CN103853840B - 一种不均匀散乱点云数据的滤波方法 - Google Patents
一种不均匀散乱点云数据的滤波方法 Download PDFInfo
- Publication number
- CN103853840B CN103853840B CN201410101500.4A CN201410101500A CN103853840B CN 103853840 B CN103853840 B CN 103853840B CN 201410101500 A CN201410101500 A CN 201410101500A CN 103853840 B CN103853840 B CN 103853840B
- Authority
- CN
- China
- Prior art keywords
- grid
- measuring point
- point cloud
- cloud data
- point
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005484 gravity Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 30
- 238000013459 approach Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000013499 data model Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 239000006185 dispersion Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种不均匀散乱点云数据的滤波方法,将采空区的散乱点云数据进行索引组织,将所述点云数据组织成正方体规则网格的数据模型;选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S;利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h;适应确定滤波范围,进行噪声点剔除处理;针对滤波处理后的点云数据,调整规则网格的大小,并重复上述步骤迭代滤波。采用该滤波方法可以有效的剔除大尺度噪声和部分小尺度噪声,降低非均匀数据的误剔除率。
Description
技术领域
本发明涉及点云数据处理技术领域,尤其涉及一种不均匀散乱点云数据的滤波方法。
背景技术
目前,三维扫描技术提高了三维测量对象变形检测的精度,为制定和优化后期支护方案提供有效依据。由于测量环境复杂和扫描仪自身误差的影响,获取的原始点云数据带有大量噪声,导致三维重建模型与实际测量对象的几何形态存在较大误差,为获得更加精准的三维重建模型,在分析原始点云数据和噪声来源的基础上,进行点云数据的有效去噪是很有必要的。
采空区点云数据噪声主要有区域性悬浮噪声、孤立噪声和波动性噪声等三种形式,其中在采空区之外的成片点云数据称为区域性悬浮噪声,属于大尺度噪声;点云模型内部出现的点状或簇状点云数据称为孤立噪声,包括大尺度和小尺度噪声;实测对象附近小幅度振荡的点云数据称为波动性噪声。采空区获取的点云,体现出孔洞较多、密度分布不均匀、形态不规则等特征,增大去噪难度,严重干扰点云形态。孔洞在去噪过程呈现扩大现象;点云密度不均匀、形态不规则增大去噪参数的设置难度,易误剔除非噪声点,及保留部分噪声数据;因此点云密集区域难以有效去噪,点云稀疏区域几何特征难以保留,使得模型几何特征削弱。
现有技术中点云滤波方法常采用以下两类:一类是光顺去噪的方法,如基于Laplacian算子的点云滤波、双边滤波、曲面能量最小化的迭代方法等;另一类是剔除坏点的方法,如曲线检查法、角度判断法、弦高差法等。在处理不均匀散乱点云时,光顺去噪方法可能误认为采样点稀疏的非噪声区域为噪声,导致光顺后模型孔洞扩大、几何特征削弱;而剔除坏点方法剔除大尺度噪声效果明显,但无法剔除小尺度噪声且弱化模型几何特征等问题,上述两类去噪方法在处理不均匀散乱点云噪声时,难以自适应不同尺度的噪声及保持采空区的原始几何形态。
发明内容
本发明的目的是提供一种不均匀散乱点云数据的滤波方法,能够提高散乱点云滤波效果,同时保持点云模型的几何特征。
一种不均匀散乱点云数据的滤波方法,所述方法包括:
将采空区的散乱点云数据进行索引组织,将所述点云数据组织成正方体规则网格的数据模型,并记录每一个网格所包含的散乱测点;
利用所述网格的三维坐标范围和所述测点的三维坐标,确定每个测点所属网格,并计算出网格点云重心Ci,选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S;
求得所述网格逼近视平面S的法向量n,利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h;
将所述网格中每个测点对应的h值按升序排序,计算出各h值的均值k和方差σ,并自适应确定滤波范围,进行噪声点剔除处理;
针对滤波处理后的点云数据,调整规则网格的大小,并重复上述步骤迭代滤波。
