据点,实现平坦区域格网的点云采样。
优选的,所述采用泊松碟采样法对特征区域格网中的点云数据点进行点云采样,具体包括:
步骤001、根据特征区域格网中点云数据点的曲率阈值将点云数据点划分为不同曲率等级的数据集合;
步骤002、在同一曲率等级数据集合中,将曲率最大的点云数据点作为起始采样点,遍历计算该数据集合中剩余的点云数据点到起始采样点的采样半径,去除采样半径小于设定的半径阈值的点云数据点;
步骤003、在剩余的点云数据点中重新选择曲率最大的点云数据点作为起始采样点,重复步骤002直至没有新的点云采样点。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种激光点云数据瓦片构建方法,具有以下有益效果:
1、本发明采用基于线性八叉树的点云数据分割算法对原始点云数据进行分割,可快速进行点云检索。
2、本发明采用针对不同点云区域采用不同采样算法,平坦区域采用网格采样算法,可以在均匀采样点云的同时,最大程度上缩减了采样所需的时间。对于曲率比较大的区域,采用泊松碟采样算法,最大化保留曲率较大的特征区域的点,不损坏点云的细节特征。应用两种算法既提升了点云数据处理的效率又很好地保留了点云的细节特征。
3、本发明融合网格、四叉树、k-d树调度索引机制,采用空间八叉树索引结构,采用广度优先遍历的方式来快速加载和渲染点云瓦片。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的利用八叉树对原始点云数据分割步骤流程图;
图2为本发明提供的局部点云区域点云采样步骤流程图;
图3(a)为本发明提供的原始点云格网曲率等级划分示意图;图3(b)为本发明提供的不同曲率等级集合的泊松碟采样过程示意图;图3(c)本发明提供的不同曲率等级集合的泊松碟采样结果示意图;
图4为本发明提供的pnts瓦片整体构建流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种激光点云数据瓦片构建方法,包括:
获取原始点云数据,根据线性八叉树空间结构对原始点云数据进行分割,得到多个不同层级的局部点云区域;
根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样;
读取局部点云区域中进行点云采样后的点云数据点生成瓦片数据。
为了进一步优化上述技术方案,上述方法还包括:创建瓦片数据的索引文件,所述索引文件包括瓦片数据的地理空间位置、旋转矩阵、空间几何误差及父子节点关系。
如图1所示,根据线性八叉树的空间结构对原始点云数据进行分割,获取多个不同层级的局部点云区域,具体包括:
输入原始点云数据;
构建线性八叉树空间结构,将原始点云数据作为线性八叉树空间结构的父节点并划分为八个互不相交的子节点;
判断子节点中点云数据点的数量是否满足预设的阈值,将点云数据点的数量不满足阈值的子节点不断进行八叉树划分,直到所有子节点中的点云数据点数量均满足预设的阈值;
将线性八叉树空间结构中所有点云数据点数量满足预设阈值的子节点作为局部点云区域。
如图2所示,根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样,具体包括:
建立局部点云区域中各点云数据点的K邻域关系;
通过K邻域关系计算各点云数据点的曲率大小,根据曲率大小将局部点云区域划分成平坦区域格网和特征区域格网;
针对平坦区域格网,采用网格采样法对平坦区域格网中的点云数据点进行点云采样;具体包括:根据空间距离计算公式,计算平坦区域格网中所有点云数据点到平坦区域格网中心的距离,并对距离进行排序,取距离最小的点云数据点作为采样点代替整个平坦区域格网内的所有点云数据点,实现平坦区域格网的点云采样;
针对特征区域格网,采用泊松碟采样法对特征区域格网中的点云数据点进行点云采样;具体包括:
步骤001、根据特征区域格网中点云数据点的曲率阈值将点云数据点划分为不同曲率等级的数据集合;
步骤002、在同一曲率等级数据集合中,将曲率最大的点云数据点作为起始采样点,遍历计算该数据集合中剩余的点云数据点到起始采样点的采样半径,去除采样半径小于设定的半径阈值的点云数据点;
步骤003、在剩余的点云数据点中重新选择曲率最大的点云数据点作为起始采样点,重复步骤002直至没有新的点云采样点。
网格采样法适用于平坦区域,而且精简速度快,但对于曲率变化较大的区域细节特征保持不是很好。曲率采样法和泊松采样法相对于以上两种精简方法对点云细节特征处理较好,但是有操作复杂、计算量大、时间效率低等弊端。所以本文采用一种网格采样和基于曲率的泊松碟采样相结合的方式来进行点云采样,在平坦区域用最靠近格网中心的点代替整个格网的所有数据点;在特征区域格网,对曲率分级进行泊松碟采样,由此达到点云精简的目的。该方法原理简单,可以在均匀精简点云的同时,最大化保留曲率较大的特征区域的点,不损坏点云的细节特征。
