CN115018982A - 一种基于地基激光雷达点云的树木数字孪生方法 - Google Patents
一种基于地基激光雷达点云的树木数字孪生方法 Download PDFInfo
- Publication number
- CN115018982A CN115018982A CN202210606253.8A CN202210606253A CN115018982A CN 115018982 A CN115018982 A CN 115018982A CN 202210606253 A CN202210606253 A CN 202210606253A CN 115018982 A CN115018982 A CN 115018982A
- Authority
- CN
- China
- Prior art keywords
- point
- leaf
- point cloud
- branch
- points
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于地基激光雷达点云数据处理技术领域,具体涉及一种基于地基激光雷达点云的树木数字孪生方法。本发明充分的利用了地基激光雷达点云数据的高空间分辨率、高精度,强穿透性,分析地基激光雷达实际扫描时间隙的遮挡,考虑叶片聚集,结合叶片和枝干的形态特征,经历地基激光雷达多站扫描、点云预处理、枝叶分离、叶簇欧氏距离聚类、叶片建模、枝干建模;通过运用Alpha‑shape和德洛尼三角网算法做叶片和枝干模型拟合,有效克服了现有树木数字建模细节不全、枝干构建不真实等问题,实现了基于地基激光雷达点云数据的树木数字孪生,具有高精度、高还原度的技术效果。
Description
技术领域
本发明属于地基激光雷达点云数据处理技术领域,具体涉及一种基于地基激光雷达点云的树木数字孪生方法。
背景技术
树木是陆地生态系统生态中至关重要的一部分。深入的研究树木各个阶段的生长发育和表型性状,需要高精度的树木数字孪生。要研究树木在各个阶段在生态系统中所起到的作用,可以将树木的器官分为光合作用器官和非光合作用器官,也即叶片组分和木质组分。树木三维模型已经有几十年的历史。最早学者试图使用倾斜摄影测量的方式对树木进行扫描和建模。但是光学测量无法有效的穿透森林获取冠层内部垂直结构信息。树叶的遮挡会造成枝干信息无法准确获得,因此只能通过植物表型知识来随机生成枝干,与真实的树木数据之间具有较大的差异性,并不能起到数字孪生的效果。
为了弥补这一不足,激光雷达(Light Detection And Ranging,LiDAR)技术的引入使得获取森林内部结构信息并更准确的反演叶面积成为可能。LiDAR是近年来发展十分迅速的主动遥感技术,具有较强的穿透性并且能提供扫描对象的三维信息。地基激光雷达扫描技术 (Terrestrial Laser Scanning,TLS)可以通过从多个角度测量目标物体,从而获取其表面的高精度、高空间分辨率的三维几何结构信息,相较于光学摄影测量,在数字孪生上具有无可比拟的优势。
近十年来,树木的三维建模和数字孪生一直是激光雷达在林业应用的热点研究方向。随着枝叶分离算法的日渐成熟,地基激光雷达点云数据已经可以对树木点云进行点云语义分割。伴随着计算机视觉算法和计算机图形学方法的不断完善,具有高空间分辨率和高精度的地基激光雷达三维点云已经可以在计算机中对实体树木进行三维仿真和器官重建,进而对树木进行数字孪生。这对生态场景模拟、智慧农业、虚拟现实、元宇宙等领域具有重要价值。
树木的数字孪生已经有了几十年的研究历史,国内外学者一开始使用数字摄影测量的方式进行树木建模,但是无法准确描述树木内部结构信息。中科院自动化研究所中法联合实验室(2007)针对地基激光雷达单站数据,利用了激光雷达的穿透性和三维信息,结合深度图像法建立了树木枝干、树枝的三维模型。但是单站数据由于扫描角度有限,得到的点云数据会因为再激光雷达扫描过程中受木质组分遮挡而产生较大的空隙和孔洞;并且单站扫描点云空间分辨率较低,无法有效的对叶片进行建模。
苏中花等(2018)通过多站扫描的地基激光雷达对树木进行了主干建模和局部单片叶片建模,但是存在建模效率低、细小枝干建模不完整、无法有效的建模出冠层内所有的叶簇等问题。同时其在建模过程中,由于叶簇聚集的问题,会导致在建立叶簇模型时将叶簇之间的空隙无法剔除,导致叶簇体积增大,表面积增大,形状失真等问题,无法对树木进行高还原度的数字孪生。
发明内容