由上述本发明提供的技术方案可以看出,采用该滤波方法可以对密度分布不均匀的散乱点云进行自适应调节获得逼近视平面,根据测点到视平面的距离大小,确定均匀分布范围,有效的剔除大尺度噪声和部分小尺度噪声,降低非均匀数据的误剔除率,同时保持点云模型的几何特征,防止点云稀疏区域孔洞扩大。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例所提供不均匀散乱点云数据的滤波方法流程示意图;
图2为本发明实施例所提供的规则网格构造示意图;
图3为本发明实施例所提供的网格逼近视平面及法向量的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例所述不均匀散乱点云数据的滤波方法基于邻域的相对密度构造了不同局部密度下的逼近视平面,自适应不同尺度噪声,解决了模型孔洞现象、密度分布不均匀和形态不规则等所带来的问题。下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例所提供不均匀散乱点云数据的滤波方法流程示意图,所述方法包括:
步骤11:将采空区的散乱点云数据进行索引组织,将所述点云数据组织成正方体规则网格的数据模型,并记录每一个网格所包含的散乱测点;
在该步骤中,首先按照一定大小规则用横竖线将点云数据最小包围盒划分为大小相等的正方体网格,将散乱点云划分成局部小区域,并记录每一个网格所包含的散乱测点,每个测点仅属于一个规则网格。
举例来说,首先构造正方体规则网格的数据模型,离散点云数据的组织方式主要包括规则网格、不规则三角网格TIN、剖面和体元,本实施例采用规则网格组织数据,如图2所示为本发明实施例提供的规则网格构造示意图,图2中:
规则网格是在点云模型最小包围盒的基础上进行划分得到的小正方体,给定三维点云模型Cloud={p1,p2,…,pn},pi=(xi,yi,zi)(1≤i≤n),求取每一维的最大和最小值:
Xmax=max{x1,x2,…,xn} Xmin=min{x1,x2,…,xn}
Ymax=max{y1,y2,…,yn} Ymin=min{y1,y2,…,yn}
Zmax=max{z1,z2,…,zn} Zmin=min{z1,z2,…,zn}
最小包围盒是(Xmin,Ymin,Zmin)和(Xmax,Ymax,Zmax)为对角线所构成的六面体,其六个面分别垂直于x、y、z轴,所有散乱测点包含在最小包围盒内。
规则网格是分别在x、y、z轴方向取4个距离为r的等距平面,划分最小包围盒空间得到规则网格,每个网格都是一个边长为r的正方体,六个面分别垂直于x、y、z轴。每个规则网格内包含N个测点(N≥0),每个测点仅属于一个规则网格;上述规则网格可将散乱点云划分成局部小区域,在小区域内进行数据处理可避免全局数据干涉,更有利于噪声剔除。
进一步的,确定上述规则网格的大小和数量,采空区点云密度不均匀导致网格内含测点数目不均匀,无法根据测点数目决定边长。而在实际应用中根据点云的采样精度设置网格的边长r,r过大过小都会影响滤波的效果。当最小包围盒边长不是r的整数倍时,沿着坐标轴的正方向延拓该边长至r的整数倍,延拓部分为空,表示没有测点存在。X'max,Y'max,Z'max则分别表示最小包围盒边长延拓后的x、y、z轴方向最大值,若无边长延拓,则X'max=Xmax,Y'max=Ymax,Z'max=Zmax。
在x、y、z轴上划分单元格的个数用NX,NY,NZ表示,其值由以下公式计算:
NX=(X'max-Xmin)/r
NY=(Y'max-Ymin)/r
NZ=(Z'max-Zmin)/r
最小包围盒被划分成N个规则网格:
N=NX·NY·NZ
进一步的,在确定了最小包围盒划分的规则网格数之后,就可以确定每个规则网格的三维坐标范围。设(Xmin,Ymin,Zmin)和(Xmax,Ymax,Zmax)为对角线所构成的六面体三维空间,被均匀划分成NX×NY×NZ个边长为r的规则网格,则对于任一规则网格Grid(x,y,z),其中0≤x≤NX-1,0≤y≤NY-1,0≤z≤NZ-1,对应的三维坐标范围是极限点(xmin,ymin,zmin)和(xmax,ymax,zmax)为对角线所构成的正六面体,其中:
xmin=Xmin+x·r ymin=Ymin+y·r zmin=Zmin+z·r
xmax=Xmin+(x+1)·r ymax=Ymin+(y+1)·r zmax=Zmin+(z+1)·r。
步骤12:利用所述网格的三维坐标范围和所述测点的三维坐标,确定每个测点所属网格,并计算出网格点云重心Ci,选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S;
在该步骤中,所述计算出网格点云重心Ci的步骤为:
根据所述散乱点云数据与所述网格的三维坐标,确定每个测点的所属网格,以及网格内的测点数,设所述网格Grid(x,y,z)内的测点数为N,pi为测点,其中0≤i<N,则其网格点云重心Ci为:
如果N=0,那么C=0,表示该点云网格的加权平均值不存在。
上述选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S的步骤为:
所述网格内的测点用集合P表示,p={p1,p2,…pi},其中0<i<N,N表示网格内的测点数;
如果当前网格内有测点且邻域网格内的测点也存在,且若存在测点的邻域网格超过了三个,那么从中选择测点数最多的前三个网格,求出其重心C1,C2,C3来构成网格逼近视平面S,即S={C1,C2,C3}。
