基于点云数据的改进四叉树空间索引研究

随着测绘行业的不断发展,三维激光扫描技术已经成为地理信息产业中不可或缺的重要组成部分^[1],然而点云庞大的数据量给处理带来了一定的困难。本文针对运用车载移动测量系统所获取的海量点云数据,采用了一种基于编码改进四叉树索引的点云数据组织处理方法。结果证明该方法提高了创建索引的速度,减少了树的深度以及数据的冗余量,并基于此编码进行最邻近查找,具有可行性和有效性。     

大规模点云数据的二维与三维混合索引方法

为提高点云查询效率和按需提取数据,提出一种二维与三维混合索引的大规模点云数据管理方法。采用二维四叉树和三维最小外包盒结构管理原始点云,以3D-R树管理多站点云,利用对象关系数据库管理全部点云模型和相关属性数据。利用古建筑大规模点云数据在微机上实现了点云模型的数据存储与可视化。结果表明本方法能够管理超过10 GB级的点云模型数据和十亿级有效点,数据可视化效率较高。     

一种可扩展的线性可排序四叉树空间索引

分析了四叉树空间索引的优缺点,提出了一种可扩展的线性可排序四叉树空间索引,实现了空间索引的动态更新,同时具有高效的空间查询能力。     

八叉树索引的三维点云数据压缩算法

针对现有的三维点云简化算法普遍存在运行效率较低、内存消耗大、处理时间过长等问题,该文利用八叉树索引的速度优势和点云数据空间分割的逻辑结构,并结合三维点云网格简化算法高效的优势,提出一种基于八叉树索引的三维点云简化算法。该算法基本满足点云简化的理想标准,计算快速、运行时间短。利用实测大雁塔数据对各种三维点云压缩算法进行比较,结果表明该文提出的新算法对点云数据的压缩简化效率和压缩率较现有算法均有较大提高。     

M-Quadtree索引:一种基于改进四叉树编码方法的云存储环境下空间索引方法

为了解决基于"键-值"模型的云存储环境仅支持简单的关键字查询,不支持多维空间查询的问题,提出了一种新的分布式空间索引方法——M-Quadtree索引。在索引构建过程中,设计了一种基于改进四叉树的空间数据划分方法,该方法规定了叶节点区域的最小数据量,通过四叉树叶节点的再合并,解决了划分后各子区域间存储量不平衡的问题,并且满足了MapReduce并行化要求。给出了MapReduce框架下M-Quadtree索引的快速构建、查询与更新算法,并在搭建的Hadoop平台进行了关键参数对索引效率的影响以及不同规模数据下索引的创建、查询和更新试验。与现有分布式空间索引的对比试验及分析结果表明,M-Quadtree索引在数据存储量负载均衡、算法并行化和空间查询效率等方面表现得更好。     

一种基于线性KD树的点云数据组织方法

常规KD树索引对大规模点云数据进行组织和管理时,指针的存储往往耗费大量的内存空间。本文结合线性索引的编码思想,提出了一种线性KD树索引的构建和查找方法,存储点云时可以充分利用内存空间,通过自然数编码表示结点间的关系,并给出了线性KD树的构建和邻域查找方法。最后通过与开源最临近搜索库ANN库进行对比试验,证明本文的线性KD树索引可以明显减少点云组织时的内存消耗,并与基于指针的ANN库具有相近的临近查找效率。     

基于KD树的点云数据自适应屏幕精度高效显示方法

海量激光点云数据的快速显示是目前一个技术瓶颈,本文提出一种基于KD树的点云数据自适应屏幕精度的高效显示方法,采用类似LOD的技术将点云进行KD树的组织,在KD树节点上引入屏幕精度的概念,在点云数据显示的时,计算KD树节点在屏幕上的投影范围,进而决定其是否显示点云细节。经实验证明,该算法在显示大规模点云数据时,由于通过KD树自适应屏幕精度调度点云数据使绘制点的数据量大大减少,从而大大加快了点云的显示速度。     

机载激光雷达点云的城市建筑物直线特征提取方法

提出一种城市机载激光雷达点云的直线特征提取方法。首先基于曲率的区域增长方法分割三维点云平面,对每个点云平面进行二维投影,并进行网格化和二值化。其次通过稳健的二维线段检测方法获得平面的线特征,将二维线段重投影至三维空间得到相应的三维线段,构造线特征集。最后对线特征集构建基于固定网格的直线空间索引方法,实现基于线特征的点云索引。实验结果表明,该方法直线提取误差较低,相对平面相交法效率更高,能够有效提取城市建筑物的直线特征,通过索引提高了特征查询效率,可满足高精度区域分割和三维建模的需求。     

基于KD树的点云数据自适应屏幕精度高效显示方法北大核心CSCD

海量激光点云数据的快速显示是目前一个技术瓶颈。本文提出一种基于KD树的点云数据自适应屏幕精度的高效显示方法,采用类似LOD的技术将点云进行KD树的组织,并在KD树节点上引入屏幕精度的概念,在点云数据显示时,计算KD树节点在屏幕上的投影范围,进而决定其是否显示点云细节。试验证明,该算法在显示大规模点云数据时,由于通过KD树自适应屏幕精度调度点云数据使绘制点的数据量大大减少,从而大大加快了点云的显示速度。     

