CN115546421B - 一种点线双域互增强建筑几何轮廓线重建方法 - Google Patents
一种点线双域互增强建筑几何轮廓线重建方法 Download PDFInfo
- Publication number
- CN115546421B CN115546421B CN202211535592.8A CN202211535592A CN115546421B CN 115546421 B CN115546421 B CN 115546421B CN 202211535592 A CN202211535592 A CN 202211535592A CN 115546421 B CN115546421 B CN 115546421B
- Authority
- CN
- China
- Prior art keywords
- point
- contour
- line
- building
- 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.)
- Active
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种点线双域互增强建筑几何轮廓线重建方法,包括:获取建筑物三维点云数据;对三维点云数据逐点获取局部轮廓特征向量;在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下,迭代更新原始点云各点的轮廓特征点后验概率;筛选出粗略轮廓特征点集,构建粗略轮廓特征点的无向带权KNN图,并为图中每一条边赋权值;搜索权值之和最小连通子图,借助最小生成树算法得到建筑最大似然轮廓特征线,重建建筑几何轮廓线;对生成的建筑最大似然轮廓特征线,进行轮廓几何先验约束,获得具有平滑性和规则性的几何轮廓特征线;更新轮廓特征点,在迭代优化中渐进式逼近建筑结构轮廓。本发明为实景三维建设城市建筑结构化重建提供了新方法。
Description
技术领域
本发明涉及三维建模技术领域,特别涉及一种点线双域互增强建筑几何轮廓线重建方法。
背景技术
在实景三维建设工作中,建筑物作为地理实体中最为关键的要素,实现其语义化、结构化、轻量化的表达是实景三维建设中不可或缺的重要支撑,也是实现物理空间和数字空间精准理解和虚实互动的关键。传统地,在二维地理场景中以点、线、面、体等几何要素为载体对物理空间的数字化表达,由于其难以满足“真实、立体和全空间”的实景三维建设要求而逐渐被取代。在三维地理场景上构建结构化、语义化、支持人机兼容理解和物联实时感知的地理实体已成为当下地理信息服务领域的新任务,也因此建筑物的结构化重建越来越受到关注和重视。结构化是实现地理单体分割并获得其几何轮廓及组成结构的过程,从点云数据中提取轮廓特征点、边界点和三维轮廓线框等几何轮廓要素是结构化重建的重要内容。
现有的方法最常采用投影降维的方法,该方法充分利用了非常成熟的图像边缘检测算法,处理效率较高,但是在二维与三维的转换中造成了信息的丢失,生成的是许多离散化的线段,线段与线段之间原有的拓扑连接信息丢失。为克服这个问题,直接从点云中重建轮廓特征线的方法被提出了,如深度学习方法、面片法和拟合点法。深度学习方法由于需要缺乏足够的训练样本,对轮廓特征的挖掘还不足,仍处于初步探索阶段。面片法采用先将点云进行面片分割,再提取平面边界点的思路。该方法在规则的工程部件中有非常好的效果,但难以提取非平面结构,无法适用于复杂场景,特别是城市建筑场景。而拟合点法采用先提取轮廓特征点,再将离散轮廓点生成3D特征线的思路,通过分段拟合或图连接的方法有效保证了特征线的完整性,在城市建筑场景的特征提取中有较大的潜力。但是,该方法仍有一些不足需要解决。第一,以往方法都是从局部角度提取出离散化的轮廓线段,导致轮廓特征线段与线段之间的连接关系没有被很好保持;第二,用直线段难以表达物理世界现实存在的曲线结构;第三,特征点的不确定性给特征线的提取带来影响,特别是冗余、有噪声的特征点会导致产生不符合真实轮廓结构的特征线。
发明内容
本发明的目的是:针对上述背景技术中存在的不足,提供一种点线双域互增强建筑几何轮廓线重建方法,能够直接从建筑物点云中重建逼近建筑物真实轮廓形态的三维几何轮廓点线,同时采用迭代优化策略能有效克服轮廓点的不确定性对结果的影响,从而维护直线段与直线段的原有拓扑关系,保证建筑轮廓的紧凑度和拓扑连接的合理性。
为了达到上述目的,本发明提供了一种点线双域互增强建筑几何轮廓线重建方法,包括如下步骤:
S1,获取建筑物三维点云数据;
S2,对三维点云数据逐点获取局部轮廓特征向量;
S3,在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下,迭代更新原始点云各点的轮廓特征点后验概率;
S4,根据轮廓特征点后验概率筛选出粗略轮廓特征点集,构建粗略轮廓特征点的无向带权KNN图,并为图中每一条边赋权值;
S5,从构建的KNN图中搜索权值之和最小连通子图,借助最小生成树算法得到建筑最大似然轮廓特征线,重建建筑几何轮廓线;
S6,对生成的建筑最大似然轮廓特征线,进行轮廓几何先验约束,获得具有平滑性和规则性的几何轮廓特征线;
S7,重复S3至S6,实现由初始轮廓特征点连接生成轮廓特征线,并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率,从而更新轮廓特征点,在迭代优化中渐进式逼近建筑结构轮廓。
进一步地,S1中建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。
S21、逐点获取点云局部协方差矩阵特征值;