进一步的,若存在测点的邻域网格不足三个,则说明当前网格不存在逼近视平面,这个网格内的测点为噪声点,去除掉当前网格内的所有测点。
步骤13:求得所述网格逼近视平面S的法向量n,利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h;
在该步骤中,所述求得所述网格逼近视平面S的法向量n的过程具体为:
所述网格逼近视平面S的法向量n根据如下公式获得:
x21=C2x-C1x x31=C3x-C1x y21=C2y-C1y
y31=C3y-C1y z21=C2z-C1z z31=C3z-C1z
其中,C1,C2,C3表示领域网格的重心,Cix,Ciy,Ciz表示Ci在xyz轴的分量,其中1≤i≤3。进一步的,C1,C2,C3表示构成所述网格逼近视平面S上的三个点,C1,C2,C3表示视平面n垂直视平面,如图3所示为本发明实施例提供的网格逼近视平面及法向量的示意图。
进一步的,上述利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h的步骤为:
所述网格内的测点用集合P表示,p={p1,p2,…pi},其中0<i<N,N表示网格内的测点数,所述网格中的每个测点pi∈p,每个测点pi对应的h计算公式如下:
h=(pi-C1)·n/|n|
其中,|n|表示法向量的模长度。
对于曲率变化不大的表面,各个测点的h值分布集中,对于曲率变化较大的表面,h值分布为一段连续均匀变化的区域。h值是考虑该测点和领域中的绝大数测点是否都近似平行于网格逼近视平面S,局部性强且和测点的邻近距离无关,所以能够保持区域的稀疏几何特征,同时可以通过简单阈值去掉偏差较大的噪声点,小尺度噪声也有一定的去除效果。
步骤14:将所述网格中每个测点对应的h值按升序排序,计算出各h值的均值k和方差σ,并自适应确定滤波范围,进行噪声点剔除处理;
在该步骤中,首先将网格中每个测点对应的h值按升序排序,计算出各h值的均值k和方差σ,然后自适应确定滤波均匀分布范围(k-θσ,k+θσ),去除噪声区域,滤除掉该(k-θσ,k+θσ)范围之外的测点,其中:
该公式中的参数定义如上述步骤所述;
θ是根据点云模型设置的参数。
步骤15:针对滤波处理后的点云数据,调整规则网格的大小,并重复上述步骤迭代滤波。
在该步骤中,具体是将所述网格的边长调整为原网格边长的二分之一,并重复上述步骤迭代滤波,滤除较小尺度的噪声。
综上所述,采用本发明实施例所提供的滤波方法可以对密度分布不均匀的散乱点云进行自适应调节获得逼近视平面,根据测点到视平面的距离大小,确定均匀分布范围,有效的剔除大尺度噪声和部分小尺度噪声,降低非均匀数据的误剔除率,同时保持点云模型的几何特征,防止点云稀疏区域孔洞扩大。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种不均匀散乱点云数据的滤波方法,其特征在于,所述方法包括:
将采空区的散乱点云数据进行索引组织,将所述点云数据组织成正方体规则网格的数据模型,并记录每一个网格所包含的散乱测点;
利用所述网格的三维坐标范围和所述测点的三维坐标,确定每个测点所属网格,并计算出网格点云重心Ci,选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S;
求得所述网格逼近视平面S的法向量n,利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h;
将所述网格中每个测点对应的h值按升序排序,计算出各h值的均值k和方差σ,并自适应确定滤波范围,进行噪声点剔除处理;
针对滤波处理后的点云数据,调整规则网格的大小,并重复上述步骤迭代滤波。
2.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述计算出网格点云重心Ci的步骤为:
根据所述散乱点云数据与所述网格的三维坐标,确定每个测点的所属网格,以及网格内的测点数,设所述网格Grid(x,y,z)内的测点数为N,pi为测点,其中0≤i<N,则其网格点云重心Ci为:
3.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述选择网格测点数最多的三个邻域网格的重心来确定网格逼近视平面S,具体包括:
所述网格内的测点用集合P表示,p={p1,p2,…pi},其中0<i<N,N表示网格内的测点数;
如果当前网格内有测点且邻域网格内的测点也存在,且若存在测点的邻域网格超过了三个,那么从中选择测点数最多的前三个邻域网格,求出其重心C1,C2,C3来构成网格逼近视平面S。
4.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述求得所述网格逼近视平面S的法向量n,具体包括:
所述网格逼近视平面S的法向量n根据如下公式获得:
x21=C2x-C1x x31=C3x-C1x y21=C2y-C1y
y31=C3y-C1y z21=C2z-C1z z31=C3z-C1z
其中,C1,C2,C3表示邻域网格的重心,Cix,Ciy,Ciz表示Ci在xyz轴的分量,其中1≤i≤3。
