CN117611805A - 一种规则三维语义点云的3d异常区域提取方法及装置 - Google Patents

Abstract

本发明属于异常区域识别技术领域，具体涉及一种规则三维语义点云的3D异常区域提取方法及装置，包括：获取自然资源要素的格点数据集；将所获取的格点数据集转化为规则三维结构的语义点云数据集；根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

Description

一种规则三维语义点云的3D异常区域提取方法及装置

技术领域

本发明属于异常区域识别技术领域，具体涉及一种规则三维语义点云的3D异常区域提取方法及装置。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着观测技术的进步，探空探地探海能力得以极大提升。自然界的水土气生山林田湖草等各类自然要素的获取手段越来越丰富，自然资源要素数据集爆发式增长，大部分的自然要素数据集以如图1所示的规则三维语义点云的形式进行存储。

虽然自然资源要素获取能力提升巨大，但是针对此类数据集一直缺乏有效的分析技术与方法，例如土壤盐分数据集中的盐跃层的快速探测识别、海洋温度数据集中的温跃层结构的提取、CO₂数据集中浓度变化差异区域识别等，极度缺乏能够实现用于自然资源要素时空分异的快速诊断与模式挖掘的三维语义点云的异常区域提取技术。

目前，已有点云的异常区域提取算法，如Harris3D等大多针对的是非结构化的无语义点云数据集，依据依赖点集的稠密程度实现异常判别，可采用深度学习、点云处理或图像分析来提取结构中的异常区域。自然资源要素三维数据集有别于传统的点云数据，一方面是规则结构化的，例如自然要素大部分是1°*1°、0.5°*0.5°等的结构化点云，另一方面该类结构化点云带有极强的语义属性，例如语义代表土壤盐分、水分、CO₂浓度高低、海温温度值等，因此传统的点云异常区域提取算法并不能适用于自然资源要素的三维语义结构化点云数据集。

规则三维语义点云的3D异常区域提取方法也在不断改进，以提高异常检测的准确性和效率，未来的发展趋势包括深度学习技术的继续应用，多模态数据融合以提高可靠性，以及自动化和智能化系统的发展，这将有助于提高生产效率和质量。然而，仍然存在一些挑战，如数据质量问题、大规模数据处理需求和实时性要求。市场需要高性能的算法、技术跨领域应用、标准化数据集和可视化工具，以满足不同领域的需求，并推动该领域的进一步发展。

据发明人了解，规则三维语义点云的3D异常区域提取算法具有非常重要的研究价值，目前我们对规则三维语义点云所建模的水土气生等自然资源要素分析缺乏有效的分析手段及方法，以海洋温度要素为例，海温的3D异常区域代表海洋温跃层，即海洋中温度随深度急剧变化的区域，通过本发明专利的研究成果可以有效探测海洋温跃层的三维空间结构，对于深入理解海洋环境和相应的物理过程具有重要意义，如赤道暖池温跃层海温的变化与低纬大气环流异常变化，东海近海温跃层对水声场的影响；温跃层环境对南太平洋地区长鳍金枪鱼渔场分布等。

在3D异常点提取技术方面，现有技术方案多面对不规则数据点集，基于点的几何位置关系进行异常点提取。面对规则结构数据点集时，其邻近点搜索方法效率较低。并且规则结构点集的位置关系单一，基于几何位置关系的提取方法无法提取到期望的异常点；在基于点属性探测异常点的方案中，现有方案基本局限于二维的图像灰度识别，在规则三维语义点云的3D异常区域提取探测存在技术空白。

发明内容

为解决上述问题，本发明提出了一种规则三维语义点云的3D异常区域提取方法及装置，将自然资源要素的格点数据集建模为规则三维语义点云模型，提取点语义属性数据异常的点云区域，构建异常点云候选集，对异常候选集进行聚类提取异常区域的边界，完成对3D异常区域的精确提取与识别，捕捉规则三维语义数据点集的3D异常区域的三维不规则形状和位置。

根据一些实施例，本发明的第一方案提供了一种规则三维语义点云的3D异常区域提取方法，采用如下技术方案：

一种规则三维语义点云的3D异常区域提取方法，包括：

获取自然资源要素的格点数据集；

将所获取的格点数据集转化为规则三维结构的语义点云数据集；

根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；

基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

作为进一步的技术限定，采用临近点搜索法获取当前语义数据点的临近点集坐标，得到当前语义数据点的临近候选点集。

作为进一步的技术限定，计算当前语义数据点与各个临近点的强度值之差的平方和，对所得到的平方和取均值，即得到当前临近候选点集的异常度。

作为进一步的技术限定，根据当前临近候选点集以及当前临近候选点集的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有语义数据点的异常度，得到语义点云的3D异常度集。

进一步的，根据得到的当前语义点云数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的语义点云数据集，根据所筛选出来的所有异常点构建语义点云的3D异常点集。

进一步的，将所获取的异常点插入到语义点云的异常点集中，得到聚类异常区域的备选点集；采用基于密度的聚类算法DBSCAN进行备选点集的聚类，得到语义点云的异常区域，完成规则三维语义数据结构3D异常区域的识别提取；在聚类的过程中，通过设置若干个邻域距离阈值Eps进行重合区域的提取；根据语义点云数据集的异常点提取结果设定最小样本数量阈值MinPts进行噪点和小面积聚类区域的处理提取。

作为进一步的技术限定，所获取的规则三维结构的语义点云数据集为所有的点都在x,y,z轴上均等距分布的点云集合。

根据一些实施例，本发明的第二方案提供了一种规则三维语义点云的3D异常区域提取装置，采用如下技术方案：

一种规则三维语义点云的3D异常区域提取装置，包括：

获取模块，其被配置为获取自然资源要素的格点数据集,所获取的格点数据集转化为规则三维结构的语义点云数据集；

计算模块，其被配置为根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

构建模块，其被配置为根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

提取模块，其被配置为对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的规则三维语义点云的3D异常区域提取方法中的步骤。

根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的规则三维语义点云的3D异常区域提取方法中的步骤。

与现有技术相比，本发明的有益效果为：

本方法面向三维规则语义数据集，将检测维度拓展至三维，仅考虑数据点集中点属性差异，几何位置关系不纳入计算，将异常点聚类为异常区域输出，提取规则三维语义点云结构数据点集中的异常的数据点区域，完成对3D异常区域的精确提取与识别，捕捉数据点集的3D异常区域的三维不规则形状和位置。

附图说明

构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。

图1为本发明背景技术中的规则三维语义点云数据集的结构示意图；

图2为本发明实施例一中的规则三维语义点云的3D异常区域提取方法的流程图；

图3为本发明实施例一中的规则三维语义点云的3D异常区域提取方法的架构图；

图4为本发明实施例一中的当前数据点(p_x,p_y,p_z)，及其邻近点集(x_i,y_i,z_i)的结构示意图；

图5为本发明实施例一中的异常度计算的结构示意图；其中，图5中的(a)为三维语义点云数据集的异常度结构示意图；图5中的(b)为异常度为0的结构示意图；

图6为本发明实施例一中的语义点云异常度的曲线示意图；

图7为本发明实施例一中的IAP全球海洋温度数据集样本点集的提取结果示意图；其中，图7中的(a)为俯视图；图7中的(b)为底视图；图7中的(c)为侧视图；图7中的(d)为三维模型图；

图8为本发明实施例二中的规则三维语义点云的3D异常区域提取装置的结构框图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本实发明中的具体含义，不能理解为对本发明的限制。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本发明实施例一介绍了一种规则三维语义点云的3D异常区域提取方法。

如图2所示的一种规则三维语义点云的3D异常区域提取方法，包括：

获取自然资源要素的格点数据集；

将所获取的格点数据集转化为规则三维结构的语义点云数据集；

根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；

基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

本实施例中的规则三维语义点云的3D异常区域提取的输入为规则结构语义点云数据集、阈值百分比、DBSCAN的参数(即Eps和MinPts)；输出为异常区域聚类结果(即异常区域)；如图3所示，具体的语义点云异常区域提取过程分为三个阶段，即异常度计算、异常点筛选和异常点聚类；首先，计算表示数据点的异常性度的异常度；在异常点筛选阶段，计算得到的异常度被用于将数据点分为两类，即正常点和异常点，这一分类过程依赖于阈值设定，即通过对异常度的适当分位数或统计度量来界定异常点的子集，确定了异常点子集后，第三阶段包括对异常点的聚类，以发现共享相似性质的数据点群，本实施例采用DBSCAN密度聚类算法，将异常点聚合成簇，这一簇内分析和分布特性的研究可细化异常区域的描述。

本实施例中所输入的语义点云数据集应带有规则的x,y,z位置坐标，且每个数据点带有属性值；数据集结构为(N，4)，即N代表数据集点数，4代表一个点信息的长度(x,y,z,点属性)并且需要将该数据集预处理为带有强度信息的点云输入算法；规则三维结构的语义点云数据集为所有的点都在x,y,z轴上均等距分布的点云集合。

作为一种或多种实施方式，本实施例根据所获取的语义点云数据集计算当前语义数据点的临近点集，具体过程为：

遍历语义点云数据集(即点云)中的各点，通过邻近点搜索方法获取当前语义数据点的邻近点集坐标，并根据输入语义数据点集属性邻近点坐标索引得获得邻近点集属性值；在本实施例中，以当前数据点为边长为2的正方体的重心，理论上其邻近点集规则的分布在正方体的8个角点和12条边的中点上，当前数据点与邻近点集在三维坐标系中存在规律位置关系，可以根据坐标计算求得：在规则等距(距离为Δx,Δy,Δz)点坐标系中，当前数据点为三维坐标系的中心点，其邻近点集neighbors可表示为(x+Δx,y+Δy,z+Δz)；即：

neighbors＝[[x-1,y,z],[x+1,y,z],[x,y+1,z],[x,y-1,z],[x+1,y

+1,z],[x+1,y-1,z],[x-1,y-1,z],[x-1,y+1,z],[x,y,z

+1],[x-1,y,z+1],[x+1,y,z+1],[x,y+1,z+1],[x,y-1,z

+1],[x+1,y+1,z+1],[x+1,y-1,z+1],[x-1,y-1,z+1],[x

-1,y+1,z+1],[x,y,z-1],[x-1,y,z-1],[x+1,y,z-1],[x,y

+1,z-1],[x,y-1,z-1],[x+1,y+1,z-1],[x+1,y-1,z

-1],[x-1,y-1,z-1],[x-1,y+1,z-1]]

需要说明的是，Δx,Δy,Δz可表示不同的邻近点，Δx,Δy,Δz的数值表示坐标系中的距离取值范围。

在计算的过程中，不排除当前语义数据点位于边缘和邻近点缺失的情况，此时，将计算得到的邻近点与输入数据点集数据对应位置进行对比，以确定上述邻近点是否真实存在；在提高邻近点搜索性能的同时，确保邻近点集的准确性。

作为一种或多种实施方式，基于所得到的当前语义数据点的临近点集，计算当前语义数据点的异常度R；具体为：

如图4所示，为计算当前语义数据点(p_x,p_y,p_z)与邻近点集(x_i,y_i,z_i)的差异程度，本实施例一异常度R差异程度的大小；即：计算当前数据点与δ个(边缘状态或邻近点缺失状态下小于26)邻近点的强度值之差的平方和取均值得即得当前数据点异常度即：

K₁＝[I(x₀,y₀,z₀)-I(p_x,p_y,p_z)]²；

K₂＝[I(x₁,y₁,z₁)-I(p_x,p_y,p_z)]²；

K₃＝[I(x₂,y₂,z₃)-I(p_x,p_y,p_z)]²；

…

K_δ＝[I(x_δ,y_δ,z_δ)-I(p_x,p_y,p_z)]²；

其中，I(p_x,p_y,p_z)代表目标点坐标为(x,y,z)的强度值，I(x_δ,y_δ,z_δ)代表坐标为(x_δ,y_δ,z_δ)邻近点集各点的强度属性值。

本实施例在计算当前语义数据点异常度的过程中，计算每个数据点沿着水平、垂直、对角线及反对角线的四个方向的灰度方差，其中的最小值选作该点的异常度，其在数据集维度为二维时比较适用，但当数据集增至三维时，若只增加维度方向，而不改变异常程度计算方法，其表达异常程度的异常值会出现误差。例如，如图5中的(a)所示，正方体中心点为待检测目标点，其他为邻近点，各个点代表不同的点属性值；可明显看出，该待检测目标点为一个异常点。若采用传统的计算模式，将点属性值等价为灰度值，所得到的异常度为0，如图5中的(b)所示，很明显，不符合本实施例中对异常点的定义。

作为一种或多种实施方式，根据当前语义数据点以及当前语义数据点的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有数据点的异常度，得到异常度集；根据得到的当前数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的数据集点云，根据所筛选出来的所有异常点构建异常点集。

作为一种或多种实施方式，将所获取的异常点插入到异常点集中，得到聚类异常区域的备选点集；采用基于密度的聚类算法DBSCAN进行备选点集的聚类，得到异常区域，完成规则三维结构异常区域的识别提取。

在本实施例中，选择3D DBScan算法聚类为异常区域。DBSCAN以邻域参数集(Eps，MinPts)为基础，通过这一参数组合来量化数据样本点集的内在紧密程度；Eps表示一个特定样本点的邻域距离阈值，即在以该样本点为中心的领域内，样本点之间的距离不得超过Eps值，而MinPts则代表在以该样本为中心的Eps距离领域内，所要求的最小样本点数量阈值。通过综合考量Eps和MinPts，DBSCAN有效地建立了用于测量数据集中紧密性的邻域描述，支持异常点异常点集聚类过程的展开。

三维DBSCAN聚类结果受半径参数Eps的选择影响显著。较小的半径值会导致更多数据点被认定为核心对象，从而可能形成更多的小尺寸簇。然而，这种情况下可能会将噪声点也纳入某些簇中，从而引入噪声或过拟合的问题。另一方面，较大的半径值可能会导致较少的核心对象，因此可能会形成较大的簇，且一些本不应属于同一簇的数据点可能会被错误地合并。这样的情况可能会降低聚类的准确性和解释性。本实施例在聚类的过程中，通过设置若干个邻域距离阈值Eps进行重合区域的提取；根据数据集的异常点提取结果设定最小样本数量阈值MinPts进行噪点和小面积聚类区域的处理提取。

算例分析

本实施例以IAP全球海洋温度格点数据集为例，对所提出的规则三维语义点云的3D异常区域提取方法展开详细介绍。

具体的，遍历海洋温度格点数据集点云中各点，通过邻近点搜索方法获取当前点的邻近点集；异常度的数值大小描述目标点异常程度，实验根据所需异常程度结果设置异常度阈值，将异常度大于阈值的目标点确定为异常点；将所得到的异常度进行可视化排序，形成异常度曲线；得到如图6所示的异常度的曲线；可得，在图6中，异常度曲线在纵坐标为9.0存在较大幅度变化，选用9.0做为阈值进行异常点选取。提取获得异常点插入异常点集，作为聚类异常区域的备选点集；根据备选异常点集，确定适当的Eps和MinPts，通过DBSCAN算法，将该点集聚类为不同的异常区域。

获取上述异常点集之后，本实施例选择3D DBScan算法聚类为异常区域；DBSCAN以邻域参数集(Eps，MinPts)为基础，通过这一参数组合来量化数据样本点集的内在紧密程度。Eps表示了一个特定样本点的邻域距离阈值，即在以该样本点为中心的领域内，样本点之间的距离不得超过Eps值，而MinPts则代表了在以该样本为中心的Eps距离领域内，所要求的最小样本点数量阈值。通过综合考量Eps和MinPts，DBSCAN有效地建立了用于测量数据集中紧密性的邻域描述，进而支持异常点异常点集聚类过程的展开。三维DBSCAN聚类结果受半径参数Eps的选择影响显著。较小的半径值会导致更多数据点被认定为核心对象，从而可能形成更多的小尺寸簇。然而，这种情况下可能会将噪声点也纳入某些簇中，从而引入噪声或过拟合的问题。另一方面，较大的半径值可能会导致较少的核心对象，因此可能会形成较大的簇，且一些本不应属于同一簇的数据点可能会被错误地合并。这样的情况可能会降低聚类的准确性和解释性。

因此，本实施例多个邻域距离阈值(Eps)，对重合区域进行提取。对于噪点和较小面积的聚类区域处理，实验将最小样本数量阈值(MinPts)设置为10，以去除噪点；将聚类区域按照点云数量进行排序，取点数较多的聚类区域作为研究区域，较小面积部分不纳入研究。

提取IAP全球海洋温度数据集样本点集的三维异常区域提取，得到如图7所示的提取结果；其中，图7中的(a)为俯视图；图7中的(b)为底视图；

图7中的(c)为侧视图；图7中的(d)为三维模型图；本实施例提取了六处海温异常区域，基本分布在热带和温寒过渡带，最大深度达300m。

本实施例将自然资源要素的格点数据集建模为规则三维语义点云模型，提取点语义属性数据异常的点云区域，构建异常点云候选集，对异常候选集进行聚类提取异常区域的边界，完成对3D异常区域的精确提取与识别，捕捉规则三维语义数据点集的3D异常区域的三维不规则形状和位置。

实施例二

本发明实施例二介绍了一种规则三维语义点云的3D异常区域提取装置。

如图8所示的一种规则三维语义点云的3D异常区域提取装置，包括：

获取模块，其被配置为获取自然资源要素的格点数据集,所获取的格点数据集转化为规则三维结构的语义点云数据集；

计算模块，其被配置为根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

构建模块，其被配置为根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

提取模块，其被配置为对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

详细步骤与实施例一提供的一种规则三维语义点云的3D异常区域提取方法相同，在此不再赘述。

实施例三

本发明实施例三提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的一种规则三维语义点云的3D异常区域提取方法中的步骤。

详细步骤与实施例一提供的一种规则三维语义点云的3D异常区域提取方法相同，在此不再赘述。

实施例四

本发明实施例四提供了一种电子设备。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例一所述的一种规则三维语义点云的3D异常区域提取方法中的步骤。

详细步骤与实施例一提供的一种规则三维语义点云的3D异常区域提取方法相同，在此不再赘述。

以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.一种规则三维语义点云的3D异常区域提取方法，其特征在于，包括：

获取自然资源要素的格点数据集；

将所获取的格点数据集转化为规则三维结构的语义点云数据集；

根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；

基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

2.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，采用临近点搜索法获取当前语义数据点的临近点集坐标，得到当前语义数据点的临近候选点集。

3.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，计算当前语义数据点与各个临近点的强度值之差的平方和，对所得到的平方和取均值，即得到当前临近候选点集的异常度。

4.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，根据当前临近候选点集以及当前临近候选点集的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有语义数据点的异常度，得到语义点云的3D异常度集。

5.如权利要求4中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，根据得到的当前语义点云数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的语义点云数据集，根据所筛选出来的所有异常点构建语义点云的3D异常点集。

6.如权利要求5中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，将所获取的异常点插入到语义点云的异常点集中，得到聚类异常区域的备选点集；采用基于密度的聚类算法进行备选点集的聚类，得到语义点云的异常区域，完成规则三维语义数据结构3D异常区域的识别提取；在聚类的过程中，通过设置若干个邻域距离阈值进行重合区域的提取；根据语义点云数据集的异常点提取结果设定最小样本数量阈值进行噪点和小面积聚类区域的处理提取。

7.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，所获取的规则三维结构的语义点云数据集为所有的点都在x,y,z轴上均等距分布的点云集合。

8.一种规则三维语义点云的3D异常区域提取装置，其特征在于，包括：

获取模块，其被配置为获取自然资源要素的格点数据集,所获取的格点数据集转化为规则三维结构的语义点云数据集；

计算模块，其被配置为根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；

构建模块，其被配置为根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3D异常点集；

提取模块，其被配置为对所构建的3D异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3D异常区域的识别提取。

9.一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，该程序被处理器执行时实现了如权利要求1-7任一项所述的一种规则三维语义点云的3D异常区域提取方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的一种规则三维语义点云的3D异常区域提取方法的步骤。