基于固定格网划分的空间索引技术

现行地理信息系统中所用的R树类和四又树类空间索引不但工艺复杂而且实现困难，本文提出了实践中常用的一种方便快捷并且易于实现的基于固定格网划分的空间索引技术，阐述了其基本理论及实现过程。     

分布式空间数据库中矢量数据多级空间索引方法研究

随着网格计算、云计算等技术在地理信息领域的应用,海量空间数据的高效组织与管理成为提供各种数据和功能服务的基础,空间索引是其中的关键问题,文中在分布式空间数据库系统架构基础上,提出一种适应分布式环境下的分层+分块的矢量数据存储组织模型,设计包括矢量数据面片索引、矢量数据层索引、矢量数据块索引以及数据块内索引在内的多级空间索引。实现表明,文中设计的空间索引支持并发创建和高并发条件下的数据高效访问。     

基于对象关系数据库的空间数据模型研究

分析了面向对象关系模型的数据结构,对Oracle Spatial组件中空间数据存储结构及对象关系数据模型进行了分析,分别给出了Oracle数据库中使用对象关系数据模型存储空间数据的构建方法,以及地图索引、元数据表的构建方法.     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

基于道路数据点云的公路平面线形恢复方法

利用机载激光扫描数据的离散道路带状数据点云恢复公路平面线形,其效果的优劣很大程度上取决于公路中轴点列的获取。采用定步长径向搜索方法,算法简单快速,运算效率高;采用三次B样条曲线拟合及线形恢复能满足公路改(扩)建的要求。实验表明,基于道路数据点云的公路平面线形恢复方法研究,为机载激光扫描技术在公路中的应用提供一种可供借鉴的方法。     

基于实体模型索引的海量激光点云分块存储研究与应用

三维激光扫描技术的日益进步推动了点云数据量级的不断攀升,给海量点云的高效管理及优化处理带来新的挑战。文中针对在大范围点云场景中快速调度局部详细点云的实际应用需求,借鉴空间格网结构的数据组织思路,优化并提出可变长度的海量点云分层分条带存储的工作机制,结合数据库管理,实现了基于实体模型索引的激光点云及三维模型的快速调度及联动显示。基于研发的点云专家科研系统实践,推动了海量点云数据集约化管理水平,具有一定的科研及实用价值。     

基于k-d树的机载LIDAR点云滤波处理

点云数据滤波处理是获取高精度数字地面模型的关键,而滤波的基本原理是基于某一邻域内高程的突变。在海量、离散的点云数据中,搜索某一邻域的速度将直接影响滤波处理的效率。应用k-d树组织点云数据,不需要先验地知道点云数据间的拓扑关系便可以快速确定其中某一点的邻域点集,从而大大地提高滤波速度。     

A CADASTRAL SPATIAL DATA STORAGE STRUCTURE BASED ON RELATIONAL DATABASE

1　ＩｎｔｒｏｄｕｃｔｉｏｎＣａｄａｓｔｒａｌｍａｐｓａｎｄｃａｄａｓｔｒａｌａｔｔｒｉｂｕｔｅｓａｒｅｔｈｅｃｏｒｅｃｏｎｔｅｎｔｓｏｆｃａｄａｓｔｒａｌｉｎｆｏｒｍａｔｉｏｎｍａｎａｇｅ ｍｅｎｔ .ＳｏｍｅｏｆｔｈｅｄｅｖｅｌｏｐｅｄｃａｄａｓｔｒａｌｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍｓｅｍｐｌｏｙＧＩＳｓｏｆｔｗａｒｅ (ｉ.ｅ .Ｍａｐｉｎｆｏ ,Ａｒ ｃｖｉｅｗｏｒＭａｐｔｉｔｕｄｅｅｔｃ .)ｔｏｍａｎａｇｅｃａｄａｓｔｒａｌｍａｐｓａｎｄｕｓｅｒｅｌａｔｉｏｎａｌｄａｔａｂａｓｅ (ｅ .ｇ .ＳＱＬ…     

SANet:空间注意力机制下的LiDAR点云实时语义分割方法

语义分割是智能机器人由感知智能迈向认知智能的重要基础,当前针对点云数据的语义分割方法存在实时性差、精度低等现象。本文系统分析了点云经球面投影所得的距离图像与自然图像的差异,为基于距离图像的实时语义分割网络设计提供了思路。通过分析发现,距离图像具有强空间相关性的特点,将强空间相关性与注意力机制相结合,提出基于空间注意力机制下的LiDAR点云实时语义分割方法SANet。该方法能够高效地聚合空间分布特征与上下文特征,且模型参数量较少,满足实时性的要求。在SemanticKITTI数据集上的试验表明,与其他优秀算法相比,SANet兼顾了实时性与准确性,显著提高了LiDAR点云语义分割的精度,可为自动驾驶及其他机器人应用领域提供辅助支撑。     

改进的分层点云数据压缩算法

针对传统点云压缩算法主要对小型物件的小数据量精细点云进行压缩,在大型地物的海量数据压缩方面存在压缩时间长、效率低的不足,提出了一种改进的分层点云数据压缩算法。基于大型地物点云空间结构特点将分层压缩算法的速度优势和距离压缩算法的高效优势相结合,解决了传统压缩算法在大型地物点云压缩方面的不足,实现了海量点云的快速高效压缩。西安市大雁塔三维激光点云压缩实验结果表明:该算法可以快速地完成海量点云的压缩,较之传统压缩算法极大地缩短了压缩时间,提高压缩效率。