CN118096906B - 基于矢量绑定和形态学的点云抽稀方法及系统 - Google Patents

基于矢量绑定和形态学的点云抽稀方法及系统 Download PDF

Info

Publication number
CN118096906B
CN118096906B CN202410523902.7A CN202410523902A CN118096906B CN 118096906 B CN118096906 B CN 118096906B CN 202410523902 A CN202410523902 A CN 202410523902A CN 118096906 B CN118096906 B CN 118096906B
Authority
CN
China
Prior art keywords
point cloud
dimensional
model
vector
matching
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
CN202410523902.7A
Other languages
English (en)
Other versions
CN118096906A (zh
Inventor
邓继伟
马帅
刘东明
葛玉辉
聂虎啸
张冠军
王广帅
冯耀
高永亮
李小娟
张良
李厚林
李凯
刘弟林
赵梦杰
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.)
China Railway Design Corp
Original Assignee
China Railway Design Corp
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 China Railway Design Corp filed Critical China Railway Design Corp
Priority to CN202410523902.7A priority Critical patent/CN118096906B/zh
Publication of CN118096906A publication Critical patent/CN118096906A/zh
Application granted granted Critical
Publication of CN118096906B publication Critical patent/CN118096906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • 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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于矢量绑定和形态学的点云抽稀方法及系统。首先构建基本三维矢量模型库，由基本三维矢量模型可以通过不同的组合方式，实现复杂三维模型的创建；其次通过三维矢量模型拟合点云数据，记录基本三维矢量数据中的拐角点数据和中心点数据，剔除其余数据实现点云抽稀；通过形态学的反复拟合，最终实现全部点云数据的抽稀，本发明能结合点云对象的形态学特征，能够有效提升抽稀效率、减少数据损失。