本发明中对于特征区域格网采用的是基于曲率分级的泊松碟采样。泊松碟采样的实现原理是在距离当前采样点一定距离之外的区域获取采样点,而在距离之内的点不被采样。在一定的空间区域内,按照所有点的两两距离都大于某一阈值的原则,随机地获取采样点,直到该区域内无法添加新的采样点为止,泊松碟采样得到的采样点在欧式空间中是均匀分布的。
在进行泊松碟采样时,需要结合原始点云曲率的计算结果进行分级:曲率的阈值分别为K1,K2,…,Kn,对应的曲率等级为C0,C1,C2,…,Cn,其中C0为平坦区域对应的曲率等级,C1,C2,…,Cn为特征区域对应的曲率等级。若格网被认定为特征区域,则将格网内所有点按上述曲率等级划分为不同集合,在同一曲率等级的集合中,将曲率最大的点作为起始采样点,遍历集合中剩余的点,如果剩余的点到采样点的点距离小于阈值则将这些点从集合中去掉,从集合中剩余的点选取曲率最大的点重新作为采样点进行采样过程,重复整个过程直到没有新的采样点为止。采样完成后同一等级的任意两个采样点之间的距离都大于此曲率等级所设置的阈值。
上述采样半径的阈值需要结合原始点云的曲率分布特征进行设置。通常曲率比较大的区域需要保留更多的点来保持点云的细节特征,采样半径也就越小;反之,曲率比较小的区域,采样半径也就越大。采样半径的计算公式如式1所示。
Ri=D/(Ci+1)θ (1)
式(1)中,Ri表示计算得到的采样半径,D表示当前格网的边长,Ci表示曲率等级,θ则表示采样系数用来控制不同格网级别的细致程度。采样半径阈值是与曲率等级成负相关关系,使得在格网曲率比较大的地方区域保留更多的点,这样可以更好地保留点云的细节特征,基于曲率的泊松碟采样过程如图3所示。
如图3(a)所示,假设原始点云格网曲率划分为三个等级,从左到右区域的曲率等级依次增大。图3(b)表示在采样过程中不同曲率等级集合的采样过程,在曲率等级比较低的地方泊松碟采样的半径阈值相对比较大,不需要太多点就可以表示原始的几何特征,相反在曲率等级比较高的地方采样半径阈值相对较小,因为需要更多的点来描述此区域的几何特征。图3(c)表示采样结果,可见采样后点的疏密程度与曲率等级保持正相关关系。
如图4所示,在一个具体实施例中,点云瓦片的构建过程包括原始点云las文件读取、添加文件头信息、写入点云信息、转化成pnts瓦片数据格式、计算pnts瓦片元数据等过程,下面详细介绍pnts瓦片数据格式生成过程。
原始点云las文件是一个大文件,需要先经过八叉树分割成不同文件格式的散列文件。
pnts瓦片数据是由文件头和二进制数据组成,把所有的点云数据信息(顶点坐标、颜色值、法线等)存储在要素表中,pnts要素表各字段类型与含义如表1所示。
表1pnts要素表
调度文件,实际上也是点云瓦片集数据,也称为索引文件。三维瓦片结合了分层层次细节模型(HLOD)的概念,以实现三维空间数据的最佳渲染效果。索引文件是由树状结构组成,树由根节点和它的子节点递归定义,树结构可以由不同类型的空间数据结构组织。通过广度优先遍历的方式来解析三维瓦片数据索引文件的tileset.json文件,它支持由tileset定义的任何空间索引树结构。可以使用不同瓦片格式和细化方法的任何组合,从而支持异构多源数据集的灵活性。瓦片集索引结构可以使用类似于光栅和矢量瓦片方案的二维空间瓦片加载方案,该方案预先对数据进行处理生成不同细节层次的地图瓦片数据,许多平面地图都采用这种来加载。然而对于三维空间数据而言,大部分tileset的内容通常是不均匀分布的,以二维瓦片方式进行组织三维数据不在适用,因此采用其他三维空间数据结构更容易进行组织。
调度文件中存储点云的地理空间位置、旋转矩阵、空间几何误差,父子节点关系等信息。地理空间位置实际上是瓦片所占据的空间范围,它可以有三种表示方式分别是box、region、sphere。本发明实施例采用box方式来表示瓦片的地理空间范围,通过计算每个瓦片的包围盒中心相对坐标,以及平行于三个坐标轴x、y、z的长度的一半用来组成box矩阵。旋转矩阵用来描述瓦片的位置变换,是一个以列为主序存储的4×4矩阵,当瓦片存储局部坐标时,可以通过此旋转矩阵变换到父节点的坐标系中,旋转矩阵对瓦片的变化是从上到下的多个变换的一个级联变换的过程,可方便控制点云位置。瓦片的几何误差是在数据处理中生成的,通常用最大外包体的体对角线来表示。空间几何误差是一个非负数,以米为单位定义了不同LOD层级的几何误差,在可视化过程中通过空间几何误差来计算屏幕误差,从而决定要渲染的瓦片级别,并控制瓦片切换的层级。父子节点关系比较容易理解,实际就是以children数组的形式记录瓦片间的节点关系,这样就形成了一种递归定义的瓦片树结构,其中叶子节点为最底层,没有子节点。此外,子节点的空间几何误差要比父节点小,子节点的包围体要被父节点的包围体所包围。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种激光点云数据瓦片构建方法,其特征在于,所述构建方法包括以下步骤:
获取原始点云数据,根据线性八叉树空间结构对原始点云数据进行分割,得到多个不同层级的局部点云区域;