S22,逐点计算点云强度值I;
S23,逐点计算点云梯度值𝑔;
采用奇异值分解算法计算协方差矩阵的三个特征值:/>;为了获取多尺度的邻域信息,邻域半径r分别取建筑点云数据的平均密度的/>种比例值,从而获取了/>种不同邻域尺度半径对应的特征值/>,/>表示每个点静态邻域尺度的计数数目;/>
其中
进一步地,对于点云局部轮廓特征向量约束下为轮廓语义特征点的概率,将所有点的局部特征向量/>作为输入数据,基于高斯混合模型法计算特征点集/>与非特征点集/>,在高维特征空间中两个高斯模型的参数/>和/>,从而得到任意一点/>属于各类别的概率,即:
进一步地,S4具体包括如下子步骤:
S41,根据轮廓特征点后验概率值设置概率阈值,过滤掉那些不可能为轮廓特征点的原始点,得到粗略轮廓特征点集;
进一步地,概率阈值的取值范围为0.6~0.8。
进一步地,S5采用最小生成树算法从KNN图中得到建筑最大似然轮廓特征线,借助Kruskal算法构建最小生成树,该过程是:先将KNN图中所有边按照权值大小排序,为了得到权值和最小的树,只要边不构成回路,就按照权值依次从小到大把边加入到集合中。
进一步地,S6具体包括如下子步骤:
S63,设置规则性阈值,对保留下的弧段进行规则化处理,特征线的规则性由对弧段采用Visvalingam-Whyatt算法(VW算法)获得,使弧段保持规则性。VW简化算法是经典的弧段规则化算法,若弧段上当前点与前后两个结点构成的三角形面积小于阈值/>,则将当前结点删除。重复该过程,直到弧段上任意相邻三点构成的三角形面积都大于阈值/>。
本发明的上述方案有如下的有益效果:
本发明提供的点线双域互增强建筑几何轮廓线重建方法,能够在迭代优化过程中,实现点线“双域”互增强建筑轮廓几何重建;通过点线“双域”互增强重建建筑轮廓几何,能够充分利用局部边缘信息和全局信息,一定程度上克服特征点的不确定性对建筑轮廓特征线重建的影响,重建结果提升了建筑轮廓结构线的平滑性、规则性和保真度,为实景三维建设城市建筑结构化重建提供了新方法;
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明的步骤流程图;
图2为本发明的案例流程图;图2(a)为建筑点云原始数据图;图2(b)为轮廓特征点后验概率分布图,按照点的后验概率值渲染;图2(c)为粗略轮廓特征点构建的KNN无向带权图,按照图中边的权值大小渲染;图2(d)为采用最小生成树算法生成的最大建筑最大似然轮廓特征线结果图;图2(e)为轮廓几何先验约束下获得的具有平滑性和规则性的轮廓特征线结果图;图2(f)为迭代完成后重建的建筑几何轮廓特征线和特征点结果图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式,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公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开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,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
如图1所示,本发明的实施例提供了一种点线双域互增强建筑几何轮廓线重建方法,以某建筑点云数据为例说明,在此案例中,利用本方法同步实现建筑几何轮廓特征线和轮廓特征点的“双域”重建。如图1所示,该方法具体包括如下步骤:
S1:获取建筑物三维点云数据。
在本实施例中,建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。该数据来源于开源数据集Sematic3D,数据信息包括点的三维坐标,如图2(a)所示,建筑原始点云按照颜色RGB渲染。
S2:对S1中的三维点云数据逐点获取其局部轮廓特征向量。
S21、逐点获取点云局部协方差矩阵特征值。
采用奇异值分解算法计算协方差矩阵的三个特征值:/>。为了获取多尺度的邻域信息,邻域半径r分别取建筑点云数据的平均密度的1.0倍、1.5倍和2.0倍,从而获取了三组不同邻域尺度半径对应的特征值/>,/>表示每个点静态邻域尺度的计数数目。
S22,逐点计算点云强度值I。
根据梯度的定义,由点云强度值对各方向分量求一阶偏导得到。梯度值反映了点的强度值在局部邻域内的最大变化量以及最大突变方向。由于点云的强度值是离散数据,当前点的邻域某处点云强度值按照下(3)式采用反距离加权法进行计算,得到解析表达,基于强度表达计算梯度公式如下(4)、(5)式:
其中
其中,、/>和/>是梯度结构张量/>的三个特征值,它反映了点强度值在邻域内的总体变化特征。按照在三维点云空间中,某点在邻域球N内的梯度变化由不同方向/>的微小变化量计算,并按照泰勒公式展开为公式(6):
S3:在S2构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下,迭代更新原始点云各点的轮廓特征点后验概率。
具体来说,在S2获得的局部轮廓特征向量和轮廓特征线的双重约束下,逐点计算各点的轮廓特征点后验概率/>,/>为二值标签变量,若该点为轮廓特征点则/>为1,反之/>为0。该后验概率由两部分组成:(1)点/>在局部轮廓特征向量/>约束下为轮廓语义特征点的概率,即/>;(2)点/>与轮廓语义特征线/>的邻近度/>。轮廓特征点后验概率/>计算公式为:
