CN117036570B - 一种3d点云模型贴图的自动生成方法及系统 - Google Patents
一种3d点云模型贴图的自动生成方法及系统 Download PDFInfo
- Publication number
- CN117036570B CN117036570B CN202310499541.2A CN202310499541A CN117036570B CN 117036570 B CN117036570 B CN 117036570B CN 202310499541 A CN202310499541 A CN 202310499541A CN 117036570 B CN117036570 B CN 117036570B
- Authority
- CN
- China
- Prior art keywords
- grid
- point cloud
- index
- cloud model
- rendered
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000009499 grossing Methods 0.000 claims abstract description 42
- 238000009877 rendering Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000013139 quantization Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010030 laminating Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 7
- 238000009435 building construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Generation (AREA)
Abstract
本申请涉及点云渲染技术领域，提供一种3D点云模型贴图的自动生成方法及系统。通过在对待渲染点云模型的建模参数集并进行平滑处理后，进行空间网格划分得到网格待渲染点云模型，基于纹理类型对网格待渲染点云模型中的各个网格进行贴图纹理划分并进行各个网格贴图复杂度识别得到基于各个网格复杂度指数，基于各个网格对应的复杂度指数和类纹理标识的网格坐标集合，对待渲染点云模型进行分层贴图。解决现有技术中存在采用纹理贴图进行三维点云模型的可视化渲染时，纹理贴图与模型贴合度不足，导致实际渲染效果较差的技术问题，实现了提高纹理贴图与三维点云模型的贴合度，加强模型可视化效果的技术效果。
Description
技术领域
本申请涉及点云渲染技术领域，特别是涉及一种3D点云模型贴图的自动生成方法及系统。
背景技术
随着科技发展，相较于过去采用大量数据采集计算方可进行建筑等实物的三维场景重建，现如今依托于三维激光扫描技术发展，三维场景重建的工作难度大幅降低，利用三维激光扫描技术进行三维场景重建时，为了加强模型的可视化效果，往往需要对于模型进行可视化渲染。
纹理贴图是最为常见的模型可视化渲染方法，现阶段基于纹理贴图进行模型可视化渲染，存在可视化渲染耗时较长，且纹理贴图与三维点云模型的贴合度不足的缺陷，导致实际获得的渲染后模型的可视化效果不佳。
综上所述，现有技术中存在采用纹理贴图进行三维点云模型的可视化渲染时，纹理贴图与模型贴合度不足，导致实际渲染效果较差的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现提高纹理贴图与三维点云模型的贴合度，加强模型可视化效果的一种3D点云模型贴图的自动生成方法及系统。
一种3D点云模型贴图的自动生成方法，方法包括：获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
一种3D点云模型贴图的自动生成系统，所述系统包括：建模参数获取模块，用于获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；参数平滑处理模块，用于将所述建模参数集输入云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；空间网格划分模块，用于对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；贴图纹理划分模块，用于基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；贴图识别执行模块，用于对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；分层贴图执行模块，用于基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
上述一种3D点云模型贴图的自动生成方法及系统，解决了解决现有技术中存在采用纹理贴图进行三维点云模型的可视化渲染时，纹理贴图与模型贴合度不足，导致实际渲染效果较差的技术问题，实现了提高纹理贴图与三维点云模型的贴合度，加强模型可视化效果的技术效果。
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，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它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种3D点云模型贴图的自动生成方法的流程示意图；
