CN116150530B - 一种基于可视域的三维数据的管理加载方法及*** - Google Patents
一种基于可视域的三维数据的管理加载方法及*** Download PDFInfo
- Publication number
- CN116150530B CN116150530B CN202310438369.XA CN202310438369A CN116150530B CN 116150530 B CN116150530 B CN 116150530B CN 202310438369 A CN202310438369 A CN 202310438369A CN 116150530 B CN116150530 B CN 116150530B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- thematic
- large scene
- basic large
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
- G06F16/986—Document structures and storage, e.g. HTML extensions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于可视域的三维数据的管理加载方法及***,涉及三维模型管理加载技术领域,所述管理方法包括:S1:构建一个默认的待加载的三维模型的数据结构;S2:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};S3:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,合并为一个模型树M,并更新对应的三维模型的数据结构;S4:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
Description
技术领域
本发明涉及三维模型管理加载技术领域,具体涉及一种基于可视域的三维数据的管理加载方法及***。
背景技术
在现有技术中,对于三维模型的加载基本采用一次性加载所有模型,再根据可视域的不同对模型进行不同维度的观测。但是对于一个包含三维数据过多的三维模型来说,一次性加载大量的三维模型是非常消耗性能和大量内存的,很容易导致浏览器发生崩溃。而对于不同维度的观测来说,大量的三维模型并不可能在同一维度上都观测清楚,所以会造成内存的浪费。
而为了解决上述问题,根据实际硬件条件和使用场景,如何能灵活组织庞大的三维数据,最大程度减少不必要的加载开销,提高加载和搜索速率,是一个急需解决的问题。
发明内容
本发明的目的是提供一种基于可视域的三维数据的管理加载方法及***,通过构建一个默认的待加载的三维模型的数据结构{id,xs,ys,xe,ye,h,C<MT>,URI},并将三维模型的数据集按照数据源的类型划分为基础大场景模型P和精细化专题模型p,根据基础大场景模型P和精细化专题模型p的数据结构将大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn}生成一个模型树M,所述模型树M以基础大场景模型P为子节点,将精细化专题模型p挂载在与其可视矩阵范围有交集的基础大场景模型P下,并且将挂载在同一个基础大场景模型P下的精细化专题模型按照可视高进行降序挂载,实现一种基于可视域的三维数据的管理方法,当对该模型树M进行搜索时,可以做到根据可视域来按需加载模型,实现模型的选择,避免了不必要的模型的加载浪费内存空间,并且避免产生崩溃现象的发生。
为了解决上述技术问题,本发明采用了以下方案:
一种基于可视域的三维数据的管理加载方法,所述管理加载方法包括:
S1:定义一个默认的待加载的三维模型的数据结构,其数据结构为MT{id, xs,ys,xe,ye,h,C<MT>,URI},MT表示该待加载的三维模型,id表示模型MT的唯一识别号,“xs,ys,xe,ye”表示模型MT的可视矩阵范围,“h”表示模型MT的可视高,“C<MT>”表示模式MT的子模型集,“URI”表示模型的实体映射。
S2:接收一个待可视化的三维模型的数据集,
将基础大场景模型P的数据按照构建的空间网格进行场景划分,组成一个场景模型集{P0,P1…Pn},
精细化专题模型p的数据按照可视矩阵范围以及自定义的可视高进行划分,组成一个专题模型集{p1,p2…pn}。
S3:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构。
进一步的,所述S3中包括以下:
S31:将基础大场景模型P作为模型树M的子节点;
S32:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
S33:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集。
S4:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
进一步的,所述S4中包括以下:
S41:确认一个当前可视域,所述可视域包括可视矩阵范围、可视高;
S42:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
S43:将经过加载的模型生成一个已加载的模型集。
进一步的,所述基础大场景模型P的数据为地形数据级L1~L2的数据,所述精细化专题模型p的数据为地形级L3~L5中的部件级数据。
一种基于可视域的三维数据的管理加载***,包括:
数据结构构建模块:构建一个默认的待加载的三维模型的数据结构;
模型划分模块:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};