在本实施例中,对于点云局部轮廓特征向量约束下为轮廓语义特征点的概率/>,采用高斯混合模型法(GMM)对原始点进行二分类,并计算其从属类别的概率。具体地,将所有点的局部特征向量/>作为输入数据,基于高斯混合模型法(GMM)计算特征点集/>与非特征点集/>,在高维特征空间中两个高斯模型的参数/>和/>,从而得到任意一点/>属于各类别的概率,即:
需要说明的是,初次迭代时,由于尚未生成轮廓特征线,轮廓特征点后验概率仅在建筑点云局部轮廓特征向量的约束下计算。将原始点云中各点的五维局部轮廓特征向量/>作为输入数据,采用高斯混合模型(GMM)法对轮廓特征点和非轮廓特征点进行二分类,并获得各个点属于轮廓特征点集/>和非轮廓特征点/>的概率/>。
非初次迭代时,在上一次迭代生成的轮廓特征线和建筑点云局部轮廓特征向量/>的共同约束下计算轮廓特征点后验概率。该后验概率由两部分组成:(1)点/>在局部轮廓特征向量/>约束下为轮廓语义特征点的概率,即/>,已由公式(8)计算获得;(2)点/>与轮廓语义特征线/>的邻近度/>,故轮廓特征点后验概率由式(9)获得。
轮廓特征点后验概率计算结果图如图2(b)所示,在轮廓上的点概率较大,颜色较深;在平面区域的点其轮廓特征点后验概率较小,颜色较浅。
S4:根据S3的轮廓特征点后验概率筛选出粗略轮廓特征点集,构建粗略轮廓特征点的无向带权KNN图,并为图中每一条边赋权值。具体包括如下子步骤:
S41,根据轮廓特征点后验概率值设置阈值,过滤掉那些不可能为轮廓特征点的原始点,概率阈值取值一般在0.6~0.8,可得到粗略轮廓特征点集。
粗略轮廓特征点构建的无向带权KNN图结果如图2(c)所示,图中边的颜色按照权值大小渲染。
S5:从S4构建的KNN图中搜索权值之和最小连通子图,借助最小生成树算法(MST)得到建筑最大似然轮廓特征线,重建建筑几何轮廓线。其中,最小生成树构建的建筑最大似然轮廓特征线结果如图2(d)所示,图中为轮廓特征点和轮廓特征线的叠加图。
S6:对S5生成的建筑最大似然轮廓特征线,进行轮廓几何先验约束,获得具有平滑性和规则性的几何轮廓特征线。需要说明的是,平滑性是指特征线保持连贯,且特征线上没有冗余分支;规则性是指建筑轮廓特征线的曲率应当较小。S6具体包括如下子步骤:
几何约束后的轮廓特征线结果图如图2(e)所示。图中线为轮廓特征线,点为轮廓特征点。
S7:重复S3至S6,实现由初始轮廓特征点连接生成轮廓特征线,并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率,从而更新轮廓特征点,点线“双域”相互约束,互为增强,在迭代优化中渐进式逼近建筑结构轮廓。
迭代完成后的建筑几何轮廓特征线和特征点结果图如图2(f)所示。图中线为轮廓特征线,点为轮廓特征点。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种点线双域互增强建筑几何轮廓线重建方法,其特征在于,包括如下步骤:
S1,获取建筑物三维点云数据;
S2,对三维点云数据逐点获取局部轮廓特征向量;
S3,在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下,迭代更新原始点云各点的轮廓特征点后验概率;
S4,根据轮廓特征点后验概率筛选出粗略轮廓特征点集,构建粗略轮廓特征点的无向带权KNN图,并为图中每一条边赋权值;
S5,从构建的KNN图中搜索权值之和最小连通子图,借助最小生成树算法得到建筑最大似然轮廓特征线,重建建筑几何轮廓线;
S6,对生成的建筑最大似然轮廓特征线,进行轮廓几何先验约束,获得具有平滑性和规则性的几何轮廓特征线;
S7,重复S3至S6,实现由初始轮廓特征点连接生成轮廓特征线,并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率,从而更新轮廓特征点,在迭代优化中渐进式逼近建筑结构轮廓。
2.根据权利要求1所述的一种点线双域互增强建筑几何轮廓线重建方法,其特征在于,S1中建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。
采用奇异值分解算法计算协方差矩阵的三个特征值:;为了获取多尺度的邻域信息,邻域半径r分别取建筑点云数据的平均密度的种比例值,从而获取了种不同邻域尺度半径对应的特征值,表示每个点静态邻域尺度的计数数目;
其中
9.根据权利要求8所述的一种点线双域互增强建筑几何轮廓线重建方法,其特征在于,概率阈值的取值范围为0.6~0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535592.8A CN115546421B (zh) | 2022-12-02 | 2022-12-02 | 一种点线双域互增强建筑几何轮廓线重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535592.8A CN115546421B (zh) | 2022-12-02 | 2022-12-02 | 一种点线双域互增强建筑几何轮廓线重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115546421A CN115546421A (zh) | 2022-12-30 |
CN115546421B true CN115546421B (zh) | 2023-03-24 |
Family