图2为一个实施例中一种3D点云模型贴图的自动生成方法中对待渲染3D模型进行分层贴图的流程示意图；
图3为一个实施例中一种3D点云模型贴图的自动生成系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
附图标记说明：建模参数获取模块1，参数平滑处理模块2，空间网格划分模块3，贴图纹理划分模块4，贴图识别执行模块5，分层贴图执行模块6。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种3D点云模型贴图的自动生成方法，所述方法应用于一种3D点云模型渲染系统，所述系统与云服务器通信连接，所述方法包括：
S100:获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
S200:将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
具体而言，应理解的，采用三维激光扫描仪进行三维场景模型构建，从而在进行三维场景模型构建后，采用纹理贴图进行三维场景模型渲染，以增强三维场景模型的真实性和可视化效果。
纹理贴图又称纹理映射，是将纹理空间中的纹理像素映射到屏幕空间中的像素的过程，即就是把图像贴到三维场景模型(三维物体)的表面上来增强真实感。
在本实施例中，基于实体建筑构建所述第一待渲染点云模型，具体的，采用三维激光扫描技术对实体建筑进行测量，从而将实体建筑的三维完整数据进行采集，获得在计算机中复建出实体建筑的三维模型的线、面、体等图件数据，将上述图件数据统称为点云数据，基于点云数据在计算机中进行实体建筑的三维建模，获得所述第一待渲染点云模型，所述第一待渲染点云模型为进行纹理贴图的对象。
应理解的，由于点云数据中包含了实体建筑的空间尺寸信息、反射率信息、实体建筑物体的纹理、色彩信息，因而基于所述第一待渲染点云模型，可实现通过计算机对实体建筑的空间尺寸、建筑构建、建筑表面数据进行采集。
因而本实施例基于所述第一待渲染点云模型进行数据采集，获取所述建模参数集，所述建模参数集具体包括建模几何数据、建模表面数据以及建模构件数据。所述建模几何数据为实体建筑的空间数据，基于所述建筑几何数据可准确获知第一待渲染点云模型对应的实体建筑的形状大小以及位置和分布特征，基于所述建模几何数据可进行纹理贴图的空间定位。所述建模表面数据为表征实体建筑表面起伏平坦度和曲度的数据。所述建筑构建数据为组成实体建筑的梁、栋等建筑构建的几何尺寸数据。
本实施例预构建平滑模块，所述平滑模块用于对所述第一待渲染点云模型整体进行平滑处理，以减少第一待渲染点云模型中线条的锯齿现象。所述平滑模块具体包括输入层、图像识别层、平滑处理层、输出层，所述平滑模块的图像识别层为基于神经网络构建的图像线条锯齿识别处理模型。
图像识别层的具体构建训练方法为，采集获取大量点云模型的建模参数集作为样本点云模型，并基于人工进行点云模型建模参数集中图像线条锯齿的标记，作为样本平滑处理对象，将样本点云模型建模参数集、样本平滑处理对象作为图像识别层的样本训练数据，将样本训练数据标识划分为训练集、验证集、测试集，采用训练集、验证集进行图像识别层的训练和验证，基于测试集进行图像识别层输出准确性验证，直至图像识别层的输出的平滑处理对象准确度高于97％停止图像识别层的模型训练。平滑处理层直接进行图像识别层输出的平滑处理对象的平滑处理，以将锯齿状线条修整为平滑线条。
为避免所述平滑模块对于本地服务器的运行资源造成占用，本实施例将所述平滑模块嵌入在云服务器中，将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理对象识别标记以及平滑处理，以获得消除锯齿线条的所述第二待渲染点云模型。本实施例对第一待渲染点云模型进行平滑处理，可以在后续进行点云模型贴图时，辅助提高贴图效果。
S300:对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
在一个实施例中，对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型，本申请提供的方法步骤S300还包括：
S310:根据所述建模参数集对所述第二待渲染点云模型进行体量评估，得到体量评估指数；
S320:按照所述体量评估指数进行预设网格粒度的配置，以所述预设网格粒度对所述第二待渲染点云模型进行划分，得到网格待渲染点云模型。
在一个实施例中，本申请提供的方法步骤还包括：
S321:获取所述云服务器中云处理器的配置参数；
S322:得到所述3D点云模型渲染系统的系统控制配置参数；
S323:按照所述云处理器的配置参数和所述系统控制配置参数进行负载数据量分析，得到所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量；
S324:基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量进行网格粒度分析，输出所述预设网格粒度。
在一个实施例中，本申请提供的方法步骤还包括：
S324-1:基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量，确定预设负载数据总量；