根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样;
读取局部点云区域中进行点云采样后的点云数据点生成瓦片数据。
2.根据权利要求1所述的激光点云数据瓦片构建方法,其特征在于,还包括:创建瓦片数据的索引文件,所述索引文件包括瓦片数据的地理空间位置、旋转矩阵、空间几何误差及父子节点关系。
3.根据权利要求2所述的激光点云数据瓦片构建方法,其特征在于,所述瓦片数据的地理空间位置包括采用box方式进行表示。
4.根据权利要求2所述的激光点云数据瓦片构建方法,其特征在于,还包括,采用广度优先遍历方法对所述检索文件进行检索解析。
5.根据权利要求1所述的激光点云数据瓦片构建方法,其特征在于,根据线性八叉树的空间结构对原始点云数据进行分割,获取多个不同层级的局部点云区域,具体包括:
输入原始点云数据;
构建线性八叉树空间结构,将原始点云数据作为线性八叉树空间结构的父节点并划分为八个互不相交的子节点;
判断子节点中点云数据点的数量是否满足预设的阈值,将点云数据点的数量不满足阈值的子节点不断进行八叉树划分,直到所有子节点中的点云数据点数量均满足预设的阈值;
将线性八叉树空间结构中所有点云数据点数量满足预设阈值的子节点作为局部点云区域。
6.根据权利要求1所述的激光点云数据瓦片构建方法,其特征在于,根据局部点云区域中点云数据点的曲率大小,将局部点云区域划分成不同的区域网格,并对不同区域网格中的点云数据点采用不同的采样算法进行点云采样,具体包括:
建立局部点云区域中各点云数据点的K邻域关系;
通过K邻域关系计算各点云数据点的曲率大小,根据曲率大小将局部点云区域划分成平坦区域格网和特征区域格网;
针对平坦区域格网,采用网格采样法对平坦区域格网中的点云数据点进行点云采样;
针对特征区域格网,采用泊松碟采样法对特征区域格网中的点云数据点进行点云采样。
7.根据权利要求6所述的激光点云数据瓦片构建方法,其特征在于,所述采用网格采样法对平坦区域格网中的点云数据点进行点云采样,具体包括:根据空间距离计算公式,计算平坦区域格网中所有点云数据点到平坦区域格网中心的距离,并对距离进行排序,取距离最小的点云数据点作为采样点代替整个平坦区域格网内的所有点云数据点,实现平坦区域格网的点云采样。
8.根据权利要求6所述的激光点云数据瓦片构建方法,其特征在于,所述采用泊松碟采样法对特征区域格网中的点云数据点进行点云采样,具体包括:
步骤001、根据特征区域格网中点云数据点的曲率阈值将点云数据点划分为不同曲率等级的数据集合;
步骤002、在同一曲率等级数据集合中,将曲率最大的点云数据点作为起始采样点,遍历计算该数据集合中剩余的点云数据点到起始采样点的采样半径,去除采样半径小于设定的半径阈值的点云数据点;
步骤003、在剩余的点云数据点中重新选择曲率最大的点云数据点作为起始采样点,重复步骤002直至没有新的点云采样点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210557529.8A CN114898043A (zh) | 2022-05-19 | 2022-05-19 | 一种激光点云数据瓦片构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210557529.8A CN114898043A (zh) | 2022-05-19 | 2022-05-19 | 一种激光点云数据瓦片构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114898043A true CN114898043A (zh) | 2022-08-12 |
Family
ID=82723288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210557529.8A Pending CN114898043A (zh) | 2022-05-19 | 2022-05-19 | 一种激光点云数据瓦片构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898043A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984354A (zh) * | 2023-01-06 | 2023-04-18 | 梅卡曼德(北京)机器人科技有限公司 | 形状检测方法及物体形状检测系统 |
CN116226131A (zh) * | 2023-03-07 | 2023-06-06 | 易智瑞信息技术有限公司 | 一种多树结构下的多时相三维切片数据存储方法及装置 |
CN116758243A (zh) * | 2023-08-15 | 2023-09-15 | 深圳市其域创新科技有限公司 | 基于实时点云流的场景网格划分生成及渲染显示方法 |
-
2022
