CN115409906B - 一种大规模倾斜摄影模型轻量化方法及装置 - Google Patents

一种大规模倾斜摄影模型轻量化方法及装置 Download PDF

Info

Publication number
CN115409906B
CN115409906B CN202211359352.7A CN202211359352A CN115409906B CN 115409906 B CN115409906 B CN 115409906B CN 202211359352 A CN202211359352 A CN 202211359352A CN 115409906 B CN115409906 B CN 115409906B
Authority
CN
China
Prior art keywords
model
new
calculating
root node
formula
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.)
Active
Application number
CN202211359352.7A
Other languages
English (en)
Other versions
CN115409906A (zh
Inventor
刘坡
马照亭
方驰宇
王颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202211359352.7A priority Critical patent/CN115409906B/zh
Publication of CN115409906A publication Critical patent/CN115409906A/zh
Application granted granted Critical
Publication of CN115409906B publication Critical patent/CN115409906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T17/205—Re-meshing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)
  • Image Generation (AREA)

Abstract

本发明提供了一种大规模倾斜摄影模型轻量化方法与装置，该方法包括：步骤S1：读取现有数据源中的模型根节点，统计模型的包围盒、根节点数目和模型的瓦片范围，计算模型的优化层级；步骤S2：基于步骤S1中的模型根节点，计算新的模型瓦片范围，建立新的模型索引树；步骤S3：根据步骤S2中构建的索引树，计算新模型根节点；所述计算新模型根节点包括生成模型的几何网格和纹理；步骤S4：根据步骤S3中的新模型根节点，对模型进行压缩；所述压缩包括对几何网格和纹理数据的压缩。本发明基于现有的倾斜模型的组织结构，通过生成更高层次节点及LOD信息，并利用几何和纹理数据压缩算法，实现大规模倾斜摄影模型在WebGL环境下的高效调度与流畅渲染。