S324-2:采取寻优算法，以单位网格数据量为输入信息，以所述预设负载数据总量为目标进行寻优计算，输出响应目标，其中，所述响应目标为所述预设网格粒度。
具体而言，在本实施例中，所述第二待渲染点云模型为无锯齿状线条的实体建筑的三维建模，通过对第二待渲染点云模型进行3D空间网格划分，将第二待渲染点云模型划分为若干个空间网格，基于空间网格进行3D点云模型局部贴图，从而实现第二待渲染点云模型的纹理贴图。
应理解的，对所述第二待渲染点云模型进行空间网格划分的空间网格尺寸越小，则基于空间网格进行第二待渲染点云模型的局部纹理贴图，渲染获得的实体建筑三维点云模型真实感越强。
但在实际处理中，随着空间网格划分的空间网格数量上涨，云处理器进行空间网格进行局部纹理贴图的数量激增，云处理器的算力资源占用加大，相应云处理器的服务器运行负载上升存在负载过大影响云处理器进行纹理贴图速率的风险，且相较于本地服务器负载能力较强的云服务器负载过大时，云服务器处理后的多个局部纹理贴图下载传输至本地服务器，本地服务器也不具备将多个局部纹理贴图进行整合完成局部纹理贴图在3D点云模型中复原的负载处理能力。
因而本实施例综合云服务器中云处理器的配置参数、本地服务器中3D点云模型渲染系统的配置参数以及所述建模参数集的数据体量，综合多维数据，分析确定对第二待渲染点云模型进行3D空间网格划分的所述预设网格粒度，所述预设网格粒度为空间网格划分的空间网格几何尺寸数据。
具体的，在本实施例中，所述3D点云模型渲染系统位于本地服务器，本实施例通过获取本地服务器的配置参数，获得所述系统控制配置参数，根据所述云服务器提供商，获得所述云服务器中云处理的配置参数。
根据所述云处理器的配置参数进行负载数据量分析，得到所述云处理器的均衡负载数据量，所述均衡负载数据量为所述云处理器保持最高运行速率时，云处理器可同时运行处理的数据量。
按照所述系统控制配置参数进行负载数据量分析，得到所述3D点云模型渲染系统的均衡负载数据量，所述均衡负载数据量为所述3D点云模型渲染系统所处本地设备中，本地服务器保持最高运行速率时，本地服务器可同时运行处理的数据量。
将所述云处理器的均衡负载数据量和所述3D点云模型渲染系统的均衡负载数据量进行加和处理，获得所述预设负载数据总量，所述预设负载数据总量为所述云处理器和所述3D点云模型渲染系统同步运行情况下，云处理器和本地处理器都可处于最优运行速率进行点云模型渲染的处理器负载数据量最大值，若云处理器和所述3D点云模型渲染系统中负载数据量总和高于所述预设负载数据总量，则存在导致处理器过高温，导致服务器性能不可逆损伤或点云模型渲染效率降低的风险。
所述体量评估用于确定对第二待渲染点云模型进行空间网格划分的网格尺寸最大值，在本实施例中，通过基于三维激光扫描技术获得实体建筑的点云数据，并进一步基于点云数据构建第一待渲染点云模型，基于第一待渲染点云模型进行实体建筑的数据采集，获得所述建模参数集，所述建模参数集中涵盖了所述实体建筑的全部建筑数据，且第一待渲染点云模型和所述第二待渲染点云模型为同一实体建筑的三维模型，因而本实施例可根据所述建模参数集对所述第二待渲染点云模型进行所述体量评估，以获得对第二待渲染点云模型进行空间网格划分的网格尺寸最大值，如果空间网格尺寸小于该网格尺寸最大值，则导致渲染精度不足，实体建筑细小建筑设计无法在三维模型中准确还原。
具体的体量评估方法为，根据所述建模参数集获得建模几何数据、建模表面数据以及建模构件数据，基于建模几何数据获得实体建筑空间最狭窄处的建筑几何尺寸数据，基于建模表面数据获得最小建筑平面的尺寸数据，基于建模构件数据实体建筑表面可视建筑构建中尺寸最小的建筑构件的尺寸数据。
对于三项尺寸数据进行排序，获得尺寸最小一项建筑组分的尺寸数据，并基于该尺寸数据生成可容纳该建筑组分的长方体网格尺寸数据，作为所述体量评估指数，所述体量评估指数即为对第二待渲染点云模型进行空间网格划分的网格尺寸最大值。以所述体量评估指数作为进行预设网格粒度的空间尺寸大小约束配置。
所述单位网格数据量为对第二待渲染点云模型进行3D空间网格划分获得的多个空间网格中每一空间网格所承载的数据量。获得所述建模参数集的总共数据量，采取寻优算法，随机设定进行3D空间网格划分的第一空间网格尺寸大小，结合所述建模参数集计算获得多个所述单位网格数据量。
基于多个所述单位网格数据量模拟进行3D点云模型贴图处理过程中，云处理器和所述3D点云模型渲染系统的负载运行，记录云处理器的负载数据量和所述3D点云模型渲染系统的负载数据量，加和获得第一负载数据总量。
再次随机设定进行3D空间网格划分的第二空间网格尺寸大小，执行上述模拟3D点云模型贴图处理过程，获得第二负载数据总量。比对第一负载数据总量和第二负载数据总量，保留与所述预设负载数据总量的偏离度较小的一项。
循环上述过程至N次(为大于0的正整数)，且每一空间网格尺寸大小皆小于所述体量评估指数。获得与所述预设负载数据总量的偏离度较小的第N负载数据总量对应的第N空间网格尺寸大小作为所述响应目标输出，所述响应目标为所述预设网格粒度，所述预设网格粒度为对第二待渲染点云模型进行空间网格划分处理时，空间网格尺寸大小。
按照所述预设网格粒度进行所述第二待渲染点云模型的划分获得由多个空间网格构成的网格待渲染点云模型，云处理器和所述3D点云模型渲染系统多个空间网格进行3D点云模型局部贴图处理的处理器负载运行效率为处理器最优运行效率，达到了根据第二待渲染点云模型数据量、建筑实体表观精细度以及云处理器和本地处理器的性能进行第二待渲染点云模型的空间网格划分，从而实现获得平衡建筑渲染精细度要求和处理器运行负载性能的空间网格划分方案的技术效果。