5.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述利用所述法向量n求得所述网格中每个测点到所述网格逼近视平面S的最短距离h,具体包括:
所述网格内的测点用集合P表示,p={p1,p2,…pi},其中0<i<N,N表示网格内的测点数,所述网格中的每个测点pi∈p,每个测点pi对应的h计算公式如下:
h=(pi-C1)·n/|n|
其中,|n|表示法向量的模长度。
6.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述自适应确定滤波范围,进行噪声点剔除处理,具体包括:
自适应确定滤波均匀分布范围(k-θσ,k+θσ),去除噪声区域,滤除掉该(k-θσ,k+θσ)范围之外的测点,其中:
θ是根据点云模型设置的参数,N为所述网格内的测点数,h为所述网格中每个测点到所述网格逼近视平面S的最短距离。
7.根据权利要求1所述不均匀散乱点云数据的滤波方法,其特征在于,所述调整规则网格的大小,并重复上述步骤迭代滤波,具体包括:
将所述网格的边长调整为原网格边长的二分之一,并重复上述步骤迭代滤波,滤除较小尺度的噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410101500.4A CN103853840B (zh) | 2014-03-18 | 2014-03-18 | 一种不均匀散乱点云数据的滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410101500.4A CN103853840B (zh) | 2014-03-18 | 2014-03-18 | 一种不均匀散乱点云数据的滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103853840A CN103853840A (zh) | 2014-06-11 |
CN103853840B true CN103853840B (zh) | 2017-05-03 |
Family
ID=50861495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410101500.4A Expired - Fee Related CN103853840B (zh) | 2014-03-18 | 2014-03-18 | 一种不均匀散乱点云数据的滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103853840B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190043250A1 (en) * | 2012-06-25 | 2019-02-07 | Yoldas Askan | Method of generating a smooth image from point cloud data |
CN104240251B (zh) * | 2014-09-17 | 2017-04-12 | 中国测绘科学研究院 | 一种基于密度分析的多尺度点云噪声检测方法 |
CN104268934B (zh) * | 2014-09-18 | 2017-04-12 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
CN105631939B (zh) * | 2015-12-28 | 2018-10-23 | 集美大学 | 一种基于曲率滤波的三维点云畸变校正方法及其*** |
CN108492370B (zh) * | 2018-03-02 | 2020-05-22 | 中国地质大学(武汉) | 基于TV和各向异性Laplacian正则项的三角网格滤波方法 |
CN110109142B (zh) * | 2019-04-04 | 2021-04-02 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110457499A (zh) * | 2019-07-19 | 2019-11-15 | 广州启量信息科技有限公司 | 一种对大型点云数据的索引方法、装置、终端设备和介质 |
CN110458772B (zh) * | 2019-07-30 | 2022-11-15 | 五邑大学 | 一种基于图像处理的点云滤波方法、装置和存储介质 |
CN111445472B (zh) * | 2020-03-26 | 2023-05-12 | 达闼机器人股份有限公司 | 激光点云地面分割方法、装置、计算设备及存储介质 |
CN111890061B (zh) * | 2020-07-31 | 2021-08-10 | 华中科技大学 | 飞行器过渡端框架高精度电弧熔丝增材制造方法及其产品 |
CN112633376A (zh) * | 2020-12-24 | 2021-04-09 | 南京信息工程大学 | 基于深度学习的点云数据地物分类方法、***与存储介质 |
CN113341422B (zh) * | 2021-06-23 | 2024-05-24 | 重庆工程职业技术学院 | 一种基于掘锚机位置感知***的掘进支护方法 |