针对上述存在问题或不足,为解决高精度、高还原度的树木数字孪生问题,本发明提供了一种基于地基激光雷达点云的树木数字孪生方法。本发明基于超高空间分辨率的TLS扫描技术,结合形态学和图形学的方法,对树木进行数字孪生,对树木的叶片和细小枝干均建立了高还原度的模型,摆脱了过去树木结构不真实,器官建模不精细等问题。首先对待数字孪生的树木利用地基激光雷达进行多站式扫描;之后经过滤波去噪等步骤,提取出树木点;再利用圆柱拟合法提取出枝干点,并进行枝叶分离;对于枝干部分采用Alpha-shape算法进行枝干建模,得到枝干模型;对于叶片部分先用欧氏距离聚类得到叶簇,然后利用德罗尼三角网对叶簇进行建模,得到叶片模型;最终将枝干模型和叶片模型融合,得到数字孪生树木。
一种基于地基激光雷达点云的树木数字孪生方法,包括以下步骤:
步骤1、TLS多站扫描,获取目标点云数据;
由于在激光雷达扫描过程中,重叠的叶片和树木的木质组分会对激光有一定的遮挡效应,因此我们需要采用多站扫描的方式,减少由于遮挡效应造成的树木点云数据缺失。多站扫描时各站点架设应该沿待扫描对象尽量均匀分布。在对物体进行多站扫描之后,对各站数据进行拼接,得到完整的地基激光雷达扫描点云数据。
步骤2、对步骤1获取的目标点云数据进行去噪、树木点云提取预处理;
由于激光雷达扫描得到的点云数据是对真实场景中的物体进行采样,因此在步骤1中得到的原始数据中,除了我们需要的目标树木的点云以外,还存在地面点、其他地物点等无关点云。同时,在采样的过程中由于风、飞鸟等干扰因素的作用,也会造成采样点云中出现噪声点。因此对于原始的地基激光雷达数据而言,需要进行点云去噪、树木点云提取等基本预处理。
步骤3、对步骤2预处理后的点云数据完成枝叶分离,得到叶片点云和枝干点:
由于原始数据中的点云数据只有其坐标信息,没有类别标识。因此要对步骤2中提取的树木点云通过枝叶分离的方法对其进行类别判别,进而确定原始点云中的叶片点和木质点。对于地基激光雷达点云数据而言,由于其穿透性较好,空间分辨率高等特点,枝干的轮廓细节获取完整。相较于叶片而言,枝干几何形状明显,便于提取。此我们采用开源工具LeWoS 进行枝干提取,LeWoS是一项只需要输入一个参数的便捷开源提取算法,可以高效、精确的完成枝干提取的工作,在提取完枝干之后余下的便是叶片点云,进而完成点云的枝叶分离。
步骤4、枝干和叶片建模:
a、叶片建模:首先对步骤3枝叶分离后的点云数据进行欧氏距离聚类;然后采用对每个叶簇分别进行模型建立;最后通过叶簇模型累加得到树木叶片部分的数字孪生。由于叶片卷曲局部较为扁平,因此我们采用德罗尼三角网对各个叶簇建模。在建立德罗尼三角网时我们采用Lawson法,具体方法如下:
(1)对叶片点云中拥有相同叶簇类别编号的点组成的点集称之为一个叶簇。对叶簇 leaf clusteri建立一个三角形凸包Trii,其中i是leaf clusteri的下标,同时也是Trii的下标,意为该叶簇的叶簇类别编号为i,并建立一一对应的三角形凸包。也就是说每一个叶簇都有一个对应的下标相同三角形凸包。
(2)对于(1)中建立的三角形凸包Trii,向其内部插入leaf clusteri中的一点,令插入的该点与它所在的三角形的三个顶点相连,进而生成三个新的三角形。
然后对新生成的三个三角形分别做外接圆,如果三角形的外接圆内不包含已经生成的三角形的顶点,则认为新生成的三角形为德罗尼三角网的一部分,如果三角形的外接圆内包含了已经生成的三角形的顶点,则删去该顶点和新生成的三个三角形。
(3)在leaf clusteri选取之前未插入的点,重复(2),直至遍历完leaf clusteri内的所有点,意味着该叶簇的德罗尼三角网模型建立完成。
重复步骤(1)-(3)直至所有叶簇被遍历完成每个叶簇的模型建立。
b、枝干建模:由于枝干点卷曲程度较高,且在实际情况中会由于扫描角度、遮挡间隙的存在等问题造成枝干表面点密度分布不均匀,因此我们采用对间隙更为包容的Alpha-shape 算法进行枝干建模。Alpha-shape算法实现具体方法如下:
在枝干点集中抽取任意不在一条直线上的三个点,记为M、N、P。在三维空间中过点M、 N、P可以生成两个半径大小为r的球体,分别记为Spherea和Sphereb。
如果在Spherea和Sphereb中存在一球体,该球体内部不包含枝干点集内的任何点,那么则判定这三个点组成的表面为枝干模型多面体的一个表面并将其记为建模模型的一个表面。如果上述情况不存在,由M、N、P三点组成的表面不为建模模型的表面。
遍历枝干点集内的所有点的组合,基于Alpha-shape算法的枝干模型建立完成。
步骤5、根据实际需求赋予步骤4中得到的叶片模型和枝干模型各自的标签和属性,进而得到整棵树木的数字孪生。
步骤4涉及的原理:
由于叶簇之间存在聚集,因此如果直接对对提取出来的叶片点云进行建模,可能会造成不同叶片的点被归为同一叶片点来进行建模。因此,我们采用先对叶片点云进行基于欧氏距离聚类成一个个叶簇,再对各个叶簇进行建模的方案来规避叶片建模混乱的问题。