S400:基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
具体而言，在本实施例中，在步骤S300对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型，所述网格待渲染点云模型为按照所述预设网格粒度进行所述第二待渲染点云模型的划分获得由多个空间网格。将点云数据中的建筑图像数据作为贴图导入至网格待渲染点云模型，所述网格待渲染点云模型的多个空间网格也将建筑图像数据划分。
采用现有图像纹理特征提取方法，对点云数据中的建筑图像数据进行图像纹理类型识别，获得所述建筑图像数据中存在的多种图像纹理特征类型，遍历所述网格待渲染点云模型中所有空间网格，结合现有图像纹理特征提取方法，获得每一空间网格中贴图存在的一种或多种图像纹理特征类型，并基于类纹理标识进行每一空间网格存在的一种或多种图像纹理特征类型的标识标记。
所述第一待渲染点云模型为通过在构建好的三维坐标系中搭建获得，相应的，以所述第一待渲染点云模型为蓝本获得所述网格待渲染点云模型也位于三维坐标系中，因而根据多个空间网格在所述网格待渲染点云模型中的对应位置，获得基于类纹理标识的网格坐标集合，基于所述网格坐标点集合可调用获得每一空间网格中贴图的图像纹理特征类型，以及各个空间网格在三维空间中的坐标位置。
S500:对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
在一个实施例中，本申请提供的方法步骤还包括：
S510:搭建贴图复杂度识别模型，其中，所述贴图复杂度识别模型包括纹理类型数量、贴图平面曲度、贴图结构微型化、以及表面平坦性；
S520:对所述网格待渲染点云模型中的各个网格分别进行识别，得到量化指数、曲面指数、微型指数以及平坦指数；
S530:按照所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，输出基于各个网格对应的复杂度指数。
在一个实施例中，本申请提供的方法步骤还包括：
S531:以所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，搭建复杂度识别矩阵；
S532:分别对所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数进行信息熵分析，搭建指数量化矩阵；
S533:采取AHP层次分析法，以所述数量化矩阵对所述复杂度识别矩阵进行矩阵正交计算，输出基于各个网格对应的复杂度指数。
具体而言，应理解的，基于实体建筑中各个建筑组成部分的建筑结构设计不同，因而相应的，所述网格待渲染点云模型中各个空间网格的局部建筑的表面复杂度情况也存在差异。
因而本实施例进一步分析确定步骤S300获得的所述网格待渲染点云模型中的各个空间网格对应的实体建筑局部的复杂度情况。为提高对于各个空间网格对应的实体建筑局部的复杂度的分析判断准确性，本实施例构建所属贴图复杂度识别模型，替代人工经验进行空间网格的局部三维实体建模复杂度分析。
所述贴图复杂度识别模型包括纹理类型数量子模型、贴图平面曲度子模型、贴图结构微型化子模型、以及表面平坦性子模型。所述纹理类型数量子模型用于识别贴图存在的图像纹理特征类型数量，所述贴图平面曲度子模型用于根据点云数据计算获得待进行贴图覆盖的建筑表面弯曲程度，所述贴图结构微型化子模型用于根据点云数据计算获得单位体积空间内建筑结构的复杂度，所述表面平坦性子模型用于根据点云数据计算获得待进行贴图覆盖的建筑表面平整程度。
所述纹理类型数量子模型通过识别空间网格的所述类纹理标识，直接获得空间网格对应贴图中存在的图像纹理特征类型数量，将图像纹理特征类型数量作为量化指数输出。
所述贴图平面曲度子模型为基于现有平面弯曲度计算方法构建的数据处理模型，具体的，在所述网格坐标集合获得空间网格在三维坐标系中的坐标数据，基于第一待渲染点云模型与所述网格待渲染点云模型的三维坐标相同的特性，进一步调用构建所述第一待渲染点云模型中对应空间网格坐标数据的点云数据，获得建筑实际尺寸数据，基于实际尺寸数据计算获得空间网格中待进行贴图覆盖的建筑表面弯曲程度，作为所述曲面指数，从贴图平面曲度子模型输出。
所述贴图结构微型化子模型为计算建筑表面起伏变化复杂度的数据处理模型，具体的，在所述网格坐标集合获得空间网格在三维坐标系中的坐标数据，基于第一待渲染点云模型与所述网格待渲染点云模型的三维坐标相同的特性，进一步调用构建所述第一待渲染点云模型中对应空间网格坐标数据的点云数据，基于点云数据获得空间网格中组成建筑表面的多个离散数据点的三维坐标数据，根据多个离散数据点的三维坐标数据计算获得多个离散数据点的方差，作为所述微型指数，从所述贴图结构微型化子模型输出。
所述表面平坦性子模型用于在获得所述贴图结构微型化子模型的输出结果的基础上，对所述贴图结构微型化子模型的输出结果进行求导，获得表征空间网格内局部建筑表面平坦度的所述平坦指数。
在所述贴图复杂度识别模型中，纹理类型数量子模型、贴图平面曲度子模型独立运行，所述贴图结构微型化子模型的输出端与表面平坦性子模型输入端连接。
通过将所述网格待渲染点云模型、点云数据、第一待渲染点云模型输入所述贴图复杂度识别模型中，基于贴图复杂度识别模型对所述网格待渲染点云模型中的各个网格分别进行识别，得到各个空间网格的量化指数、曲面指数、微型指数以及平坦指数。