Description

一种大规模倾斜摄影模型轻量化方法及装置
技术领域
本发明涉及数据模型技术领域，具体涉及一种大规模倾斜摄影模型轻量化方法及装置。
背景技术
近年来，随着测绘领域技术的快速发展，倾斜摄影技术以多角度、大范围、高精度、高分辨率的方式快速获取城市区域影像，可快速建立大规模高分辨率三维模型，有效地降低了三维建模的成本，广泛应用于全国各地三维模型生产。但是，随着场景的扩大以及对模型细节精度要求的提高，三维模型的数据量也显著增大，给计算机实时计算、传输、处理和显示带来了困难，需要对大规模的倾斜三维模型进行轻量化处理。
模型轻量化引起不少学者的关注，目前的研究主要集中于人工或者参数化模型的轻量化，如中国专利（CN113658327A）提出一种煤矿三维模型数据的轻量化方法和装置，其中，方法包括：对煤矿三维模型数据进行分块处理，以获取多个原数据块；对每个原数据块进行三角面简化处理及纹理多级渐远处理，以获取处理后的第一数据块；对每个第一数据块进行纹理合并和几何合并，以获取处理后的第二数据块；对每个第二数据块进行纹理压缩和几何压缩，以获取处理后的第三数据块。该方法通过对煤矿三维模型数据进行分块得到每个数据块，进行三角面简化处理、纹理多级渐远处理、合并和压缩处理，减少了模型数据量，实现了煤矿三维模型数据的轻量化，使得前端能够快速加载煤矿三维模型，减少了前端加载时长。但是，倾斜模型分块存在一定的重叠，很难移除重复的顶点与面。而且，模型分块以后很难保持结构特征，其纹理特征也不连续。
再如中国专利（CN105160942A）提供一种面向船舶可视导航的通航环境可视化表示方法，包括几何层：包括通航环境和主题要素的几何模型、初始位置和状态、船舶的动态数据、运动导航点位置信息；物理层用于表示主题要素在通航环境中的物理特性和应遵循的物理规律；时态层基于时间密度，将通航环境和主题要素的时态特征归纳为状态和过程，将研究的时间域指定为连续模型；建立语义层，包括专题语义、空间语义和过程语义，反映通航环境要素动态变化过程的物理本质及对船舶可视导航的影响。通过采用本发明方法，将通航环境和主题要素集成到统一的时空框架下，实现通航环境信息的集中、统一表示，提高了可视化时空分析的准确性和效率。 但是，倾斜模型分块以后，虽然每个分块包含LOD信息，其渲染效率仍然比较低，需要对倾斜模型进一步轻量化处理。
因此，亟需一种大规模倾斜摄影模型轻量化方法及装置。
发明内容
本发明的目的是提出一种面向可视化的倾斜三维模型轻量化方法，解决大规模倾斜三维模型可视化的问题。具体的，通过优化模型的索引树，以及几何和纹理数据压缩，实现大规模倾斜模型的轻量化处理。
为了实现上述目的，本发明采用了如下技术方案：
一种大规模倾斜摄影模型轻量化方法，所述方法包括：
步骤S1、模型遍历：读取现有数据源中的模型根节点，统计包括模型的包围盒、根节点数目和模型的瓦片范围，计算模型的优化层级；
步骤S2、模型索引树构建：基于步骤S1中的模型根节点读取结果，计算新的模型瓦片范围，建立新的模型索引树；
所述步骤S2中计算新的模型瓦片范围包括模型外包框的平均宽度
Figure DEST_PATH_IMAGE001
和高度/>
Figure 178357DEST_PATH_IMAGE002
，所述平均宽度/>
Figure 781377DEST_PATH_IMAGE001
和高度/>
Figure 487165DEST_PATH_IMAGE002
的计算公式如下：
Figure DEST_PATH_IMAGE003
（1）；
式中：n为倾斜模型的节点个数，
Figure 946965DEST_PATH_IMAGE004
、/>
Figure DEST_PATH_IMAGE005
为每个模型外包框的宽度和高度；
步骤S3、新模型根节点构建：根据步骤S2中构建的新模型索引树，计算新模型的根节点；所述计算新模型根节点包括生成模型的几何网格和纹理；
所述步骤S3中几何网格的计算包括计算新网格的屏幕误差，计算公式如下：
Figure 534941DEST_PATH_IMAGE006
（2）；
式中：
Figure DEST_PATH_IMAGE007
为新的倾斜模型的屏幕误差，/>
Figure 1039DEST_PATH_IMAGE008
为原始的倾斜模型的屏幕误差，N为相交的倾斜模型节点数目；
所述步骤S3中纹理的计算包括计算几何高度
Figure DEST_PATH_IMAGE009
，计算公式如下：
Figure 561333DEST_PATH_IMAGE010
（3）；
式中：m为计算系数，W和H为原始的几何网格的宽度和高度，
Figure DEST_PATH_IMAGE011
表示为VFP数值函数的一种；
步骤S4、模型压缩：根据步骤S3中的新模型根节点，对模型进行压缩；所述压缩包括对几何网格和纹理数据的压缩。
优选地，根据上述计算（1）的模型外包框的平均宽度
Figure 192035DEST_PATH_IMAGE001
和高度/>
Figure 204990DEST_PATH_IMAGE002
，按照平均4n个根节点综合为一个新根节点，计算新根节点的宽度/>
Figure 149812DEST_PATH_IMAGE012
和/>
Figure DEST_PATH_IMAGE013
高度，其中n≥1，计算公式如下：/>
Figure 426597DEST_PATH_IMAGE014
（4）；
式中：
Figure 165883DEST_PATH_IMAGE012
、/>
Figure 666135DEST_PATH_IMAGE013
为新根节点的宽度和高度。
优选地，根据上述计算（4），将原始数据范围划分为网格，所述网格包括移动相交框
Figure DEST_PATH_IMAGE015
和移动搜索框/>
Figure 945806DEST_PATH_IMAGE016
；
计算每个模型外包框与移动相交框
Figure 949534DEST_PATH_IMAGE015
的相交面积和模型外包框的面积比，计算公式如下：
Figure DEST_PATH_IMAGE017
（5）；
式中：
Figure 187618DEST_PATH_IMAGE018
、/>
Figure DEST_PATH_IMAGE019
、/>
Figure 968973DEST_PATH_IMAGE020
为相交面积、外包框面积和相交比例。
优选地，根据上述计算（5），按照平均16n个根节点综合为一个新根节点，计算移动搜索框
Figure 255598DEST_PATH_IMAGE016
和新根节点，生成新根节点的几何网格和纹理，其中n≥1。
优选地，根据上述计算（3），计算新模型的纹理坐标（
Figure DEST_PATH_IMAGE021
，/>
Figure 441729DEST_PATH_IMAGE022
），计算公式如下：
Figure DEST_PATH_IMAGE023
（6）；
式中：
Figure 53976DEST_PATH_IMAGE024
为倾斜模型外包框的左下角点，/>
Figure DEST_PATH_IMAGE025
为目标点。
优选地，根据上述计算（6），计算正射相机的位置：
Figure 325557DEST_PATH_IMAGE026
（7）；
式中：
Figure DEST_PATH_IMAGE027
为相机的平均高度，按照自左至后、自上向下生成模型的纹理。
优选地，所述步骤S1中计算优化的层级，计算公式如下：
Figure 949961DEST_PATH_IMAGE028
（8）；
Num为原始倾斜模型块的个数，floor为向下取整函数。
优选地，所述步骤S1中的现有数据源，包括n个LOD的倾斜摄影模型数据集，其中n≥1。
优选地，所述步骤S2中模型索引树构建包括基于四叉树的倾斜三维模型索引树构建。
优选地，一种大规模倾斜摄影模型轻量化方法，其特征在于，还包括一种大规模倾斜摄影模型轻量化装置，所述大规模倾斜摄影模型轻量化装置包括获取单元、第一计算单元、第二计算单元、第三计算单元和第四计算单元；
所述获取单元，用于获取步骤S1中的现有数据源；
所述第一计算单元，用于步骤S1模型遍历，对现有数据源进行读取、统计和计算；
所述第二计算单元，用于步骤S2模型索引树构建，基于步骤S1中的模型根节点，计算新的模型瓦片范围，并建立新的模型索引树；
所述第三计算单元，用于步骤S3新模型根节点构建，计算生成三维模型根节点；
所述第四计算单元，用于步骤S4数据压缩。
本申请的优点和效果如下：
1、本发明所提供的一种大规模倾斜三维模型轻量化方法，通过对现有的三维模型节点综合形成新的节点，优化模型的层级，提高大规模倾斜三维模型的调度速度。
2、本发明所提供的一种大规模倾斜三维模型轻量化装置，包含信息统计、构建索引树、生成模型节点和模型压缩等计算单元。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，从而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下以本申请的较佳实施例并配合附图详细说明如后。
根据下文结合附图对本申请具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述及其他目的、优点和特征。
附图说明
为了更清楚地说明本申请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，此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
其中：
图1为本发明一种大规模倾斜摄影模型轻量化方法流程图；
图2为本发明一种大规模倾斜摄影模型轻量化装置示意图；
图3为倾斜摄影原始模型节点示意图；
图4为倾斜模型节点的示意图；
图5为节点计算示意图；
图6为L11节点模型选取示意图；
图7为为L11几何网格计算示意图；
图8为纹理计算示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面结合说明书附图和具体实施例来进一步说明本发明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例，并不对本发明作任何形式的限定。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的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。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
在进一步描述本发明具体实施方式之前，应理解，本发明的保护范围不局限于下述特定的具体实施方案；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围；在本发明说明书和权利要求书中，除非文中另外明确指出，单数形式“一个”、“一”和“这个”包括复数形式。
实施例1
本实施例主要介绍一种大规模倾斜摄影模型轻量化方法的总体流程。
请参考图1所示。
步骤S1、模型遍历：读取现有数据源中的模型根节点，统计包括模型的包围盒、根节点数目和模型的瓦片范围，计算模型的优化层级；
进一步的，所述步骤S1中计算优化的层级，计算公式如下：
Figure 928281DEST_PATH_IMAGE028
（8）；
Num为原始倾斜模型块的个数，floor为向下取整函数。
进一步的，所述步骤S1中的现有数据源，包括n个LOD的倾斜摄影模型数据集，其中n≥1。
步骤S2、模型索引树构建：基于步骤S1中的模型根节点读取结果，计算新的模型瓦片范围，建立新的模型索引树；
所述步骤S2中计算新的模型瓦片范围包括模型外包框的平均宽度
Figure 914692DEST_PATH_IMAGE001
和高度/>
Figure 345673DEST_PATH_IMAGE002
，所述平均宽度/>
Figure 442942DEST_PATH_IMAGE001
和高度/>
Figure 806927DEST_PATH_IMAGE002
的计算公式如下：
Figure 229818DEST_PATH_IMAGE003
（1）；
式中：n为倾斜模型的节点个数，
Figure 148096DEST_PATH_IMAGE004
、/>
Figure 314635DEST_PATH_IMAGE005
为每个模型外包框的宽度和高度；
进一步的，所述步骤S2模型索引树构建，包括基于四叉树的倾斜摄影的模型索引树构建，计算模型的瓦片大小。
步骤S3、新模型根节点构建：根据步骤S2中构建的新模型索引树，计算新模型的根节点；所述计算新模型根节点包括生成模型的几何网格和纹理；
所述步骤S3中几何网格的计算包括计算新网格的屏幕误差，计算公式如下：
Figure 1968DEST_PATH_IMAGE006
（2）；
式中：
Figure 595761DEST_PATH_IMAGE007
为新的倾斜模型的屏幕误差，/>
Figure 1334DEST_PATH_IMAGE008
为原始的倾斜模型的屏幕误差，N为相交的倾斜模型节点数目；
所述步骤S3中纹理的计算包括计算几何高度
Figure 437476DEST_PATH_IMAGE009
，计算公式如下：
Figure 244895DEST_PATH_IMAGE010
（3）；
式中：m为计算系数，W和H为原始的几何网格的宽度和高度，
Figure 744010DEST_PATH_IMAGE011
表示为VFP数值函数的一种；
步骤S4、模型压缩：根据步骤S3中的新模型根节点，对模型进行压缩；所述压缩包括对几何网格和纹理数据的压缩。
进一步的，根据上述计算（1）的模型外包框的平均宽度
Figure 636879DEST_PATH_IMAGE001
和高度/>
Figure 145221DEST_PATH_IMAGE002
，按照平均4n个根节点综合为一个新根节点，计算新根节点的宽度/>
Figure 807146DEST_PATH_IMAGE012
和/>
Figure 477162DEST_PATH_IMAGE013
高度，其中n≥1，计算公式如下：
Figure DEST_PATH_IMAGE029
（4）；
式中：
Figure 654066DEST_PATH_IMAGE012
、/>
Figure 966098DEST_PATH_IMAGE013
为新根节点的宽度和高度。
进一步的，根据上述计算（4），将原始数据范围划分为网格，所述网格包括移动相交框
Figure 482530DEST_PATH_IMAGE015
和移动搜索框/>
Figure 123115DEST_PATH_IMAGE016
；
计算每个模型外包框与移动相交框
Figure 256156DEST_PATH_IMAGE015
的相交面积和模型外包框的面积比，计算公式如下：
Figure 106300DEST_PATH_IMAGE017
（5）；
式中：
Figure 8397DEST_PATH_IMAGE018
、/>
Figure 551374DEST_PATH_IMAGE019
、/>
Figure 906132DEST_PATH_IMAGE020
为相交面积、外包框面积和相交比例。
进一步的，根据上述计算（5），按照平均16n个根节点综合为一个新根节点，计算移动搜索框
Figure 28809DEST_PATH_IMAGE016
和新根节点，生成新根节点的几何网格和纹理，其中n≥1。
进一步的，根据上述计算（3），计算新模型的纹理坐标（
Figure 519833DEST_PATH_IMAGE021
，/>
Figure 233711DEST_PATH_IMAGE022
），计算公式如下：/>
Figure 544607DEST_PATH_IMAGE030
（6）；
式中：
Figure 569561DEST_PATH_IMAGE024
为倾斜模型外包框的左下角点，/>
Figure 446250DEST_PATH_IMAGE025
为目标点；
进一步的，根据上述计算（6），计算正射相机的位置：
Figure 65451DEST_PATH_IMAGE026
（7）；
式中：
Figure 394801DEST_PATH_IMAGE027
为相机的平均高度，按照自左至后、自上向下生成模型的纹理。
进一步的，所述步骤S3模型节点生成，生成的新模型节点，包括几何网格和纹理。
进一步的，所述步骤S4模型压缩，包括对几何和纹理数据的压缩。
进一步的，所述步骤1-4基于步骤S1中的数据源，所述数据源包括多个分块LOD的倾斜摄影数据集。
本实施例的有益效果是，充分利用现有的倾斜三维模型数据结构，优化模型的层次结构，并生成更高层次模型节点，并利用几何和纹理数据压缩算法，实现大规模倾斜三维模型在网络环境下的高效调度与流畅渲染。
实施例2
本实施例主要介绍一种大规模倾斜摄影模型轻量化装置。
请参考图2所示。
一种大规模倾斜摄影模型轻量化装置，包括获取单元、第一计算单元、第二计算单元、第三计算单元和第四计算单元；
所述获取单元，用于获取现有数据源，所述获取的现有数据源用于步骤S1；具体的，用于获取待处理的包含LOD的倾斜模型数据集；
所述第一计算单元，用于步骤S1模型遍历，对现有数据源进行读取、统计和计算；具体的，用于对所述获取单元所获取数据进行统计总的包围盒，以及相关的坐标系以及中心点信息，计算模型优化的层级；
在本实施例中，所述第一计算单元具体用于包括：
所述步骤S1中计算优化的层级，计算公式如下：
Figure 390439DEST_PATH_IMAGE028
（8）；
Num为原始倾斜模型块的个数，floor为向下取整函数。
所述第二计算单元，用于步骤S2模型索引树构建，基于步骤S1中的模型根节点，计算新的模型瓦片范围，并建立新的模型索引树；具体的，用于建立新的模型索引树，基于现有的节点计算新的模型瓦片节点范围，并确定模型新的索引树；
在本实施例中，所述第二计算单元具体用于包括：
所述步骤S2中计算新的模型瓦片范围包括模型外包框的平均宽度
Figure 856055DEST_PATH_IMAGE001
和高度/>
Figure 380577DEST_PATH_IMAGE002
，所述平均宽度/>
Figure 931644DEST_PATH_IMAGE001
和高度/>
Figure 199815DEST_PATH_IMAGE002
的计算公式如下：
Figure 519937DEST_PATH_IMAGE003
（1）；
式中：n为倾斜模型的节点个数，
Figure 746519DEST_PATH_IMAGE004
、/>
Figure 522233DEST_PATH_IMAGE005
为每个模型外包框的宽度和高度；
根据上述计算（1）的模型外包框的平均宽度
Figure 594094DEST_PATH_IMAGE001
和高度/>
Figure 299882DEST_PATH_IMAGE002
，按照平均4n个根节点综合为一个新根节点，计算新根节点的宽度/>
Figure 697365DEST_PATH_IMAGE012
和/>
Figure 957445DEST_PATH_IMAGE013
高度，其中n≥1，计算公式如下：
Figure 98577DEST_PATH_IMAGE014
（4）；
式中：
Figure 393292DEST_PATH_IMAGE012
、/>
Figure 227256DEST_PATH_IMAGE013
为新根节点的宽度和高度。
根据上述计算（4），将原始数据范围划分为网格，所述网格包括移动相交框
Figure 974632DEST_PATH_IMAGE015
和移动搜索框/>
Figure 653875DEST_PATH_IMAGE016
；
计算每个模型外包框与移动相交框
Figure 800167DEST_PATH_IMAGE015
的相交面积和模型外包框的面积比，计算公式如下：
Figure 539453DEST_PATH_IMAGE017
（5）；
式中：
Figure 508546DEST_PATH_IMAGE018
、/>
Figure 460321DEST_PATH_IMAGE019
、/>
Figure 729629DEST_PATH_IMAGE020
为相交面积、外包框面积和相交比例。
根据上述计算（5），按照平均16n个根节点综合为一个新根节点，计算移动搜索框
Figure 905395DEST_PATH_IMAGE016
和新根节点，生成新根节点的几何网格和纹理，其中n≥1。
所述第三计算单元，用于步骤S3新模型根节点构建，计算生成三维模型根节点；具体的，用于根据新的索引树，计算生成模型的几何网格和纹理；
在本实施例中，所述第三计算单元具体用于包括：
步骤S3、新模型根节点构建：根据步骤S2中构建的新模型索引树，计算新模型的根节点；所述计算新模型根节点包括生成模型的几何网格和纹理；
所述步骤S3中几何网格的计算包括计算新网格的屏幕误差，计算公式如下：
Figure 627363DEST_PATH_IMAGE006
（2）；
式中：
Figure 382830DEST_PATH_IMAGE007
为新的倾斜模型的屏幕误差，/>
Figure 241064DEST_PATH_IMAGE008
为原始的倾斜模型的屏幕误差，N为相交的倾斜模型节点数目；
所述步骤S3中纹理的计算包括计算几何高度
Figure 56574DEST_PATH_IMAGE009
，计算公式如下：
Figure 265838DEST_PATH_IMAGE010
（3）；
式中：m为计算系数，W和H为原始的几何网格的宽度和高度，
Figure 93504DEST_PATH_IMAGE011
表示为VFP数值函数的一种；
根据上述计算（3），计算新模型的纹理坐标（
Figure 337404DEST_PATH_IMAGE021
，/>
Figure 323814DEST_PATH_IMAGE022
），计算公式如下：
Figure 20375DEST_PATH_IMAGE023
（6）；
式中：
Figure 383223DEST_PATH_IMAGE024
为倾斜模型外包框的左下角点，/>
Figure 747208DEST_PATH_IMAGE025
为目标点；
根据上述计算（6），计算正射相机的位置：
Figure 638941DEST_PATH_IMAGE026
（7）；
式中：
Figure 822798DEST_PATH_IMAGE027
为相机的平均高度，按照自左至后、自上向下生成模型的纹理。
所述第四计算单元，用于步骤S4数据压缩。具体的，用于数据压缩，主要包括几何和纹理数据压缩。
本实施例的有益效果是，模型几何网格的连接信息和几何信息分别进行编码压缩，以降低数据复杂性和存储开销。结合一种大规模倾斜三维模型轻量化方法，通过本装置进一步实现对海量倾斜三维模型的轻量化处理，实现大规模倾斜三维模型载网络环境下的高效调度与流畅显示。
实施例3
基于实施例1或2任意一个，本实施例主要介绍步骤S1。
请参考图3所示。
步骤S1、模型遍历：遍历倾斜三维模型，读取数据源中所有的倾斜模型根节点，统计总的包围盒、节点数目、相关坐标系和中心点信息，计算模型优化的层级。
步骤S1中所述的模型编历包括：模型区域的空间范围和根节点数目，确定模型优化的层级。
倾斜摄影一般采用金字塔式的从粗到细、由上至下、分层场景树来组织空间数据。
如图3所示，将一定范围内的倾斜摄影数据划分为多个块（Tile），每个块存储在一个文件夹中，每个文件夹包含了一个根节点文件，通过根节点检索相应的子节点。图3虚线中蓝色方块（G）表示模型根节点，方块的大小表示节点的外包范围，相邻节点之间存在一定的重叠。
依次读取每个文件夹中的根节点，计算所有节点的的外包框范围，并记录每个节点外包框的长度和宽度，以及每个模型所在的文件路径。计算优化的层级，计算公式如下：
Figure 989337DEST_PATH_IMAGE028
（8）；
Num为原始倾斜模型块的个数，floor为向下取整函数。
本实施例的有益效果是获得优化模型的层级，确定新增的索引树层级。
实施例4
基于实施例1或2任意一个，本实施例主要介绍步骤S2。
请参考图4、5、6所示。
步骤S2、模型索引树构建：基于步骤S1，计算新的模型瓦片范围，确定模型索引树。
步骤S2中所述的模型索引树，计算包括：计算新的模型瓦片范围，确定新的模型的索引树。
如图4所示，将原始的根节点相邻的一定空间范围内的3个或者4个节点，向上合并化简为一个更为粗糙的LOD层级
Figure DEST_PATH_IMAGE031
，模型根节点的数量大约为原始1/4，合并两次以后的节点为/>
Figure 207828DEST_PATH_IMAGE032
，合并三次以后的根节点为/>
Figure DEST_PATH_IMAGE033
，每个方块大小表示节点的空间范围。
1）计算所有节点外包框的平均宽度
Figure 126587DEST_PATH_IMAGE001
和高度/>
Figure 266582DEST_PATH_IMAGE002
，计算公式如下：
Figure 236812DEST_PATH_IMAGE003
（1）；
式中：n为倾斜模型的节点个数，
Figure 44231DEST_PATH_IMAGE004
、/>
Figure 543345DEST_PATH_IMAGE005
为每个模型外包框的宽度和高度。
2）根据倾斜模型的平均宽和高，按照平均4个节点综合为一个新节点，计算综合之后新节点的宽和高，计算公式如下：
Figure 436215DEST_PATH_IMAGE014
（4）；
其中：
Figure 944556DEST_PATH_IMAGE012
、/>
Figure 340903DEST_PATH_IMAGE013
为新根节点的宽度和高度，计算移动平均框的范围，将原始数据范围划分为网格。其中图5所示的移动相交框/>
Figure 276498DEST_PATH_IMAGE034
。
3）按照自下而上、自左向右的顺序，移动相交框
Figure 391084DEST_PATH_IMAGE034
，计算每个模型外包框与/>
Figure 171958DEST_PATH_IMAGE034
的相交面积和模型外包框的面积比，如果相交比例大于50%，则调度该模型的数据文件，计算公式如下。
Figure 956899DEST_PATH_IMAGE017
（5）；
式中：
Figure 63396DEST_PATH_IMAGE018
、/>
Figure 665278DEST_PATH_IMAGE019
、/>
Figure 515423DEST_PATH_IMAGE020
为相交面积、外包框面积和相交比例。图6中（a）所示的S1、S2为节点的外包框，和为相交面积。
4）一个节点计算完成以后，如图5中
Figure DEST_PATH_IMAGE035
所示，按照平均16个节点综合为一个新节点，计算新的移动搜索框和新节点大小，生产新节点的几何网格和纹理，直到生成满足要求的层级结束。
本实施例的有益效果是计算不同层级倾斜模型的链接关系，确定模型的索引结构。
实施例5
基于实施例1或2任意一个，本实施例主要介绍步骤S3。
请参考图7、8所示。
步骤S3中所述的新模型节点构建包括：生成模型的几何网格和纹理。
主要的流程如下：
1）根据图7所示，根据
Figure 683099DEST_PATH_IMAGE036
的几何外包框范围，按照从下到上、从左到右的顺序，计算每条直线与网格的交点，计算相交点的高程，取高程最高的相交点的高程为点的高度。计算新网格的屏幕误差，计算公式如下：
Figure 694917DEST_PATH_IMAGE006
（2）；
式中：
Figure 49675DEST_PATH_IMAGE007
为新的倾斜模型的屏幕误差，/>
Figure 703510DEST_PATH_IMAGE008
为原始的倾斜模型的屏幕误差，N为相交的倾斜模型节点数目。
2）基于RTT(Render to Texture)方法生成模型的纹理。如图8中（a）所示，采用正射投影方法，相机的方向为垂直向下，生成纹理；图7中（b）为
Figure DEST_PATH_IMAGE037
块的几何位置，原始的几何范围的宽度和高度为W和H，为了后续的可视化的效率，纹理高度和宽度一般为2的倍数，假设生成纹理的宽度512个像素，需要重新计算纹理的对应的几何高度/>
Figure 785080DEST_PATH_IMAGE009
，其计算公式为：
Figure 233379DEST_PATH_IMAGE010
（3）；
根据新的外包范围，计算生成新的几何顶点的纹理坐标，图中P点的纹理坐标（
Figure 606592DEST_PATH_IMAGE021
，
Figure 798538DEST_PATH_IMAGE022
）计算公式如下：/>
Figure 144069DEST_PATH_IMAGE023
（6）；
其中：
Figure 763269DEST_PATH_IMAGE024
为倾斜模型外包框的左下角，图8中（c）中蓝色框为/>
Figure 827040DEST_PATH_IMAGE038
、/>
Figure DEST_PATH_IMAGE039
、/>
Figure 88257DEST_PATH_IMAGE040
倾斜摄影块修正以后的几何外包框，黑色点/>
Figure DEST_PATH_IMAGE041
为新的几何外包框的中心，可以计算正射相机的位置为：
Figure 819453DEST_PATH_IMAGE026
（7）；
式中：
Figure 878063DEST_PATH_IMAGE027
为相机的平均高度，按照自左至后、自上向下生成模型的纹理。
本实施例的有益效果是生成新的模型节点，包括其几何和纹理数据。
实施例6
基于实施例1或2任意一个，本实施例主要介绍步骤S4。
请参考图2所示。
步骤S4、模型压缩：对模型进行压缩，减少模型的数据量。
首先对纹理进行压缩处理，处理成高效渲染的DDS格式。通过Draco压缩技术，对模型几何网格的连接信息和几何信息分别进行编码压缩，可节省约80%的存储空间，以降低数据复杂性和存储开销。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
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 (5)

1.一种大规模倾斜摄影模型轻量化方法，其特征在于，所述方法包括：
步骤S1、模型遍历：读取现有数据源中的模型根节点，统计包括模型的包围盒、根节点数目和模型的瓦片范围，计算模型的优化层级；
步骤S2、模型索引树构建：基于步骤S1中的模型根节点读取结果，计算新的模型瓦片范围，建立新的模型索引树；
所述步骤S2中计算新的模型瓦片范围包括模型外包框的平均宽度Δw和平均高度Δh，所述平均宽度Δw和平均高度Δh的计算公式如下：
Figure FDA0004027575570000011
Figure FDA0004027575570000012
式中：n为倾斜摄影模型的根节点个数，wi、hi为每个模型外包框的宽度和高度；
根据上述计算公式(1)的模型外包框的平均宽度Δw和平均高度Δh，按照平均4n个根节点综合为一个新根节点，计算新根节点的宽度wn和高度hn，其中n≥1，计算公式如下：
wn＝2*Δw
hn＝2*Δh (4)；
式中：wn、hn为新根节点的宽度和高度；
根据上述计算公式(4)，将原始数据范围划分为网格，所述网格包括移动相交框Ti和移动搜索框Tj；
计算每个模型外包框与移动相交框Ti的相交面积和模型外包框面积的相交比例，如果相交比例大于50％，则调度模型的数据文件；计算公式如下：
Figure FDA0004027575570000021
Δα＞50％ (5)；
式中：Δs、S、Δα 为相交面积、模型外包框面积和相交比例；
根据上述计算公式(5)，按照平均16n个根节点综合为一个新根节点，计算移动搜索框Tj和新根节点，生成新根节点的几何网格和纹理，其中n≥1；
步骤S3、新的模型根节点构建：根据步骤S2中构建的新的模型索引树，计算新的模型根节点；所述计算新的模型根节点包括生成模型的几何网格和纹理；
所述步骤S3中几何网格的计算包括计算新的几何网格的屏幕误差，计算公式如下：
Figure FDA0004027575570000031
式中：Δe为新的倾斜摄影模型的屏幕误差，ei为原始的倾斜摄影模型的屏幕误差，N为相交的倾斜摄影模型根节点数目；
所述步骤S3中纹理的计算包括计算纹理对应的几何高度H1，计算公式如下：
Figure FDA0004027575570000032
Figure FDA0004027575570000033
式中：m为计算系数，W和H为原始的几何网格的宽度和高度，Int表示为VFP数值函数的一种；
根据上述计算公式(3)，计算新的模型的纹理坐标(tx，ty)，计算公式如下：
Figure FDA0004027575570000034
Figure FDA0004027575570000035
式中：o为模型外包框的左下角点，P为目标点；
根据上述计算公式(6)，计算正射相机的位置：
Cx＝o′x
Cy＝o′y
Cz＝o′z+Hc (7)；
式中：Hc为正射相机的平均高度，按照自左至后、自上向下生成模型的纹理；
步骤S4、模型压缩：根据步骤S3中的新的模型根节点，对模型进行压缩；所述压缩包括对几何网格和纹理数据的压缩。
2.根据权利要求1所述的一种大规模倾斜摄影模型轻量化方法，其特征在于，所述步骤S1中计算模型的优化层级，计算公式如下：
Figure FDA0004027575570000041
Num为原始模型块的个数，floor为向下取整函数。
3.根据权利要求1或2所述的一种大规模倾斜摄影模型轻量化方法，其特征在于，所述步骤S1中的现有数据源，包括t个LOD的倾斜摄影模型数据集，其中t≥1。
4.根据权利要求1或2所述的一种大规模倾斜摄影模型轻量化方法，其特征在于，所述步骤S2中模型索引树构建包括基于四叉树的倾斜三维模型索引树构建。
5.一种大规模倾斜摄影模型轻量化装置，用于实现如权利要求1所述的一种大规模倾斜摄影模型轻量化方法，其特征在于，所述大规模倾斜摄影模型轻量化装置包括获取单元、第一计算单元、第二计算单元、第三计算单元和第四计算单元；
所述获取单元，用于获取步骤S1中的现有数据源；
所述第一计算单元，用于步骤S 1模型遍历，对现有数据源进行读取、统计和计算；
所述第二计算单元，用于步骤S2模型索引树构建，基于步骤S1中的模型根节点，计算新的模型瓦片范围，并建立新的模型索引树；
所述第三计算单元，用于步骤S3新的模型根节点构建，计算生成新的模型根节点；
所述第四计算单元，用于步骤S4模型压缩。
CN202211359352.7A 2022-11-02 2022-11-02 一种大规模倾斜摄影模型轻量化方法及装置 Active CN115409906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211359352.7A CN115409906B (zh) 2022-11-02 2022-11-02 一种大规模倾斜摄影模型轻量化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211359352.7A CN115409906B (zh) 2022-11-02 2022-11-02 一种大规模倾斜摄影模型轻量化方法及装置

