基于密度的线数据分组算法研究

目前,地理空间数据面临着由于数据量膨胀和计算量高速增长而引起算法效率低的问题,采用"分而治之"的数据分组策略提高运算效率已成为研究的热点。面向分布不均匀的线数据,本文提出了基于密度的线数据分组算法(简称LGAD)。首先,算法通过查找高密度区提取样本线段,保证了分组算法的起点落到高密区;其次,考虑线空间拓扑关系的复杂性,引用水平、垂直和夹角距离度量线段间距离,创建样本线段与其他线段的距离矩阵;最后,以距离矩阵和最优选择方法实现数据负载均衡分组。实验结果显示,对数据分组和分组后数据进行线段聚类的2个过程中,该算法体现了较好的时间优势,与串行计算相比,在分组数为2-12 时,平均比率达4.3,提高了应用的响应速度,具有较好的实际意义。     

八叉树与三维R*树集成的激光点云数据存储结构

针对海量激光点云数据组织与管理困难等问题,结合八叉树在三维空间上的快速收敛能力以及三维R^*树对不规则分布的多维点数据性能稳定的优势,提出了一种八叉树与三维R^*树集成的空间混合索引结构—3DOR^*树。首先,通过对激光点云数据进行八叉树划分;然后,对八叉树叶子节点构建三维R^*树,进而实现3DOR^*树索引结构的构建;最后,对激光点云数据进行特征分析,构建基于3DOR^*树的激光点云数据存储结构,实现基于3DOR^*树的激光点云存储与管理。本文以江西理工大学图书馆激光点云数据为例,进行实验对比分析,证明了基于3DOR^*树的激光点云数据存储结构比三维R^*树、八叉树与三维R树混合树等其他树形结构,具有高效的空间存储与查询等优势,可应用于海量激光点云数据存储、管理与分析应用。     

改进的最小生成树自适应空间点聚类算法

针对传统的最小生成树聚类算法存在使用全局不变阈值确定噪声边,聚类需要用户根据经验确定初始化聚类参数,如“边权值倍数容差”,“边长变化因子”等,聚类不能发现局部噪声的问题,本文提出了一种改进的最小生成树自适应空间点聚类算法。该算法在无需用户输入参数的前提下,克服主观因素的影响,根据最小生成树边长的数理统计特征定义裁剪因子。算法首先从宏观层面对最小生成树进行首轮删枝操作,消除全局环境下的噪声边,进而根据各子树的边长统计情况,自适应设定局部裁剪因子,进行第二轮删枝操作,消除局部环境下的噪声边。最后,采用1个模拟数据和1个实际应用验证算法的有效性,结果表明本文提出的改进算法在无需人为提供经验参数的环境下能够发现任意形状、不同密度的簇,能够准确的识别出空间点中的噪声数据,从而能够实现空间点数据背后隐藏信息的自动挖掘。     

基于点云曲线辨识的卫星激光数据预处理算法

针对卫星激光数据处理算法这一难题,分析了COMPASS系统GEO卫星激光观测数据的质量,讨论了反求工程和计算机视觉中的曲线识别与激光观测数据预处理的异同,提出了基于点云曲线辨识的卫星激光数据预处理算法。该算法将卫星激光观测数据预处理视为有序带噪声的空间曲线重建问题,利用COMPASS系统多圈GEO卫星实测数据进行验证。结果表明：该方法与常用算法一致率在85％以上,能够实现激光观测数据的自动处理与满足导航系统的需要。     

面向地形数据的点云简化算法

针对地形点云数据量大、表面特征复杂多样等特点,提出面向地形数据的点云简化算法。基于K-D Tree搜索各点K邻域,构建点集空间拓扑关系|应用移动最小二乘法计算各点曲率,通过曲率的划分,在平缓区域按距离进行简化,保证整个算法的效率|在突变区域根据曲率简化,确保曲率变化大的关键特征信息不丢失,从而实现点云数据的简化。利用基于熵理论的定量评价方法,通过实例验证该方法的可行性和普适性。     

一种新的散乱点云数据多级空间索引

散乱点云数据具有数据量大（海量性）、数据表达精细（高空间分辨率）、空间三维点之间无拓扑关系（散乱性）等特征,在对其进行应用前必须进行数据预处理（如去噪、配准、分割等）。而在这些数据处理过程中需频繁的进行邻域查找,如果没有高效的查询索引机制,很难实现数据自动处理。因此,如何进行数据的组织和索引,以提高后续邻域检索和查询等操作的速度,是目前点云数据处理中的一个研究热点。针对现有点云数据采用的空间索引方式的优缺点,本文提出了一种多级格网和KD树混合的空间索引,该索引提出变分辨率格网索引与KD树的混合索引模式,简称MultiGrid-KD树索引。该方法在保持网格索引算法实现简单查询效率高等优点的同时,解决了单一分辨率数据冗余的问题。以故宫太和殿的点云数据为例,对本文提出的MultiGrid-KD树索引算法和KD树、八叉树等经典算法做对比。结果表明,本文索引方法在最邻近点查询以及四邻域查询的效率上均优于KD树,以及八叉树索引。     

基于特征空间匹配的激光雷达点云配准算法

针对传统基于特征的粗配准效率低、误匹配较多的不足,提出一种基于特征空间匹配的配准方法。利用简化的PointNet模型实现特征空间的提取,以优化的点云PPF信息作为输入,根据提取的特征空间向量计算欧氏距离以筛选匹配点,通过RANSAC剔除误匹配点对完成粗配准,利用ICP实现精配准。实验结果表明,本文算法相比FPFH和SHOT算法与ICP结合可有效提升配准效率,且配准结果的均方根误差较小。     

地图点要素注记自动配置中聚类分组的蚁群算法应用

大规模点要素注记自动配置问题是地图注记的难点之一,主要受限于时间效率和注记配置质量。针对该问题,本文首先提出一种椭圆形多方位多级注记待选方位配置方案,使其参数化、多元化。其次,结合点要素空间分布特征,提出一种以聚类分组的蚁群算法,并讨论和优化核心参数,实现大规模点要素的注记快速配置。实验表明,该算法计算效率明显提升,算法性能稳定。针对注记密度在5%~30%随机分布点要素的地图,其相比传统蚁群算法算法效率提高73.2%;同时,该算法的注记结果质量比传统蚁群算法注记结果质量好,注记适应度提升8.0%。实验采用抚顺县集体土地所有权界址点数据进行验证,结果表明效率提升86.7%,且注记适应度提升14.6%。本算法适用于点要素规模大、点簇疏密变化差异大的点要素注记自动配置问题的快速求解。     

基于地基LiDAR点云数据插值方法的对比研究

以冷龙岭断裂上一处典型地貌点云数据为例,采用最邻近法、距离反比法、不规则三角网法、样条函数法、克里金法等5种插值方法进行遗漏点云插值填充,研究并探讨最合适的插值算法。结果表明,不规则三角网插值法不仅可以很好地填充点云遗漏数据,还可以按照实际地形变化精确表示其高程数据并还原野外的真实场景,为后期的研究提供数据保证。     

基于分组排序的水汽层析约束ART算法

通过研究影响代数重构方法的因素,如松弛因子、投影次序、停止规则、非负约束,针对水汽层析方程组的特点,提出一种基于分组排序的水汽层析约束ART算法（WVTART）,并给出投影排序的去相关原则。实验分析证明,WVTART算法提高了收敛速度以及层析结果的精度。     

一种点约束分块的矢量地理数据精确认证算法

脆弱水印可以实现对数据内容真实性的认证,并对发生变化的位置进行定位,鉴此,本文提出了一种点约束分块的矢量地理数据精确认证算法。在认证内容嵌入过程中,首先,按照点约束的方法对矢量地理数据进行分块,并将每块的数据点进行空间位置关系的“之字形”排序,建立数据点之间的位置关系;然后,将相邻点生成的脆弱水印信息嵌入到当前点。在内容精确认证时,比较原始的水印信息与提取的水印信息,判断二者是否相同来鉴别数据是否更新。将本文算法与均匀分块的方法进行了对比实验,结果表明,本文提出的认证算法能实现在数据更新时的精确认证,并可实现要素删除的精确认证,在检测数据变化时可对修改位置进行定位与标记。     

基于平行算法的非扩张映像的最小范数不动点

非扩张映像的不动点问题在近代数学分支中有着广泛的应用,针对这一情况,利用平行算法和最近点投影映射方法,构造一个关于有限多非扩张映像的迭代算法,并且在一定的条件下,证明所构造的迭代序列不仅收敛,而且收敛于这族有限多非扩张映像的公共最小范数不动点。     

基于点面关系构建的线基元点云配准算法

针对传统的点特征点云配准算法不能解决缺失同名点的配准问题,从点在平面上的几何关系出发,利用具有较强几何约束能力的直线特征,推导出基于单位四元数表征的无需同名直线端点完全对应的点云配准模型。结果表明,该模型不仅能够同步求解配准参数,还适用于大旋转角的配准问题,同时降低了配准模型对参数初值的要求,增强了配准模型的稳定性和实用性。     

采用动态负载均衡的LiDAR数据生成DEM并行算法

随着高性能计算的发展,并行技术已经广泛应用于LiDAR数据的分析处理。本文针对现有LiDAR数据生成DEM并行算法所存在的负载不均衡问题,设计并实现了动态负载均衡的LiDAR数据生成DEM并行算法。该算法采用主从式并行策略,管理进程负责LiDAR点云的高效自适应条带划分,计算进程负责LiDAR点云生成DEM的计算。本文设计了任务量的动态调度策略:首先,由所有进程并行创建任务量由大到小排列的待处理任务队列;然后,管理进程根据计算进程的反馈对待处理任务进行动态分配,以达到负载均衡。在24 核集群环境下,用30 GB(约12 亿点)LiDAR数据对本文算法进行测试,生成分辨率为1 m的格网DEM,算法加速比峰值达到15.16;同时,与静态调度策略进行对比实验,结果显示本文的动态负载均衡策略可更好地保证进程间的负载均衡,有效地提高了LiDAR生成DEM并行算法的整体效率。