对每个空间网格的量化指数、曲面指数、微型指数以及平坦指数做进一步的数据处理，以所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，搭建复杂度识别矩阵，所述复杂度识别矩阵为2×2的矩阵。
采用现有信息熵获得方法，计算每个空间网格的所述量化指数信息熵、所述曲面指数信息熵、所述微型指数信息熵以及所述平坦指数信息熵，基于所述量化指数信息熵、所述曲面指数信息熵、所述微型指数信息熵以及所述平坦指数信息熵搭建指数量化矩阵，所述搭建指数量化矩阵为2×2的矩阵，且所述复杂度识别矩阵与所述指数量化矩阵中数据位置具有一致性。
采取AHP层次分析法，将与空间网格复杂度有关的量化指数、曲面指数、微型指数以及平坦指数进行定性定量分析，具体的，以所述复杂度矩阵进行空间网格复杂度的数据定量、以所述数量化矩阵进行空间网格复杂度计算中各个计算指标重要程度的定性，基于定性定量以所述数量化矩阵对所述复杂度识别矩阵进行矩阵正交计算，输出空间网格对应的复杂度指数。
采用如上方法，计算所述网格待渲染点云模型中各个空间网格的复杂度指数。本实施例通过计算所述网格待渲染点云模型中各个空间网格的复杂度指数，为后续以复杂度指数以及所述网格待渲染点云模型中各个空间网格贴图图像纹理类型，将所述网格待渲染点云模型中各个空间网格进行类型划分，提供空间网格分类参考的技术效果。
S600:基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
在一个实施例中，如图2所示，对所述第二待渲染点云模型进行分层贴图，本申请提供的方法步骤S600还包括：
S610:获取所述类纹理标识的网格坐标集合，其中，每一网格坐标集合对应相同纹理标识；
S620:获取所述网格坐标集合中各个坐标的复杂度指数集合；
S630:按照所述复杂度指数集合进行预设阶梯划分，输出基于每类纹理标识对应的网格坐标分层结果；
S640:以所述网格坐标分层结果对所述第二待渲染点云模型进行分层贴图。
具体而言，在本实施例中，获得所述网格待渲染点云模型中各个空间网格的类纹理标识，所述类纹理标识用于标识记录单个空间网格中建筑表面待渲染贴图中存在的一种或多种图像纹理特征类型。
基于类纹理标识一致性与否，将多个空间网格首先划分为多个类纹理标识具有一致性的网格坐标集合，每一网格坐标集合中包括一个或多个空间网格，且每一空间网格对具有网格坐标。获取所述网格坐标集合中各个网格坐标对应的空间网格的复杂度指数，构成对应于网格坐标集合的复杂度指数集合。
所述预设阶梯划分为根据复杂度指数，划分多个复杂度等级区间，认为落入同一复杂度等级区间内的空间网格的贴图渲染难度差异较小，所述复杂度等级区间中每一等级区间的复杂度指数数值范围可基于3D点云模型贴图过程中工作人员实际需求决定。
根据所述预设阶梯划分进行每一复杂度指数集合中多个空间网格的复杂度等级划分，输出基于每类纹理标识对应的网格坐标分层结果，所述网格坐标分层结果中为多个复杂度等级不同但类纹理标识具有一致性的空间网格。
以所述网格坐标分层结果，对类纹理标识具有一致性但复杂度等级不同的多个空间网格的逐复杂度层级，分批次进行贴图处理，最终完成所述第二待渲染点云模型进行分层贴图。实现了提高纹理贴图与第二待渲染点云模型的贴合度，加强所构建模型的可视化效果的技术效果。
在一个实施例中，如图3所示，提供了一种3D点云模型贴图的自动生成系统，包括：建模参数获取模块1，参数平滑处理模块2，空间网格划分模块3，贴图纹理划分模块4，贴图识别执行模块5，分层贴图执行模块6，其中：
建模参数获取模块1，用于获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
参数平滑处理模块2，用于将所述建模参数集输入云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
空间网格划分模块3，用于对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
贴图纹理划分模块4，用于基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
贴图识别执行模块5，用于对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
分层贴图执行模块6，用于基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
在一个实施例中，所述方法还包括：
识别模型搭建单元，用于搭建贴图复杂度识别模型，其中，所述贴图复杂度识别模型包括纹理类型数量、贴图平面曲度、贴图结构微型化、以及表面平坦性；
网格识别执行单元，用于对所述网格待渲染点云模型中的各个网格分别进行识别，得到量化指数、曲面指数、微型指数以及平坦指数；
复杂度指数输出单元，用于按照所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，输出基于各个网格对应的复杂度指数。
在一个实施例中，所述方法还包括：
识别矩阵搭建单元，用于以所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，搭建复杂度识别矩阵；
量化矩阵搭建单元，用于分别对所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数进行信息熵分析，搭建指数量化矩阵；
复杂度指数计算单元，用于采取AHP层次分析法，以所述数量化矩阵对所述复杂度识别矩阵进行矩阵正交计算，输出基于各个网格对应的复杂度指数。
在一个实施例中，所述方法还包括：
体量评估执行单元，用于根据所述建模参数集对所述第二待渲染点云模型进行体量评估，得到体量评估指数；
模型划分执行单元，用于按照所述体量评估指数进行预设网格粒度的配置，以所述预设网格粒度对所述第二待渲染点云模型进行划分，得到网格待渲染点云模型。
在一个实施例中，所述方法还包括：
配置参数获取单元，用于获取所述云服务器中云处理器的配置参数；
配置参数获得单元，用于得到所述3D点云模型渲染系统的系统控制配置参数；
负载数据量分析单元，用于按照所述云处理器的配置参数和所述系统控制配置参数进行负载数据量分析，得到所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量；
网格粒度输出单元，用于基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量进行网格粒度分析，输出所述预设网格粒度。
在一个实施例中，所述方法还包括：
预设负载计算单元，用于基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量，确定预设负载数据总量；
寻优计算执行单元，用于采取寻优算法，以单位网格数据量为输入信息，以所述预设负载数据总量为目标进行寻优计算，输出响应目标，其中，所述响应目标为所述预设网格粒度。
在一个实施例中，所述方法还包括：
纹理标识映射单元，用于获取所述类纹理标识的网格坐标集合，其中，每一网格坐标集合对应相同纹理标识；
复杂度指数获取单元，用于获取所述网格坐标集合中各个坐标的复杂度指数集合；
阶梯划分执行单元，用于按照所述复杂度指数集合进行预设阶梯划分，输出基于每类纹理标识对应的网格坐标分层结果；
分层贴图执行单元，用于以所述网格坐标分层结果对所述第二待渲染点云模型进行分层贴图。
关于一种3D点云模型贴图的自动生成系统的具体实施例可以参见上文中对于一种3D点云模型贴图的自动生成方法的实施例，在此不再赘述。上述一种3D点云模型贴图的自动生成系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种3D点云模型贴图的自动生成方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种3D点云模型贴图的自动生成方法，其特征在于，所述方法应用于一种3D点云模型渲染系统，所述系统与云服务器通信连接，所述方法包括：
获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
将所述建模参数集输入所述云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图；
所述方法还包括：
搭建贴图复杂度识别模型，其中，所述贴图复杂度识别模型包括纹理类型数量、贴图平面曲度、贴图结构微型化、以及表面平坦性；
对所述网格待渲染点云模型中的各个网格分别进行识别，得到量化指数、曲面指数、微型指数以及平坦指数；
按照所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，输出基于各个网格对应的复杂度指数；
以所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，搭建复杂度识别矩阵；
分别对所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数进行信息熵分析，搭建指数量化矩阵；
采取AHP层次分析法，以所述数量化矩阵对所述复杂度识别矩阵进行矩阵正交计算，输出基于各个网格对应的复杂度指数。
2.如权利要求1所述的方法，其特征在于，对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型，方法包括：
根据所述建模参数集对所述第二待渲染点云模型进行体量评估，得到体量评估指数；
按照所述体量评估指数进行预设网格粒度的配置，以所述预设网格粒度对所述第二待渲染点云模型进行划分，得到网格待渲染点云模型。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述云服务器中云处理器的配置参数；
得到所述3D点云模型渲染系统的系统控制配置参数；
按照所述云处理器的配置参数和所述系统控制配置参数进行负载数据量分析，得到所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量；
基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量进行网格粒度分析，输出所述预设网格粒度。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述云处理器的均衡负载数据量、和所述3D点云模型渲染系统的均衡负载数据量，确定预设负载数据总量；
采取寻优算法，以单位网格数据量为输入信息，以所述预设负载数据总量为目标进行寻优计算，输出响应目标，其中，所述响应目标为所述预设网格粒度。
5.如权利要求1所述的方法，其特征在于，对所述第二待渲染点云模型进行分层贴图，方法包括：
获取所述类纹理标识的网格坐标集合，其中，每一网格坐标集合对应相同纹理标识；
获取所述网格坐标集合中各个坐标的复杂度指数集合；
