基于像素模式的海量点云可视化LOD调度方法

针对受限于计算机内存,海量三维点云数据无法一次性加载显示的问题,提出了一种基于像素模式的海量点云可视化LOD调度方法。该方法主要包括生成八叉树点云索引文件和设置LOD模型调度范围两个阶段,首先采用八叉树的原理对点云数据进行分层和抽稀,生成索引文件;再基于八叉树点云索引文件构建点云LOD模型;最后根据原始点云的分辨率自动计算LOD模型节点的像素阈值。在实时可视化的过程中,以LOD模型节点在屏幕上的像素大小是否达到预定阈值为判断条件,对其进行调度,避免了距离模式下海量点云可视化出现的卡顿问题。     

基于RANSAC算法的稳健点云平面拟合方法

针对点云平面拟合中存在粗差及异常值等问题,对结合特征值法的随机抽样一致性(random sample consensus,RANSAC)平面拟合算法进行了改进。该方法以RANSAC算法为基础,结合特征值法,利用点到平面模型距离的标准偏差来自动选取阈值t,通过阈值t检测并剔除异常数据点,达到获得理想平面拟合参数的目的。用改进的算法和传统的特征值法分别对点云数据进行处理,结果表明,改进的算法适用于存在误差和异常值的点云数据拟合,能稳定地获得较好的平面参数估值,具有较强的鲁棒性。     

GPT2模型的精度检验与分析

GPT模型常被用于计算气温、气压等对流层延迟气象参数,针对其不足之处,Lagler提出了改进的全球经验模型GPT2,该模型不仅提高了GPT气温和气压模型的精度,而且可提供比湿、水汽压、映射函数等对流层参数。但是目前没有相关文献对GPT2的精度进行详尽的分析,本文利用ECWMF及NOAA提供的高精度气象数据,对GPT2气温、气压和水汽压模型进行精度检验及分析。结果表明,气温的Bias均值为-0.59°C,RMS均值为3.82°C左右;气压和水汽压的Bias均值绝对值在1mb以内,气压的RMS均值为7mb左右,水汽压则不超过3mb,不同纬度精度存在差异,三者均具有明显的季节性。总体而言,GPT2模型在全球范围内具有很高的精度和稳定性。