Description

基于矢量绑定和形态学的点云抽稀方法及系统
技术领域
本发明涉及点云数据处理技术领域，尤其涉及一种基于矢量绑定和形态学的点云抽稀方法及系统。
背景技术
在处理点云数据时，记录中往往会有很多重复数据，对进一步数据处理带来诸多不便。多余的数据一方面浪费了较多的存储空间，另一方面造成所要表达的图形不光滑或不符合标准。因此要通过某种规则，在保证点云数据形状、特征不变的情况下，最大限度地减少点云数据点个数，这个过程称为点云抽稀（点云数据下采样）。
常见的点云抽稀方法包括基于采样的抽稀方法、基于距离的抽稀方法、基于网格的抽稀方法、基于聚类的抽稀方法、基于重构的抽稀方法等等，这些方法能够针对不同特性的点云数据，实现不同程度的抽稀。但是现有的抽稀方法，都没有考虑到图形的矢量化存储性能、效率优势，容易导致在进行矢量化存储时，出现关键形态数据点的缺失，因此，本申请提出一种结合点云对象的形态学特征，实现一种新的抽稀方法。
发明内容
因此，本发明的目的在于提供一种基于矢量绑定和形态学的点云抽稀方法及系统，能结合点云对象的形态学特征，实现一种新的抽稀方法，将能够有效提升抽稀效率、减少数据损失。
为了实现上述目的，本发明提供的一种基于矢量绑定和形态学的点云抽稀方法，包括以下步骤：
S1、获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
S2、构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；
S3、按照优先级从低到高的顺序依次将S2建立的模型与S1中划分后的目标个体的点云进行匹配；
S4、在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
S5、记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
进一步优选的，在S1中，所述根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分，包括：
将卫星和机载激光雷达获取的三维地面点云数据，作为大尺度点云数据；
对大尺度点云数据剔除误差数据后，采用点云语义分割模型进行目标分割。
进一步优选的，在S1中，所述根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分，包括：将近距离测绘的室内激光雷达数据，作为小尺度点云数据，将小尺度点云数据按照形态学特征进行目标个体划分。
进一步优选的，在S2中，构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级包括如下步骤：
S201、构建仅记录单点信息的三维矢量点模型，设定优先级为第1优先级；
S202、构建记录直线两端点和中间点，共3个点信息的三维矢量直线模型，设定优先级为第2优先级；
S203、构建三维面模型，记录三个角的信息和三角形内心的点信息，共4个点，设定优先级为第3优先级；若一个面由n个三角形模型组合而成，则共需记录4n个点的信息；
S204、构建三维体模型，由三维面模型组合成的密封三维空间来定义三维体模型，形成常见的三维几何体模型，设定优先级为第4优先级。
进一步优选的，在S3中，按照优先级从低到高的顺序依次将S2建立的模型与S1中划分后的目标个体的点云进行匹配；包括如下步骤：
S301、以最高优先级的三维体模型优先匹配目标个体的点云；对三维体模型进行尺度扩容，生成不同大小的同类型三维体模型；
S302、将生成的每类、多个三维体模型，与目标个体的点云进行匹配；根据优先级顺序，依次用三维体模型、三维面模型匹配目标个体点云；
S303、计算目标个体已匹配的点云百分比，若百分比大于等于阈值，则匹配完成，若已匹配点云百分比低于阈值，则表明目标点云中有非基础形态情形，则跳转S4。
进一步优选的，在S301中，对三维体模型进行尺度扩容，生成不同大小的同类型三维体模型；
将各类三维模型，分别进行匹配，当三维体模型为立方体模型时：
设定立方体模型的长宽高为x、y、z；
设定x、y、z的取值范围分别为[0, xmax]、[0, ymax]、[0, zmax]，其中xmax、ymax和zmax为目标个体的长宽高的1/10，x、y、z取整数；
遍历所有x、y、z取值，则得到个不同长宽高的长方体； 记为ncuboid；
按照此过程，生成其它各类型不同尺寸的多个三维体模型。
进一步优选的，在S302中，将生成的每类、多个三维体模型，与目标个体的点云进行匹配，包括：
三维体模型为立方体模型时，选取长宽高分别为xmax、ymax和zmax的立方体；
定义立方体的运动方式为轴向旋转、镜面旋转、三方向移动；
将立方体在目标个体的点云区域逐个空间位置进行匹配，每个位置需要进行平移匹配时，每次移动1个单位；每个位置需要进行旋转匹配时，每次选择1个单位；
全部遍历完成后，记录匹配成功时，长方体的位置和长、宽、高；
匹配成功后，若立方体有重叠的匹配结果，则去掉重叠的匹配结果；
将剩余的ncuboid-1个长方体，根据上述步骤，去除已匹配成功区域，依次进行匹配。
进一步优选的，在S5中，记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀，包括以下步骤：