按照所述复杂度指数集合进行预设阶梯划分，输出基于每类纹理标识对应的网格坐标分层结果；
以所述网格坐标分层结果对所述第二待渲染点云模型进行分层贴图。
6.一种3D点云模型贴图的自动生成系统，其特征在于，所述系统包括：
建模参数获取模块，用于获取第一待渲染点云模型的建模参数集，所述建模参数集包括建模几何数据、建模表面数据以及建模构件数据；
参数平滑处理模块，用于将所述建模参数集输入云服务器中，基于所述云服务器中嵌入的平滑模块对所述建模参数集进行平滑处理，输出第二待渲染点云模型；
空间网格划分模块，用于对所述第二待渲染点云模型进行空间网格划分，得到网格待渲染点云模型；
贴图纹理划分模块，用于基于纹理类型对所述网格待渲染点云模型中的各个网格进行贴图纹理划分，得到基于类纹理标识的网格坐标集合；
贴图识别执行模块，用于对所述网格待渲染点云模型中的各个网格进行贴图复杂度识别，得到基于各个网格对应的复杂度指数；
分层贴图执行模块，用于基于所述各个网格对应的复杂度指数和所述类纹理标识的网格坐标集合，对所述第二待渲染点云模型进行分层贴图；
识别模型搭建单元，用于搭建贴图复杂度识别模型，其中，所述贴图复杂度识别模型包括纹理类型数量、贴图平面曲度、贴图结构微型化、以及表面平坦性；
网格识别执行单元，用于对所述网格待渲染点云模型中的各个网格分别进行识别，得到量化指数、曲面指数、微型指数以及平坦指数；
复杂度指数输出单元，用于按照所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，输出基于各个网格对应的复杂度指数；
识别矩阵搭建单元，用于以所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数，搭建复杂度识别矩阵；
量化矩阵搭建单元，用于分别对所述量化指数、所述曲面指数、所述微型指数以及所述平坦指数进行信息熵分析，搭建指数量化矩阵；
复杂度指数计算单元，用于采取AHP层次分析法，以所述数量化矩阵对所述复杂度识别矩阵进行矩阵正交计算，输出基于各个网格对应的复杂度指数。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310499541.2A CN117036570B (zh) | 2023-05-06 | 2023-05-06 | 一种3d点云模型贴图的自动生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310499541.2A CN117036570B (zh) | 2023-05-06 | 2023-05-06 | 一种3d点云模型贴图的自动生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117036570A CN117036570A (zh) | 2023-11-10 |
| CN117036570B true CN117036570B (zh) | 2024-04-09 |
Family
ID=88625034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310499541.2A Active CN117036570B (zh) | 2023-05-06 | 2023-05-06 | 一种3d点云模型贴图的自动生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036570B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118037981A (zh) * | 2024-04-12 | 2024-05-14 | 肺鱼文化科技(大连)有限公司 | 一种基于人工智能生成的三维大世界地形的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187647A (zh) * | 2022-05-27 | 2022-10-14 | 自然资源部第一地形测量队(陕西省第二测绘工程院) | 基于矢量的道路三维实景结构化建模方法 |
| CN115375822A (zh) * | 2022-08-15 | 2022-11-22 | 网易（杭州）网络有限公司 | 云模型的渲染方法、装置、存储介质及电子装置 |
| CN115409933A (zh) * | 2022-10-28 | 2022-11-29 | 北京百度网讯科技有限公司 | 多风格纹理贴图生成方法及其装置 |
| CN115937461A (zh) * | 2022-11-16 | 2023-04-07 | 泰瑞数创科技(北京)股份有限公司 | 多源融合模型构建及纹理生成方法、装置、介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3772040A1 (en) * | 2019-07-30 | 2021-02-03 | Reactive Reality AG | Method and computer program product for producing 3-dimensional model data of a garment |
-
2023
- 2023-05-06 CN CN202310499541.2A patent/CN117036570B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187647A (zh) * | 2022-05-27 | 2022-10-14 | 自然资源部第一地形测量队(陕西省第二测绘工程院) | 基于矢量的道路三维实景结构化建模方法 |