本发明首先对待数字孪生的树木进行多站式地基激光雷达扫描,得到完整的地基激光雷达扫描点云数据;再对原始的地基激光雷达数据进行点云预处理工作,完成去噪,树木点云提取等工作;之后对树木点云进行枝叶分离,进而得到其叶片点云和枝干点云;对于叶片点云,采用欧氏距离聚类法,对其进行叶簇尺度的聚类,并在此基础上基于德罗尼三角网构建叶片模型;对于枝干点云,采用Alpha-shape算法构建枝干模型;最后将构建完成的叶片模型和枝干模型叠加在一起,完成对目标树木的数字孪生,其流程如图1所示。
综上所述,本发明充分的利用了地基激光雷达点云数据的高空间分辨率、高精度,强穿透性,分析地基激光雷达实际扫描时间隙的遮挡,考虑叶片聚集,结合叶片和枝干的形态特征,经历地基激光雷达多站扫描、点云预处理、枝叶分离、叶簇欧氏距离聚类、叶片建模、枝干建模;运用Alpha-shape和德洛尼三角网算法做叶片和枝干模型拟合有效克服了现有树木数字建模细节不全、枝干构建不真实等问题,实现了基于地基激光雷达点云数据的树木数字孪生,具有高精度、高还原度的技术效果。
附图说明
图1为本发明的流程示意图;
图2为实施例的叶簇欧氏距离聚类结果图;
图3为实施例的叶片建模结果图;
图4为实施例的枝干建模结果图;
图5为实施例的树木数字孪生结果图。
具体实施方式
以下通过一个样例的实施并结合附图对本发明作进一步详细说明:
开发环境为MATLAB和Dev-C++5.11,编程语言为MATLAB和C++混合编程。
步骤1,利用型号为Leica Scan Station C10的地基激光雷达扫描仪对一株香樟树进行点云数据获取,考虑到树木的叶片与枝干存在聚集、遮挡等复杂因素,为了更全面、精确的获得该树木的三维点云数据,设立三个站点对被测树木进行环绕扫描,其中这三个站点中相邻站点之间的夹角为120°。
步骤2,对步骤1获得的原始地基激光点云进行去噪、树木点提取等点云数据预处理工作。
步骤3,对步骤2预处理后的树木点云进行枝叶分离,得到树木的叶片点和枝干点。
步骤4,枝干和叶片建模:
a、叶片建模:
对步骤3得到的叶片点进行欧氏距离聚类,得到叶簇点集(如图2所示)。
(1)初始化叶片点云的叶簇类别编号,令所有叶片点云的叶簇类别编号为0;
(2)取叶片点云中的任意一点P,记其叶簇类别编号为Kn,K1=1,Kn=n;以P为中心点,在叶片点云中搜索与P的距离R小于固定阈值Rth的点,归入点集Kn,n为自然数从1依次取值;Rth取值为5毫米-3分米,叶片分布密度不变的情况下叶片尺寸越大Rth越大;
P和非P点之间的距离R计算公式如下:
其中(x,y,z)为点P的坐标,(xt,yt,zt)为非P点的坐标;
遍历点集Kn内的所有点,在叶片点云中搜索是否存在一点T,使得点集Kn内存在一点G,使得点G和点T之间的距离R小于固定阈值Rth;如果存在,则将T归入点集Kn,并再次重复上述步骤,搜索可以被并入点集Kn的点;如果不存在,则意味着点集Kn内的所有点被找到;
(3)循环步骤(2)遍历K1至Kn以外的剩余叶片点云,直至叶片点云中不存在叶簇类别编号为0的点。
然后,对欧氏距离聚类后的叶片点云的各个叶簇进行基于德罗尼三角网的模型构建,并累加各个叶簇的模型,得到整体叶片模型(如图3所示)。
b、枝干建模:对步骤3得到的枝干点进行基于Alpha-shape算法的模型构建,得到枝干模型(如图4所示)。
步骤5、将步骤4中的叶片模型和枝干模型相融合,完成对树木的数字孪生(如图5所示)。
通过以上实施例可见,本发明充分的利用了地基激光雷达点云数据的高空间分辨率、高精度,强穿透性,分析地基激光雷达实际扫描时间隙的遮挡,考虑叶片聚集,结合叶片和枝干的形态特征,经历地基激光雷达多站扫描、点云预处理、枝叶分离、叶簇欧氏距离聚类、叶片建模、枝干建模;运用Alpha-shape和德洛尼三角网算法做叶片和枝干模型拟合有效克服了现有树木数字建模细节不全、枝干构建不真实等问题,实现了基于地基激光雷达点云数据的树木数字孪生,具有高精度、高还原度的技术效果。
Claims (3)
1.一种基于地基激光雷达点云的树木数字孪生方法,其特征在于,包括以下步骤:
步骤1、TLS多站扫描,获取目标点云数据;
步骤2、对步骤1获取的目标点云数据进行去噪、树木点云提取预处理;
步骤3、对步骤2预处理后的点云数据完成枝叶分离,得到叶片点云和枝干点:
步骤4、枝干和叶片建模:
a、叶片建模:首先对步骤3获取的叶片点云进行欧氏距离聚类,然后采用德罗尼三角网对每个叶簇分别进行模型建立,最后通过叶簇模型累加得到树木叶片部分的数字孪生,具体方法如下:
(1)对叶片点云中拥有相同叶簇类别编号的点组成的点集称之为一个叶簇;对叶簇leaf clusteri建立一个三角形凸包Trii,其中i是leaf clusteri的下标,同时也是Trii的下标,意为该叶簇的叶簇类别编号为i,并建立一一对应的三角形凸包;
(2)对于(1)中建立的三角形凸包Trii,向其内部插入leaf clusteri中的一点,令插入的该点与它所在的三角形的三个顶点相连,进而生成三个新的三角形;
然后对新生成的三个三角形分别做外接圆,如果三角形的外接圆内不包含已经生成的三角形的顶点,则认为新生成的三角形为德罗尼三角网的一部分,如果三角形的外接圆内包含了已经生成的三角形的顶点,则删去该顶点和新生成的三个三角形;
(3)在leaf clusteri选取之前未插入的点,重复(2),直至遍历完leaf clusteri内的所有点,意味着该叶簇的德罗尼三角网模型建立完成;
重复步骤(1)-(3)直至所有叶簇被遍历完成;
b、枝干建模:采用Alpha-shape算法对步骤3获取的枝干点进行枝干建模,具体如下:
在枝干点集中抽取任意不在一条直线上的三个点,记为M、N、P,在三维空间中过点M、N、P生成两个半径大小为r的球体,分别记为Spherea和Sphereb;
如果在Spherea和Sphereb中存在一球体,该球体内部不包含枝干点集内的任何点,那么则判定这三个点组成的表面为枝干模型多面体的一个表面并将其记为建模模型的一个表面;如果上述情况不存在,由M、N、P三点组成的表面不为建模模型的表面;
遍历枝干点集内的所有点的组合,基于Alpha-shape算法的枝干模型建立完成;
步骤5、根据实际需求赋予步骤4中得到的叶片模型和枝干模型各自的标签和属性,进而得到整棵树木的数字孪生。
2.如权利要求1所述基于地基激光雷达点云的树木数字孪生方法,其特征在于,所述步骤3中点云数据枝叶分离具体为:
采用开源工具LeWoS进行枝干提取,在提取完枝干之后余下的便是叶片点云,进而完成点云的枝叶分离。
3.如权利要求1所述基于地基激光雷达点云的树木数字孪生方法,其特征在于,所述步骤4中叶片点云的欧氏距离聚类具体为:
(1)初始化叶片点云的叶簇类别编号,令所有叶片点云的叶簇类别编号为0;
(2)取叶片点云中的任意一点P,记其叶簇类别编号为Kn,K1=1,Kn=n;以P为中心点,在叶片点云中搜索与P的距离R小于固定阈值Rth的点,归入点集Kn,n为自然数从1依次取值;Rth取值为5毫米-3分米,叶片分布密度不变的情况下叶片尺寸越大Rth越大;
P和非P点之间的距离R计算公式如下:
其中(x,y,z)为点P的坐标,(xt,yt,zt)为非P点的坐标;
遍历点集Kn内的所有点,在叶片点云中搜索是否存在一点T,使得点集Kn内存在一点G,使得点G和点T之间的距离R小于固定阈值Rth;如果存在,则将T归入点集Kn,并再次重复上述步骤,搜索可以被并入点集Kn的点;如果不存在,则意味着点集Kn内的所有点被找到;
(3)循环步骤(2)遍历K1至Kn以外的剩余叶片点云,直至叶片点云中不存在叶簇类别编号为0的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210606253.8A CN115018982A (zh) | 2022-05-31 | 2022-05-31 | 一种基于地基激光雷达点云的树木数字孪生方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210606253.8A CN115018982A (zh) | 2022-05-31 | 2022-05-31 | 一种基于地基激光雷达点云的树木数字孪生方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018982A true CN115018982A (zh) | 2022-09-06 |
Family
ID=83071206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210606253.8A Pending CN115018982A (zh) | 2022-05-31 | 2022-05-31 | 一种基于地基激光雷达点云的树木数字孪生方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018982A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795632A (zh) * | 2023-01-17 | 2023-03-14 | 四川省公路规划勘察设计研究院有限公司 | 一种基于标记点云的自动几何孪生方法和系统 |
CN116229010A (zh) * | 2022-11-29 | 2023-06-06 | 北京市园林古建设计研究院有限公司 | 一种三维可视化辅助古树复壮的方法及装置 |
CN118097035A (zh) * | 2024-04-25 | 2024-05-28 | 山东科技大学 | 利用地基激光雷达的罗汉松三维精细化建模方法 |