S501、对完成匹配尚未进行抽稀的点云数据，构建辅助矢量库，存储与其绑定的矢量模型和参数；
S502、记录S2构建的三维模型中对应点云数据中的关键点，所述关键点包括顶点对应的点和三角内心对应的点；
S503、剔除S502中无需记录的点实现点云数据抽稀；
S504、抽稀后实现所有目标个体的点云所对应矢量三维模型的每个三维矢量，均绑定至某特定区域点云。
本发明还提供一种基于矢量绑定和形态学的点云抽稀系统，用于实施上述基于矢量绑定和形态学的点云抽稀方法的步骤；包括：三维点云数据预处理模块、基础矢量模型构建模块、基于矢量绑定的点云匹配模块、基于新增形态的矢量化模块、矢量绑定和抽稀模块；
所述三维点云数据预处理模块，用于获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
所述基础矢量模型构建模块，构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；
所述基于矢量绑定的点云匹配模块，用于按照优先级从低到高的顺序依次将建立的模型与划分后的目标个体的点云进行匹配；
所述基于新增形态的矢量化模块，用于在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
所述矢量绑定和抽稀模块，用于记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
本申请公开的基于矢量绑定和形态学的点云抽稀方法及系统，提供构建基本三维矢量模型库，由基本三维矢量模型可以通过不同的组合方式，实现复杂三维模型的创建；记录基本三维矢量数据中的拐角点数据和中心点数据，剔除其余数据实现点云抽稀；能结合点云对象的形态学特征，能够有效提升抽稀效率、减少数据损失。
附图说明
图1是本发明基于矢量绑定和形态学的点云抽稀方法流程示意图；
图2是本发明一种基于矢量绑定和形态学的点云抽稀方法的模块框图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的基于矢量绑定和形态学的点云抽稀方法，包括以下步骤：
S1、获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
其中，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分，包括：
将卫星和机载激光雷达获取的三维地面点云数据，作为大尺度点云数据；通过人机交互的方式对原始点云数据进行修正，剔除错误数据，如路面点云数据中存在的明显高程错误的点；
对大尺度点云数据剔除误差数据后，采用点云语义分割模型进行目标分割。
其中点云语义分割模型为PointCNN，实现对将点云数据所观测的对象划分为独立目标；如A类点云中，将路面、水系、建筑物、植被等单独划分。
将近距离测绘的室内激光雷达数据，作为小尺度点云数据，如室内目标点云数据；将小尺度点云数据按照形态学特征进行目标个体划分。剔除不符合目标形态学特征的点；如室内点云数据，划分为家具、电器等一个个独立个体，进行基于形态学的人机交互点云修正，修正完后重新组合；
S2、构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；具体包括：
S201、构建仅记录单点信息的三维矢量点模型，设定优先级为第1优先级；
S202、构建记录直线两端点和中间点，共3个点信息的三维矢量直线模型，设定优先级为第2优先级；
S203、构建三维面模型，记录三个角的信息和三角形内心的点信息，共4个点，设定优先级为第3优先级；若一个面由n个三角形模型组合而成，则共需记录4n个点的信息；需要说明的是，考虑到面状对象形态的多样性，为简便操作，将仅构建三角形模型，其余各态面状对象，均由三角形模型拼接、组合实现。
S204、构建三维体模型，由三维面模型组合成的密封三维空间来定义三维体模型，形成常见的三维几何体模型，设定优先级为第4优先级。预先定义常见的三维几何体，如立方体、长方体、球体、椎体等；如立方体，则需要6个面模型的数据。
S3、按照优先级从低到高的顺序依次将S2建立的模型与S1中划分后的目标个体的点云进行匹配；
S301、以最高优先级的三维体模型优先匹配目标个体的点云；对三维体模型进行尺度扩容，生成不同大小的同类型三维体模型；
S3011、具体包括将各类三维模型，分别进行匹配，当三维体模型为立方体模型时：
S3012、设定立方体模型的长宽高为x、y、z；
S3013、设定x、y、z的取值范围分别为[0, xmax]、[0, ymax]、[0, zmax]，其中xmax、ymax和zmax为目标个体的长宽高的1/10，x、y、z取整数；
S3014、遍历所有x、y、z取值，则得到个不同长宽高的长方体； 记为ncuboid；假设长、宽、高为3、4、5，若所有的值均取整数，则长的取值有3个（1、2和3），宽的取值有4个，高取值有5个，所有可能性组成的长方体共有3X4X5个，也即60个。
S3015、按照此过程，生成其它各类型不同尺寸的多个三维体模型。
S302、将生成的每类、多个三维体模型，与目标个体的点云进行匹配；根据优先级顺序，依次用三维体模型、三维面模型匹配目标个体点云；包括：
以长方体为例，定义匹配规则为：
a）当长方体的5个面以上均存在高密度点云（点与面的直线距离小于阈值α），则第一步匹配成功；
b）第二步，计算长方体内部是否存在数据点，若不存在，则最终匹配成功；
c）若内部存在点云数据，则表明该长方体不能整体表征对应区域的点云数据（因为不是外围轮廓点云），则匹配失败；
d）对于匹配失败，则需要通过调整长方体位置、大小重新进行匹配。
具体的匹配方法为：
S3021、三维体模型为立方体模型时，选取长宽高分别为xmax、ymax和zmax的立方体；
S3022、定义立方体的运动方式为轴向旋转、镜面旋转、三方向移动；
S3023、将立方体在目标个体的点云区域逐个空间位置进行匹配，每个位置需要进行平移匹配时，每次移动1个单位；每个位置需要进行旋转匹配时，每次选择1个单位；
S3024、全部遍历完成后，记录匹配成功时，长方体的位置和长、宽、高；
S3025、匹配成功后，若立方体有重叠的匹配结果，则去掉重叠的匹配结果；
S3026、将剩余的ncuboid-1个长方体，根据上述步骤，去除已匹配成功区域，依次进行匹配。
S303、计算目标个体已匹配的点云百分比，若百分比大于等于阈值，则匹配完成，若已匹配点云百分比低于阈值，则表明目标点云中有非基础形态情形，则跳转S4。
S4、在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
S4.1、在独立目标个体中，剔除已匹配点云区域；
S4.2、将剩余区域以网格化分块，计算平均每个网格区域的点数量；
S4.3、筛选出大于平均点数量的网格，定义为点云数量相对集中区域；
S4.4、若筛选后的网格相邻，则合并网格；
S4.5、剩余网格中的点云，由人机交互，由操作员适配绘制与点云形态相符的矢量形态；绘制顺序为：以三维体模型为主，矢量面模型和矢量线模型为辅；
S4.6、剔除其余未绘制矢量模型的独立点；
S4.7、将新构建的各类三维矢量入库，作为后续的基础矢量模型使用。
S5、记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
S501、对完成匹配尚未进行抽稀的点云数据，构建辅助矢量库，存储与其绑定的矢量模型和参数；
S502、记录S2构建的三维模型中对应点云数据中的关键点，所述关键点包括顶点对应的点和三角内心对应的点；
S503、剔除S502中无需记录的点实现点云数据抽稀；
S504、抽稀后实现所有目标个体的点云所对应矢量三维模型的每个三维矢量，均绑定至某特定区域点云。
进一步的，上述步骤实现的抽稀过程，仅考虑了点云的空间特征，若需进一步的存储原始电源的色彩信息，则可加入色彩维度，通过类似的方法构建“四维矢量模型”实现。
本发明还提供一种基于矢量绑定和形态学的点云抽稀系统，用于实施上述基于矢量绑定和形态学的点云抽稀方法的步骤；包括：三维点云数据预处理模块10、基础矢量模型构建模块20、基于矢量绑定的点云匹配模块30、基于新增形态的矢量化模块40、矢量绑定和抽稀模块50；
所述三维点云数据预处理模块10，用于获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
所述基础矢量模型构建模块20，构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；
所述基于矢量绑定的点云匹配模块30，用于按照优先级从低到高的顺序依次将建立的模型与划分后的目标个体的点云进行匹配；
所述基于新增形态的矢量化模块40，用于在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
所述矢量绑定和抽稀模块50，用于记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于矢量绑定和形态学的点云抽稀方法，其特征在于，包括以下步骤：
S1、获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
S2、构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；包括：
S201、构建仅记录单点信息的三维矢量点模型，设定优先级为第1优先级；
S202、构建记录直线两端点和中间点，共3个点信息的三维矢量直线模型，设定优先级为第2优先级；
S203、构建三维面模型，记录三个角的信息和三角形内心的点信息，共4个点，设定优先级为第3优先级；若一个面由n个三角形模型组合而成，则共需记录4n个点的信息；
S204、构建三维体模型，由三维面模型组合成的密封三维空间来定义三维体模型，形成常见的三维几何体模型，设定优先级为第4优先级；
S3、按照优先级从低到高的顺序,依次将S2建立的模型与S1中划分后的目标个体的点云进行匹配；
S4、在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
S5、记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
2.根据权利要求1所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S1中，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分，包括：
将卫星和机载激光雷达获取的三维地面点云数据，作为大尺度点云数据；