Publications (2)

Publication Number Publication Date
CN115409906A CN115409906A (zh) 2022-11-29
CN115409906B true CN115409906B (zh) 2023-03-24

Family

ID=84169155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211359352.7A Active CN115409906B (zh) 2022-11-02 2022-11-02 一种大规模倾斜摄影模型轻量化方法及装置

Country Status (1)

Country Link
CN (1) CN115409906B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415343A (zh) * 2019-08-05 2019-11-05 中国电建集团北京勘测设计研究院有限公司 一种工程bim可视化三维引擎系统
CN111815770A (zh) * 2020-06-30 2020-10-23 郑州信大先进技术研究院 Web模型轻量化处理方法、装置及可读存储介质
CN111881238A (zh) * 2020-07-16 2020-11-03 武汉中地数码科技有限公司 一种适用于Web端的轻量级三维数据构建方法、介质和电子设备
CN113255051A (zh) * 2021-07-07 2021-08-13 天津市天房科技发展股份有限公司 大体量bim模型轻量化的方法及装置
CN113900797A (zh) * 2021-09-03 2022-01-07 广州市城市规划勘测设计研究院 基于虚幻引擎的三维倾斜摄影数据处理方法、装置及设备
CN114021394A (zh) * 2021-12-06 2022-02-08 北京达美盛软件股份有限公司 一种倾斜摄影模型优化方法及装置
CN115187445A (zh) * 2022-07-08 2022-10-14 中水三立数据技术股份有限公司 一种基于Unity引擎加载模型的可视化方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10163255B2 (en) * 2015-01-07 2018-12-25 Geopogo, Inc. Three-dimensional geospatial visualization
CN107402958B (zh) * 2017-06-12 2020-09-15 重庆市勘测院 一种gkf三维空间数据库的创建和访问方法
WO2019151569A1 (ko) * 2018-01-30 2019-08-08 가이아쓰리디 주식회사 3차원 지리 정보 시스템 웹 서비스를 제공하는 방법
CN110889888B (zh) * 2019-10-29 2020-10-09 桂林理工大学 纹理精简和分形压缩集成的三维模型可视化方法
CN110910505B (zh) * 2019-11-29 2023-06-16 西安建筑科技大学 一种场景模型的加速渲染方法
CN111275814B (zh) * 2020-01-21 2023-10-13 浪潮通用软件有限公司 一种面向webgl应用的三维模型轻量化方法
CN114119927A (zh) * 2021-12-06 2022-03-01 北京达美盛软件股份有限公司 一种倾斜摄影模型优化的模型处理方法及装置
CN114283231A (zh) * 2021-12-27 2022-04-05 奥格科技股份有限公司 基于lod的bim模型轻量化构建与显示方法
CN114943810B (zh) * 2022-07-26 2022-09-30 安徽继远软件有限公司 基于osgb的倾斜摄影切片的优化方法、终端、装置和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415343A (zh) * 2019-08-05 2019-11-05 中国电建集团北京勘测设计研究院有限公司 一种工程bim可视化三维引擎系统
CN111815770A (zh) * 2020-06-30 2020-10-23 郑州信大先进技术研究院 Web模型轻量化处理方法、装置及可读存储介质
CN111881238A (zh) * 2020-07-16 2020-11-03 武汉中地数码科技有限公司 一种适用于Web端的轻量级三维数据构建方法、介质和电子设备
CN113255051A (zh) * 2021-07-07 2021-08-13 天津市天房科技发展股份有限公司 大体量bim模型轻量化的方法及装置
CN113900797A (zh) * 2021-09-03 2022-01-07 广州市城市规划勘测设计研究院 基于虚幻引擎的三维倾斜摄影数据处理方法、装置及设备
CN114021394A (zh) * 2021-12-06 2022-02-08 北京达美盛软件股份有限公司 一种倾斜摄影模型优化方法及装置
CN115187445A (zh) * 2022-07-08 2022-10-14 中水三立数据技术股份有限公司 一种基于Unity引擎加载模型的可视化方法及装置

Also Published As

Publication number Publication date
CN115409906A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
US11854145B2 (en) Octree-based three-dimensional building model LOD method
CN105336003B (zh) 结合gpu技术实时流畅绘制出三维地形模型的方法
US8665266B2 (en) Global visualization process terrain database builder
US8570322B2 (en) Method, system, and computer program product for efficient ray tracing of micropolygon geometry
US8725466B2 (en) System and method for hybrid solid and surface modeling for computer-aided design environments
US7138998B2 (en) Multi-resolution spatial partitioning
CN108717729A (zh) 一种面向虚拟地球的地形多尺度tin在线可视化方法
CN110889888B (zh) 纹理精简和分形压缩集成的三维模型可视化方法
CN114998544A (zh) 一种顾及视觉主体的建筑实体模型轻量化方法
CN116402966A (zh) 一种三维地形可视化仿真建模方法
Andújar et al. Visualization of Large‐Scale Urban Models through Multi‐Level Relief Impostors
CN115409906B (zh) 一种大规模倾斜摄影模型轻量化方法及装置
CN110533764B (zh) 面向建筑群的分形四叉树纹理组织方法
CN111028349B (zh) 一种适用于海量三维实景数据快速可视化的层级构建方法
CN112102486A (zh) 一种基于合并根节点的倾斜摄影数据lod重建方法
CN103793935B (zh) 一种基于BRLO‑Tree混合树结构的城市立体动态场景生成方法
CN114419256B (zh) 基于多级抽壳算法的城市级bim数据轻量化方法及系统
CN114170394B (zh) 一种海量倾斜数据在Web端的展示优化方法及装置
Kuang et al. A compact random-access representation for urban modeling and rendering
Lacoste et al. Appearance preserving octree-textures
CN113591208A (zh) 一种基于舰船特征提取的超大模型轻量化方法及电子设备
Sim et al. Construction of regular 3D point clouds using octree partitioning and resampling
Koh Parallel simplification and compression of reality captured models
CN116416387B (zh) Osgb三维模型快速顶层重建方法
Smith et al. Layered animation using displacement maps

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