| CN115375822A (zh) * | 2022-08-15 | 2022-11-22 | 网易（杭州）网络有限公司 | 云模型的渲染方法、装置、存储介质及电子装置 |
| CN115409933A (zh) * | 2022-10-28 | 2022-11-29 | 北京百度网讯科技有限公司 | 多风格纹理贴图生成方法及其装置 |
| CN115937461A (zh) * | 2022-11-16 | 2023-04-07 | 泰瑞数创科技(北京)股份有限公司 | 多源融合模型构建及纹理生成方法、装置、介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于三维激光扫描技术的景观石重建技术;毛杰，等;黑龙江工程学院学报;第30卷(第02期);12-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117036570A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117036570B (zh) | 一种3d点云模型贴图的自动生成方法及系统 | |
| US20220230390A1 (en) | Method in constructing a model of a scenery and device therefor | |
| CN110968495A (zh) | 一种容器云平台性能评估方法及装置 | |
| CN114239198B (zh) | 一种基于并行优化的电网子图划分方法及装置 | |
| CN109684211A (zh) | 一种基于店铺维度的订单调度系统压力测试方法及装置 | |
| CN116563493A (zh) | 基于三维重建的模型训练方法、三维重建方法及装置 | |
| CN116824396A (zh) | 一种多卫星数据融合自动化解译的方法 | |
| CN111369670A (zh) | 一种实时构建实训数字孪生模型的方法 | |
| CN110532969B (zh) | 基于多尺度图像分割的斜坡单元划分方法 | |
| CN115761142B (zh) | 一种基于多gpu协同的高性能实景建模方法 | |
| CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
| CN115587688A (zh) | 一种基于bim的装配式建筑构件的调度方法及系统 | |
| CN111915281B (zh) | 基于地质灾害易发分区的区块评估审批方法、系统、智能终端及存储介质 | |
| CN114419112A (zh) | 建筑施工高度的识别方法、装置及电子设备 | |
| CN114419113A (zh) | 建筑施工进度的识别方法、装置及电子设备 | |
| CN110782527B (zh) | 建筑建模方法及装置 | |
| CN113361960B (zh) | 一种大规模需求响应能力量化方法、介质、装置及设备 | |
| CN117953164B (zh) | 一种提高图纸测量质量的方法及系统 | |
| CN115408747A (zh) | 一种基于bim的装配式建筑构件的管控方法及系统 | |
| CN110598302B (zh) | 基于三维实景的淹没分析方法、模块及系统 | |
| CN111739157B (zh) | 一种虚拟资产处理的方法及装置 | |
| CN116993923B (zh) | 换流站三维模型制作方法、系统、计算机设备和存储介质 | |
| CN117372325A (zh) | 基于投影和多尺度特征的点云质量评价方法及相关装置 | |
| CN117520618A (zh) | 一种面向多维能力空间的热力密度表达方法及系统 | |
| CN117610205A (zh) | 一种基于gis和数据分析的电力设施选线方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240417 Address after: Room J811, Building 6, No. 1288 Yecheng Road, Jiading District, Shanghai, 2018 Patentee after: Pedai (Shanghai) Automotive Technology Co.,Ltd. Country or region after: China Address before: West 2F, Qihang Building, Ningbo National University Science and Technology Park, No. 777 Zhongguan West Road, Zhuangshi Street, Zhenhai District, Ningbo City, Zhejiang Province, 315000 Patentee before: Peidai (Ningbo) Automotive Technology Co.,Ltd. Country or region before: China |