对大尺度点云数据剔除误差数据后，采用点云语义分割模型进行目标分割。
3.根据权利要求1所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S1中，所述根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分，包括：将近距离测绘的室内激光雷达数据，作为小尺度点云数据，将小尺度点云数据按照形态学特征进行目标个体划分。
4.根据权利要求1所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S3中，按照优先级从低到高的顺序依次将S2建立的模型与S1中划分后的目标个体的点云进行匹配；包括如下步骤：
S301、以最高优先级的三维体模型优先匹配目标个体的点云；对三维体模型进行尺度扩容，生成不同大小的同类型三维体模型；
S302、将生成的每类、多个三维体模型，与目标个体的点云进行匹配；根据优先级顺序，依次用三维体模型、三维面模型匹配目标个体点云；
S303、计算目标个体已匹配的点云百分比，若百分比大于等于阈值，则匹配完成，若已匹配点云百分比低于阈值，则表明目标点云中有非基础形态情形，则跳转S4。
5.根据权利要求4所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S301中，对三维体模型进行尺度扩容，生成不同大小的同类型三维体模型包括；
将各类三维模型，分别进行匹配，当三维体模型为立方体模型时：
设定立方体模型的长宽高为x、y、z；
设定x、y、z的取值范围分别为[0, xmax]、[0, ymax]、[0, zmax]，其中xmax、ymax和zmax为目标个体的长宽高的1/10，x、y、z取整数；
遍历所有x、y、z取值，则得到个不同长宽高的长方体； 记为ncuboid；
按照此过程，生成其它各类型不同尺寸的多个三维体模型。
6.根据权利要求5所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S302中，将生成的每类、多个三维体模型，与目标个体的点云进行匹配，包括：
三维体模型为立方体模型时，选取长宽高分别为xmax、ymax和zmax的立方体；
定义立方体的运动方式为轴向旋转、镜面旋转、三方向移动；
将立方体在目标个体的点云区域逐个空间位置进行匹配，每个位置需要进行平移匹配时，每次移动1个单位；每个位置需要进行旋转匹配时，每次选择1个单位；
全部遍历完成后，记录匹配成功时，长方体的位置和长、宽、高；
匹配成功后，若立方体有重叠的匹配结果，则去掉重叠的匹配结果；
将剩余的ncuboid-1个长方体，根据上述步骤，去除已匹配成功区域，依次进行匹配。
7.根据权利要求1所述的基于矢量绑定和形态学的点云抽稀方法，其特征在于，在S5中，记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀，包括以下步骤：
S501、对完成匹配尚未进行抽稀的点云数据，构建辅助矢量库，存储与其绑定的矢量模型和参数；
S502、记录S2构建的三维模型中对应点云数据中的关键点，所述关键点包括顶点对应的点和三角内心对应的点；
S503、剔除S502中无需记录的点实现点云数据抽稀；
S504、抽稀后实现所有目标个体的点云所对应矢量三维模型的每个三维矢量，均绑定至某特定区域点云。
8.一种基于矢量绑定和形态学的点云抽稀系统，用于实施上述权利要求1-7中任意一项所述的基于矢量绑定和形态学的点云抽稀方法的步骤；其特征在于，包括：三维点云数据预处理模块、基础矢量模型构建模块、基于矢量绑定的点云匹配模块、基于新增形态的矢量化模块、矢量绑定和抽稀模块；
所述三维点云数据预处理模块，用于获取三维点云数据，将获取的三维点云数据进行预处理，根据三维点云数据的来源确定所属类型，按照不同类型对点云数据进行目标个体划分；
所述基础矢量模型构建模块，构建三维矢量点模型、三维矢量直线模型、三维面模型和三维体模型，并按照由低到高的顺序依次设置优先级；
所述基于矢量绑定的点云匹配模块，用于按照优先级从低到高的顺序依次将建立的模型与划分后的目标个体的点云进行匹配；
所述基于新增形态的矢量化模块，用于在目标个体中剔除已经匹配的点云区域，将剩余区域以网格化分块，绘制与点云形态相符的矢量形态，作为新增特殊矢量形态与点云进行匹配；
所述矢量绑定和抽稀模块，用于记录匹配完成的三维点云数中与构建模型关键点对应的数据点，完成矢量绑定，将无需记录的数据点剔除，完成点云抽稀。
CN202410523902.7A 2024-04-29 2024-04-29 基于矢量绑定和形态学的点云抽稀方法及系统 Active CN118096906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410523902.7A CN118096906B (zh) 2024-04-29 2024-04-29 基于矢量绑定和形态学的点云抽稀方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410523902.7A CN118096906B (zh) 2024-04-29 2024-04-29 基于矢量绑定和形态学的点云抽稀方法及系统