-
2022
- 2022-05-31 CN CN202210606253.8A patent/CN115018982A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229010A (zh) * | 2022-11-29 | 2023-06-06 | 北京市园林古建设计研究院有限公司 | 一种三维可视化辅助古树复壮的方法及装置 |
CN116229010B (zh) * | 2022-11-29 | 2024-01-23 | 北京市园林古建设计研究院有限公司 | 一种三维可视化辅助古树复壮的方法及装置 |
CN115795632A (zh) * | 2023-01-17 | 2023-03-14 | 四川省公路规划勘察设计研究院有限公司 | 一种基于标记点云的自动几何孪生方法和系统 |
CN118097035A (zh) * | 2024-04-25 | 2024-05-28 | 山东科技大学 | 利用地基激光雷达的罗汉松三维精细化建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gibbs et al. | Approaches to three-dimensional reconstruction of plant shoot topology and geometry | |
CN115018982A (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
Hu et al. | Efficient tree modeling from airborne LiDAR point clouds | |
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 | |
CN103106684B (zh) | 一种带叶状态树木形态结构三维重建的方法和系统 | |
CN110992473B (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及系统 | |
CN101783016B (zh) | 一种基于形状分析的树冠外形提取方法 | |
CN103871100B (zh) | 基于点云与数据驱动的树木模型重建方法 | |
CN110136246A (zh) | 基于类主干点的三维树木几何模型重建方法 | |
CN112819830A (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
CN103942838A (zh) | 基于点云数据的单树三维建模与形态参数提取的方法 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
WO2015149302A1 (zh) | 基于点云与数据驱动的树木模型重建方法 | |
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 | |
CN106651900A (zh) | 一种基于轮廓分割的高架原位草莓三维建模方法 | |
CN114004938A (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
Wang et al. | A local structure and direction-aware optimization approach for three-dimensional tree modeling | |
CN114241155A (zh) | 一种基于车载激光点云数据的城市树木三维可视化方法 | |
CN116152494A (zh) | 基于两阶段3d点云语义分割的建筑物脚点识别分割方法 | |
CN115390040A (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
CN112116612A (zh) | 基于Mask R-CNN的行道树图像实例分割方法 | |
CN112991300A (zh) | 一种基于邻域特征的单木骨架提取及可视化方法 | |
CN109064556A (zh) | 一种面向isr的地貌高精度仿真建模系统 | |
Huang et al. | A 3D individual tree modeling technique based on terrestrial LiDAR point cloud data |
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 |