CN113327328B (zh) * | 2021-08-02 | 2021-10-29 | 苏州鼎纳自动化技术有限公司 | 一种三维点云数据精简方法 |
CN114155351B (zh) * | 2021-11-11 | 2022-09-23 | 埃洛克航空科技(北京)有限公司 | 三维重建网格的特征过滤方法、***及电子设备 |
CN117433491B (zh) * | 2023-12-20 | 2024-03-26 | 青岛亿联建设集团股份有限公司 | 基于无人机图像的基坑工程安全监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177417A (zh) * | 2013-01-06 | 2013-06-26 | 中国人民解放军信息工程大学 | 基于GPGPU的数学形态学LiDAR点云快速滤波方法 |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103390169A (zh) * | 2013-07-19 | 2013-11-13 | 武汉大学 | 一种车载激光扫描点云数据的城市地物分类方法 |
-
2014
- 2014-03-18 CN CN201410101500.4A patent/CN103853840B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177417A (zh) * | 2013-01-06 | 2013-06-26 | 中国人民解放军信息工程大学 | 基于GPGPU的数学形态学LiDAR点云快速滤波方法 |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103390169A (zh) * | 2013-07-19 | 2013-11-13 | 武汉大学 | 一种车载激光扫描点云数据的城市地物分类方法 |
Non-Patent Citations (1)
Title |
---|
一种基于平面拟合的LIDAR点云滤波方法;张皓等;《测绘科学》;20090720;第141-143页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103853840A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853840B (zh) | 一种不均匀散乱点云数据的滤波方法 | |
CN106157370B (zh) | 一种基于粒子群算法的三角网格规范化方法 | |
CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN104240251B (zh) | 一种基于密度分析的多尺度点云噪声检测方法 | |
CN110555285B (zh) | 一种复杂飞行器表面结构网格全自动生成方法 | |
CN102930509B (zh) | 一种机载激光点云数据的智能化滤波方法 | |
CN102944174B (zh) | 一种三维激光点云数据的去噪与精简方法及*** | |
CN107610230B (zh) | 一种3d打印数字模型剖切及接口设计方法及应用 | |
CN112699623B (zh) | 基于非结构网格规则化重构技术的高精度热流计算方法 | |
CN105844602B (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN106846272A (zh) | 一种点云模型的去噪精简方法 | |
CN106529469A (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
CN108986048A (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
CN103745436A (zh) | 基于区域预测的LiDAR点云数据形态学滤波方法 | |
CN109410265B (zh) | 一种基于往期dem辅助的tin滤波改进算法 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
CN109146817A (zh) | 一种非迭代单一物体散乱点云数据的噪声处理方法 | |
CN110298063A (zh) | 一种非紧致可渗透边界气动噪声数值积分计算方法 | |
CN109961512B (zh) | 地形机载点云提取方法及装置 | |
CN104361578B (zh) | 一种多尺度精度控制下的层次化网格分割方法 | |
CN103995944B (zh) | 一种空间异常极值无偏等值图绘制方法 | |
CN113643444A (zh) | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170503 Termination date: 20180318 |
|
CF01 | Termination of patent right due to non-payment of annual fee |