Publications (2)

Publication Number Publication Date
CN118096906A CN118096906A (zh) 2024-05-28
CN118096906B true CN118096906B (zh) 2024-07-05

Family

ID=91164096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410523902.7A Active CN118096906B (zh) 2024-04-29 2024-04-29 基于矢量绑定和形态学的点云抽稀方法及系统

Country Status (1)

Country Link
CN (1) CN118096906B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091614A (zh) * 2019-11-04 2020-05-01 国网内蒙古东部电力有限公司检修分公司 一种变电站三维实景模型建立方法及系统
CN115147564A (zh) * 2021-03-16 2022-10-04 华为技术有限公司 一种三维模型构建方法、神经网络训练方法以及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546266B (zh) * 2022-11-24 2023-03-17 中国铁路设计集团有限公司 基于局部法向相关的多条带机载激光点云配准方法
CN115953563A (zh) * 2023-02-17 2023-04-11 江西科骏实业有限公司 基于点云矢量化骨架匹配的三维模型补全修复方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091614A (zh) * 2019-11-04 2020-05-01 国网内蒙古东部电力有限公司检修分公司 一种变电站三维实景模型建立方法及系统
CN115147564A (zh) * 2021-03-16 2022-10-04 华为技术有限公司 一种三维模型构建方法、神经网络训练方法以及装置

Also Published As

Publication number Publication date
CN118096906A (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US8310480B2 (en) Method, medium, and system for compressing and decoding mesh data in three-dimensional mesh model
US11875513B2 (en) Self-adaptive point cloud stripe division method
CN101324663B (zh) 激光雷达点云数据的快速分块与栅格化算法
CN104637089B (zh) 三维模型数据处理方法和装置
US20070024615A1 (en) Real-time precision ray tracing
CN112669463B (zh) 三维点云的曲面重建方法、计算机设备和计算机可读存储介质
US12039762B2 (en) Attribute-based point cloud strip division method
EP3105740A1 (en) Contour completion for augmenting surface reconstructions
US7876322B2 (en) Method and apparatus for fast and efficient mesh simplification
JP7417745B2 (ja) 小包を検出するための方法、装置、計算装置、物流システム及び記憶媒体
CN113724401B (zh) 一种三维模型切割方法、装置、计算机设备和存储介质
CN107808388B (zh) 包含运动目标的图像处理方法、装置及电子设备
CN113012063A (zh) 一种动态点云修复方法、装置及计算机设备
CN111009034B (zh) 一种三维模型单体化方法、系统、存储介质及设备
CN115564925A (zh) 基于B-rep模型和笛卡尔网格切片的网格生成方法
CN118096906B (zh) 基于矢量绑定和形态学的点云抽稀方法及系统
Klein et al. Generation of multiresolution models from cad-data for real time rendering
CN117788529A (zh) 三维平面点云粗配准方法、系统、介质及设备
CN111368860A (zh) 重定位方法及终端设备
CN116993955A (zh) 三维模型的重拓扑方法、装置、设备及存储介质
CN117193278A (zh) 动态沿边路径生成的方法、装置、计算机设备和存储介质
CN116402967B (zh) 场景建筑快速单体化方法、装置、计算机设备和存储介质
CN116824068B (zh) 面向复杂动态场景中点云流的实时重建方法、装置及设备
US20100036649A1 (en) Acoustic modeling method
CN117808987B (zh) 室内场景三维重建方法、装置、电子设备及存储介质

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