模型树生成模块:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构;
模型加载模块:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
进一步的,所述模型树生成模块包括:
子节点构建单元:将基础大场景模型P作为模型树M的子节点;
分节点构建单元:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
模型树构建单元:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集。
进一步的,所述模型加载模块包括:
当前可视域确认单元:确认一个当前可视域;
模型选择单元:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
已加载的模型集生成单元:将经过加载的模型生成一个已加载的模型集。
本发明的有益效果:
本发明提供了一种基于可视域的三维数据的管理加载方法及***,通过构建一个默认的待加载的三维模型的数据结构{id,xs,ys,xe,ye,h,C<MT>,URI},并将三维模型的数据集按照数据源的类型划分为基础大场景模型P和精细化专题模型p,根据基础大场景模型P和精细化专题模型p的数据结构将大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn}生成一个模型树M。
其中,模型树M以基础大场景模型P为子节点,将精细化专题模型p挂载在与其可视矩阵范围有交集的基础大场景模型P下,并且将挂载在同一个基础大场景模型P下的精细化专题模型按照可视高进行降序挂载,实现一种基于可视域的三维数据的管理方法。
所以当根据当前可视域对该模型树M进行模型的选择时,可以将选择出来的模型进行加载成像,将经过加载的模型生成一个已加载的模型集。再通过对已加载的模型集对模型进行加载或移除,通过上述步骤可以做到对三维模型进行按需加载,避免了不必要的模型的加载浪费内存空间,做到减少内存开销,提高加载速度,避免产生崩溃现象的发生。
附图说明
图1为本发明的交互示意图。
图2为现有技术的交互示意图。
图3为本发明的选择模型的示意图。
图4为本发明中划分模型的示意图。
图5为本发明的模型树M示意图。
图6为本发明的流程示意图。
具体实施方式
下面将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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
另外,为了清楚和简洁起见,可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到,在不脱离本公开的精神和范围的情况下,可以对本文描述的示例进行各种改变和修改。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
下面通过参考附图并结合实施例来详细说明本发明:
由于,现有技术中,对于三维模型的加载基本采用一次性加载所有模型,再根据可视域的不同对模型进行不同维度的观测。但是对于一个包含三维数据过多的三维模型来说,一次性加载大量的三维模型是非常消耗性能和大量内存的,很容易导致浏览器发生崩溃。而对于不同维度的观测来说,大量的三维模型并不可能在同一维度上都观测清楚,所以会造成内存的浪费。
而为了解决上述问题,根据实际硬件条件和使用场景,如何能灵活组织庞大的三维数据,最大程度减少不必要的加载开销,提高加载和搜索速率,是一个急需解决的问题。
所以,本发明提供了一种基于可视域的三维数据的管理加载方法,该方法可以解决上述问题。
实施例1
如图1所示,一种基于可视域的三维数据的管理加载方法,所述管理加载方法包括:
S1:构建一个默认的待加载的三维模型的数据结构;
S2:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};
S3:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构;
S4:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
如图2所示,本发明与现有技术的区别就在于本发明是根据可视域的三维模型选择后再加载选择出的三维模型,而现有技术是直接加载。
在现有技术中,对于三维模型的加载基本采用一次性加载所有模型,再根据可视域的不同对模型进行不同维度的观测。但是对于一个包含三维数据过多的三维模型来说,一次性加载大量的三维模型是非常消耗性能和大量内存的,很容易导致浏览器发生崩溃。而对于不同维度的观测来说,大量的三维模型并不可能在同一维度上都观测清楚,所以会造成内存的浪费。
如图3所示,所以本发明通过将三维模型按照数据源的类型划分为基础大场景模型P和精细化专题模型p,并根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,所述模型树M以基础大场景模型P为子节点,将精细化专题模型p挂载在与其可视矩阵范围有交集的基础大场景模型P下,即将精细化专题模型p作为模型树M的子节点下的分节点,对该模型树M进行模型的选择,可以做到根据可视域来按需加载模型,避免了不必要的模型的加载浪费内存空间,并且避免产生崩溃现象的发生。
优选的,所述基础大场景模型P的数据源为基础大场景提供的数据,所述精细化专题模型p的数据源为精细化部件提供的数据。如图4所示,该基础大场景模型P为整片树林,该精细化部件模型p为飞机。
优选的,所述数据结构为:MT{id,xs,ys,xe,ye,h,C<MT>,URI},
MT表示该待加载的三维模型,id表示模型MT的唯一识别号,“xs,ys,xe,ye”表示模型MT的可视矩阵范围,“h”表示模型MT的可视高,“C<MT>”表示模式MT的子模型集,“URI”表示模型的实体映射。
本发明构建了一种新的三维模型的数据结构MT{id,xs,ys,xe,ye,h,C<MT>,URI},该数据结构可以清晰的体现出该三维模型的数据结构,所述数据结构可以体现出本发明与现有技术的区别。
优选的,所述将该数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成场景模型集{P0,P1…Pn}和专题模型集{p1,p2…pn}的过程具体为:
将基础大场景模型P的数据按照构建的空间网格进行场景划分,组成一个场景模型集{P0,P1…Pn};
精细化专题模型p的数据按照可视矩阵范围以及自定义的可视高进行划分,组成一个专题模型集{p1,p2…pn}。
其中,可视高可以根据实际操作所需进行自定义,因为精细化专题模型p在一些实际场景中的可视高会偏小,所以操作人员为了方便观看,可以对该精细化专题模型p的可视高进行自定义,方便观察。
优选的,如图5,所述S3的过程具体为:
S31:将基础大场景模型P作为模型树M的子节点;
S32:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
S33:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集。
所以,根据三维模型的数据结构MT{id,xs,ys,xe,ye,h,C<MT>,URI},可以看出,本发明的三维模型是基于可视域进行管理的,可以灵活组织庞大的三维数据,达到最大程度减少不必要的加载开销,提高加载和搜索速率的作用。
优选的,所述S4中:
S41:确认一个当前可视域;
S42:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
S43:将经过加载的模型生成一个已加载的模型集。
优选的,所述基础大场景模型P的数据为地形数据级L1~L2的数据,所述精细化专题模型p的数据为地形级L3~L5中的部件级数据。
具体的,如图6所示,当确认了当前可视域后,首先对生成的模型树M进行遍历搜索,判断所有子节点上的基础大场景模型P的可视域与当前可视域是否有相交,若有相交,则标记该基础大场景模型P为有相交关系的基础大场景模型P,若没有相交,则标记该基础大场景模型P为没有相交关系的基础大场景模型P;
接着,对有相交关系的基础大场景模型P下的所有分节点依次向下判断该分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该精细化专题模型p,若否,则停止向下判断。
然后,对没有相交关系的基础大场景模型P进行判断,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p。
在现有技术中,有些三维模型加载也会采用对三维模型树进行搜索遍历,但是对于加载大量三维模型数据来说,采用对整颗三维模型树进行搜索遍历来判断三维模型的加载或移除,还是会非常影响性能。
所以本发明的模型树M以基础大场景模型P为子节点,将精细化专题模型p挂载在与其可视矩阵范围有交集的基础大场景模型P下,并且将挂载在同一个基础大场景模型P下的精细化专题模型按照可视高进行降序挂载,实现一种基于可视域的三维数据的管理方法,当对该模型树M进行搜索时,可以做到根据可视域来按需加载模型,实现模型的选择,避免了不必要的模型的加载浪费内存空间,并且避免产生崩溃现象的发生。
实施例2
一种基于可视域的三维数据的管理加载***,包括:
数据结构构建模块:构建一个默认的待加载的三维模型的数据结构;
模型划分模块:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};
模型树生成模块:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构;
模型加载模块:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
优选的,所述模型树生成模块包括:
子节点构建单元:将基础大场景模型P作为模型树M的子节点;
分节点构建单元:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
模型树构建单元:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集。
优选的,所述模型加载模块包括:
当前可视域确认单元:确认一个当前可视域;
模型选择单元:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
已加载的模型集生成单元:将经过加载的模型生成一个已加载的模型集。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.一种基于可视域的三维数据的管理加载方法,其特征在于,所述管理加载方法包括:
S1:构建一个默认的待加载的三维模型的数据结构,所述数据结构为:MT{id,xs,ys,xe,ye,h,C<MT>,URI},MT表示该待加载的三维模型,id表示模型MT的唯一识别号,“xs,ys,xe,ye”表示模型MT的可视矩阵范围,“h”表示模型MT的可视高,“C<MT>”表示模式MT的子模型集,“URI”表示模型的实体映射;
S2:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};
S3:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构;
S31:将基础大场景模型P作为模型树M的子节点;
S32:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
S33:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集;
S4:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
2.根据权利要求1所述的一种基于可视域的三维数据的管理加载方法,其特征在于,所述将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成场景模型集{P0,P1…Pn}和专题模型集{p1,p2…pn}的过程具体为:
将基础大场景模型P的数据按照构建的空间网格进行场景划分,组成一个场景模型集{P0,P1…Pn};
精细化专题模型p的数据按照可视矩阵范围以及自定义的可视高进行划分,组成一个专题模型集{p1,p2…pn}。
3.根据权利要求1所述的一种基于可视域的三维数据的管理加载方法,其特征在于,所述S4中:
S41:确认一个当前可视域;
S42:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
S43:将经过加载的模型生成一个已加载的模型集。
4.根据权利要求1所述的一种基于可视域的三维数据的管理加载方法,其特征在于,所述基础大场景模型P的数据为地形数据级L1~L2的数据,所述精细化专题模型p的数据为地形级L3~L5中的部件级数据。
5.一种基于可视域的三维数据的管理加载***,其特征在于,包括:
数据结构构建模块:构建一个默认的待加载的三维模型的数据结构;
模型划分模块:接收一个待可视化的三维模型的数据集,将数据集按数据源的类型划分为基础大场景模型P的数据和精细化专题模型p的数据,并分别对其进行处理组成大场景模型集{P0,P1…Pn}和小专题模型集{p1,p2…pn};
模型树生成模块:根据基础大场景模型P和精细化专题模型p对应的三维模型的数据结构,将基础大场景模型集{P0,P1…Pn}和精细化专题模型集{p1,p2…pn}合并为一个模型树M,并更新对应的三维模型的数据结构;
所述模型树生成模块包括:
子节点构建单元:将基础大场景模型P作为模型树M的子节点;
分节点构建单元:根据基础大场景模型P和精细化专题模型p对应的可视矩阵范围,将精细化专题模型p作为与其可视矩阵范围有交集的基础大场景模型P下的分节点,即该基础大场景模型P的数据结构中的C<MT>为与其可视矩阵范围有交集的子模型集,所述子模型集为小专题模型集{p1,p2…pn}的子集;
模型树构建单元:根据子模型集中精细化专题模型p的自定义的可视高的大小进行降序排序,即该基础大场景模型P的数据结构中的C<MT>为精细化专题模型p按照可视高的大小进行降序排序的子模型集;
模型加载模块:确认一个当前可视域,并根据当前可视域对模型树M进行模型的选择,并对选择出来的模型进行加载成像。
6.根据权利要求5所述的一种基于可视域的三维数据的管理加载***,其特征在于,所述模型加载模块包括:
当前可视域确认单元:确认一个当前可视域;
模型选择单元:搜索模型树M,判断模型树M的子节点上的基础大场景模型P的可视矩阵范围是否与当前可视域的可视矩阵范围相交,
若相交,则需根据该基础大场景模型P的子节点依次向下判断分节点上的精细化专题模型p的可视高是否大于当前可视域的可视高,若是,则加载该分节点上的精细化专题模型p,若否,则停止向下搜索,
若不相交,则需判断该基础大场景模型P是否存在于已加载的模型集中,若存在,则从已加载的模型集中移除该基础大场景模型P以及该基础大场景模型P的子节点下的所有的精细化专题模型p;
已加载的模型集生成单元:将经过加载的模型生成一个已加载的模型集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438369.XA CN116150530B (zh) | 2023-04-23 | 2023-04-23 | 一种基于可视域的三维数据的管理加载方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438369.XA CN116150530B (zh) | 2023-04-23 | 2023-04-23 | 一种基于可视域的三维数据的管理加载方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116150530A CN116150530A (zh) | 2023-05-23 |
CN116150530B true CN116150530B (zh) | 2023-07-11 |
Family
ID=86358553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310438369.XA Active CN116150530B (zh) | 2023-04-23 | 2023-04-23 | 一种基于可视域的三维数据的管理加载方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150530B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942828A (zh) * | 2014-01-21 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 文化遗产三维场景生成***和方法 |
CN106803004A (zh) * | 2017-01-22 | 2017-06-06 | 国家电网公司 | 一种基于三维施工模型的质量过程监控数据集成方法 |
CN111161428A (zh) * | 2019-12-13 | 2020-05-15 | 深圳大学 | 三维地图矢量瓦片数据的生成方法、存储介质及终端 |
CN114863021A (zh) * | 2022-04-29 | 2022-08-05 | 盐城云启智造科技有限公司 | 一种基于三维重建场景的仿真数据集分析方法及*** |
CN115795603A (zh) * | 2022-11-17 | 2023-03-14 | 星际空间(天津)科技发展有限公司 | 一种基于bim与gis相结合的岩土工程应用分析*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831307B (zh) * | 2012-05-31 | 2013-11-13 | 山东电力集团公司青岛供电公司 | 基于三维gis技术的电网可视化***及方法 |
CN111599001B (zh) * | 2020-05-14 | 2023-03-14 | 星际(重庆)智能装备技术研究院有限公司 | 基于图像三维重建技术的无人机导航地图构建***及方法 |
-
2023
- 2023-04-23 CN CN202310438369.XA patent/CN116150530B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942828A (zh) * | 2014-01-21 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 文化遗产三维场景生成***和方法 |
CN106803004A (zh) * | 2017-01-22 | 2017-06-06 | 国家电网公司 | 一种基于三维施工模型的质量过程监控数据集成方法 |
CN111161428A (zh) * | 2019-12-13 | 2020-05-15 | 深圳大学 | 三维地图矢量瓦片数据的生成方法、存储介质及终端 |
CN114863021A (zh) * | 2022-04-29 | 2022-08-05 | 盐城云启智造科技有限公司 | 一种基于三维重建场景的仿真数据集分析方法及*** |
CN115795603A (zh) * | 2022-11-17 | 2023-03-14 | 星际空间(天津)科技发展有限公司 | 一种基于bim与gis相结合的岩土工程应用分析*** |
Non-Patent Citations (2)
Title |
---|
基于BIM的铁路建设管理平台及关键技术研究;智鹏;中国博士学位论文全文数据库 工程科技Ⅱ辑(第08期);C033-4 * |
基于异步多线程的网络海量空间数据调度与可视化研究;李洪发;王东华;王洪大;;电脑编程技巧与维护(第15期);45-48 * |
Also Published As
Publication number | Publication date |
---|---|
CN116150530A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598591B (zh) | 一种网页动态菜单生成方法及装置 | |
CN104035754A (zh) | 一种基于xml的自定义代码生成方法及生成器 | |
CN107291444A (zh) | Plc指令生成方法及装置和plc编程方法 | |
CN108595604A (zh) | 一种智能报表的数据可视化***及方法 | |
CN102222148A (zh) | 自动生成三维装配图的明细表的方法及装置 | |
CN111913960A (zh) | 一种表单处理方法及相关设备 | |
CN111078094A (zh) | 分布式机器学习可视化装置 | |
CN113761859B (zh) | 电子报告定义方法及装置、电子设备 | |
CN111475511A (zh) | 基于树状结构的数据存储方法、访问方法、装置及设备 | |
CN116150530B (zh) | 一种基于可视域的三维数据的管理加载方法及*** | |
CN1752944A (zh) | 基于脚本的三维建模软件自动测试方法 | |
CN110309239A (zh) | 一种可视化地图编辑方法和装置 | |
CN116777671A (zh) | 基于自动生成拓扑展示的规模化储能资源管理方法及*** | |
CN110209453A (zh) | 基于驱动器的多对象自动刷新及显示方法及相关产品 | |
Broutin et al. | Partial match queries in random quadtrees | |
CN114185894A (zh) | 一种产品结构树的生成方法和装置 | |
CN113868138A (zh) | 测试数据的获取方法、***、设备及存储介质 | |
CN113761047A (zh) | 一种面向多源异构大数据的可视化联动效果实现方法 | |
CN110633459A (zh) | 数据报表的自动生成方法及***、计算机可读存储介质 | |
CN112270142B (zh) | 一种面向人机交互的流场可视化管线动态构建方法及装置 | |
CN110928960B (zh) | 一种数据存储***、方法、设备和存储介质 | |
CN117035067B (zh) | 一种思维导图的渲染方法、装置及电子设备 | |
CN104598385B (zh) | 内存分配方法及装置 | |
CN101174277B (zh) | 异型零件生成***及方法 | |
CN114995314B (zh) | 用于核电厂dcs***中变量使用信息自动统计方法及*** |
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 |