- 2022-05-19 CN CN202210557529.8A patent/CN114898043A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984354A (zh) * | 2023-01-06 | 2023-04-18 | 梅卡曼德(北京)机器人科技有限公司 | 形状检测方法及物体形状检测系统 |
CN116226131A (zh) * | 2023-03-07 | 2023-06-06 | 易智瑞信息技术有限公司 | 一种多树结构下的多时相三维切片数据存储方法及装置 |
CN116226131B (zh) * | 2023-03-07 | 2024-03-19 | 易智瑞信息技术有限公司 | 一种多树结构下的多时相三维切片数据存储方法及装置 |
CN116758243A (zh) * | 2023-08-15 | 2023-09-15 | 深圳市其域创新科技有限公司 | 基于实时点云流的场景网格划分生成及渲染显示方法 |
CN116758243B (zh) * | 2023-08-15 | 2023-12-01 | 深圳市其域创新科技有限公司 | 基于实时点云流的场景网格划分生成及渲染显示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114898043A (zh) | 一种激光点云数据瓦片构建方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
Tsai | Delaunay triangulations in TIN creation: an overview and a linear-time algorithm | |
Scarlatos et al. | Hierarchical triangulation using cartographic coherence | |
Shi et al. | Adaptive simplification of point cloud using k-means clustering | |
Garland et al. | Fast polygonal approximation of terrains and height fields | |
Scheiblauer et al. | Out-of-core selection and editing of huge point clouds | |
Matsuyama et al. | A file organization for geographic information systems based on spatial proximity | |
CN111291016A (zh) | 一种海量遥感影像数据分层混合存储与索引方法 | |
JP4173246B2 (ja) | 類似画像表示方法及び類似画像表示処理プログラムを格納した記録媒体 | |
CN107341825A (zh) | 一种用于大场景高精度三维激光测量点云数据的简化方法 | |
CN103077549A (zh) | 一种基于kd树的实时大规模地形可视化实现方法 | |
CN113868476B (zh) | 一种基于局部密度的八叉树点云预处理方法 | |
CN112785710A (zh) | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 | |
CN108364331A (zh) | 一种等值线生成方法、系统和存储介质 | |
CN112465949A (zh) | 基于嵌套八叉树的大规模点云数据组织方法 | |
CN105957149A (zh) | 一种适用于高效渲染的城市三维模型数据预处理方法 | |
CN113468286A (zh) | 一种基于三角面片个数划分的三维金字塔构建方法 | |
CN113094463A (zh) | 一种非结构化点云存储方法、装置、设备及介质 | |
CN115937461A (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
Kocon et al. | Point cloud indexing using Big Data technologies | |
Angelo | A brief introduction to quadtrees and their applications | |
Kelly et al. | Quad-tree construction on the gpu: A hybrid cpu-gpu approach | |
CN114445574B (zh) | 将GeoJSON数据格式转换为三维GLB格式的方法、装置和设备 | |
CN113470172B (zh) | 一种OBJ三维模型转换3DTiles方法 |
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 |