ID=84722217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535592.8A Active CN115546421B (zh) | 2022-12-02 | 2022-12-02 | 一种点线双域互增强建筑几何轮廓线重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546421B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN109949326A (zh) * | 2019-03-21 | 2019-06-28 | 苏州工业园区测绘地理信息有限公司 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
CN115393542A (zh) * | 2022-07-13 | 2022-11-25 | 南京林业大学 | 一种广义建筑三维几何重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714541B (zh) * | 2013-12-24 | 2015-07-08 | 华中科技大学 | 一种利用山体轮廓区域约束识别定位建筑物的方法 |
US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
-
2022
- 2022-12-02 CN CN202211535592.8A patent/CN115546421B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN109949326A (zh) * | 2019-03-21 | 2019-06-28 | 苏州工业园区测绘地理信息有限公司 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
CN115393542A (zh) * | 2022-07-13 | 2022-11-25 | 南京林业大学 | 一种广义建筑三维几何重建方法 |
Non-Patent Citations (2)
Title |
---|
Interactive Urban Context-Aware Visualization via Multiple Disocclusion Operators;Hao Deng等;《IEEE Transactions on Visualization and Computer Graphics》;20150818;全文 * |
基于LiDAR点云的建筑物边界提取及规则化;赵小阳等;《地理空间信息》;20160721(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115546421A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038906B (zh) | 一种基于图像的三维四边形网格模型重建方法 | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
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 | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
CN109446691B (zh) | 基于激光点云与空气动力学的活立木抗风性能分析方法 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN110163974A (zh) | 一种基于无向图学习模型的单图像面片重建方法 | |
KR20080012954A (ko) | 정보 처리 장치 및 정보 처리 방법, 화상 처리 장치 및화상 처리 방법, 및 컴퓨터 프로그램 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN112017288A (zh) | 一种基于地形图数据的dem综合与简化方法 | |
Papagiannopoulos et al. | How to teach neural networks to mesh: Application on 2-D simplicial contours | |
CN111028335A (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN108230452B (zh) | 一种基于纹理合成的模型补洞方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN111583408A (zh) | 基于手绘草图的人体三维建模系统 | |
CN113971718A (zh) | 一种对三维点云模型进行布尔运算的方法 | |
CN115546421B (zh) | 一种点线双域互增强建筑几何轮廓线重建方法 | |
CN112257202A (zh) | 多内孔零件的基于神经网络的二维结构网格自动分解方法 | |
CN117274517A (zh) | 基于三维模型的城市建筑物轻量化体框模型的生成方法 | |
CN110955809A (zh) | 一种支持拓扑结构保持的高维数据可视化方法 | |
CN115512077A (zh) | 一种基于多层动态特征点云的隐式三维场景表征方法 | |
CN116310244A (zh) | 一种基于轮廓特征的陶瓷碎片三维智能拼接方法 | |
CN111986223B (zh) | 一种基于能量函数的室外点云场景中树木提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |