共查询到19条相似文献，搜索用时 265 毫秒
1.
提出一种三维散乱点云的Voronoi拓扑近邻点集查询算法,该算法改进R*-tree建立三维散乱点云的空间索引结构,采用动态扩展空心球算法获取样点的k近邻点集,通过偏心扩展和自适应扩展获取样点拓扑近邻参考数据,生成该局部点集的Voronoi图,查询样点Voronoi邻域获取样点拓扑近邻点集。通过算法时间复杂度分析及相关实验,证明该算法可快速、准确地获取任意复杂散乱点云的Voronoi拓扑近邻点集。 相似文献
2.
3.
针对噪声点云曲面重建,提出了一种基于Delaunay细分的曲面重建算法。首先以点云法向为约束,采用抗差估计的方法拟合球面近似局部曲面;然后利用沿坐标轴的包围盒树结构（axis aligned bounding boxes tree,AABB-tree）快速搜索与线段相交的曲面包围球,以各包围球球心为初值、半径为可信区间,并行化迭代计算出线段与球面的首个交点,该交点可近似为线段与曲面交点;最后不断地插入交点进行Delaunay细分,从而网格化曲面。实验结果表明,当点云噪声较大时,该方法可以快速、稳健地重建出高质量曲面,且曲面重建精度较高。 相似文献
4.
《武汉大学学报(信息科学版)》2016,(5)
针对大规模点云数据k邻域搜索效率低和分块不均匀的问题,提出了一种新的k邻域快速搜索算法。首先,根据设定的子空间内点云数目上限对点云空间在坐标轴方向自适应分块;然后,以待搜索点到所对应子空间6个面的最小距离作为边长生成初始自身小立方体,根据小立方体内采样点数目的控制阈值动态控制小立方体大小,缩小k邻域的搜索范围;最后,以搜索不成功的点到子空间边界的最小距离所对应的面的外法向量方向作为此面的扩展方向,并以所有搜索不成功点到该面距离的最大值作为该方向的扩展步长对子空间定量扩充。实验结果表明,该算法不仅具有较强的稳定性,而且自动化程度较高,能更快地完成k邻域搜索。 相似文献
5.
6.
本文针对电子航海图（ENC）使用过程中面临的数据安全问题，结合S-57标准下CRC校验和完整性认证需求，提出了一种顾及点位篡改定位特性的电子航海图零水印算法。该算法在分析ENC物标（要素）中以经纬度表示的离散点位坐标数据分布规律的基础上，构造离散点经纬度坐标数据校验码生成模型，结合离散点经纬度坐标数量对ENC单元格网进行二叉树分块处理，并分块解算基于离散点经纬度坐标校验码的二值序列，通过该二值序列与置乱加密后的水印图像进行异或操作构造零水印图像。算法中离散点的经纬度坐标校验码和格网分块技术的引入，在保证ENC数据精度和满足CRC校验的同时，具备点位篡改定位的特性。试验结果表明，该水印算法具有良好的稳健性、不可见性和一定的篡改定位精度，适用于电子航海图数据的版权保护。 相似文献
7.
基于三角网光滑规则的LiDAR点云噪声剔除算法 总被引：1，自引：0，他引：1
通过对传统移动均值法、频率域信号分析等离散点云噪声剔除算法局限性的分析,结合LiDAR点云离散空间分布特性,本文提出一种基于三角网光滑规则的点云噪声剔除算法。该算法先快速生成离散点云的二维Delaunay三角网,并构建任意点的邻接拓扑关系,然后依据设定的光滑规则进行噪声信号点检测,并输出非噪声点信号。针对条带数据进行实验,结论表明本文算法适合离散点状噪声剔除,可较大程度提高点云数据的信噪比。 相似文献
8.
给出了一组空间离散点三维凸边界的定义,提出了基于八叉树的空间分块索引方法。在此基础上发展了一种生成三维凸边界的算法,并利用实验对算法进行了验证。 相似文献
9.
给出了一组空间离散点三维凸边界的定义,提出了基于八叉树的空间分块索引方法。在此基础上发展了一种生成三维凸边界的算法,并利用实验对算法进行了验证。 相似文献
10.
提出了一种层次包围盒(BVH)方法,以加速基于GPU的3D纹理体绘制.该方法首先利用GPU的片元着色程序实现了后分类3D纹理体绘制;然后设定高度逐层对体教据进行分解,为每个生成的子体数据建立相应的包围盒,并用对应层次包围盒树的结点保存相关信息;最后遍历层次包围盒树,读取层次包围盒树的结点信息以判断对应子体数据是否被绘制或跳过,从而实现空间跳跃,加速3D纹理体绘制.实验结果表明,本文方法与基于GPU的3D纹理体绘制算法相结合,能取得良好的加速效果. 相似文献
11.
12.
13.
空间点群目标相似度计算 总被引：2，自引：1，他引：1
顾及到视觉认知的Gestalt原则,提出了一种综合考虑到点群的空间关系、空间分布和几何特征,注重空间点群的整体描述的相似度计算模型。实验结果表明,相似度计算结果与直观认知比较一致。 相似文献
14.
《制图学和地理信息科学》2013,40(3):165-174
Spatial searching, such as the identification of k-nearest neighbors to a point, is one of the most time-intensive tasks in vector-based geographic information systems transformational or analytical operations, and as such continues to impede many studies. While a number of computationally efficient k-neighbor searching algorithms have been developed for d-dimensional monotonic coordinate axes, these methods are inappropriate for spherical coordinates necessary in many global studies. This article briefly examines the assumptions and resulting limitations of k-neighbor searching algorithms with spherical coordinates. One of the simplest, yet most efficient k-neighbor searching algorithms is applicable to spherical applications, if constrained. Comparisons between the processing efficiency of the brute-force searching method commonly in use, a constrained heuristic k-neighbor searching algorithm, and a modified k-neighbor algorithm indicate processing times may be decreased by as much as 99% using such rapid searching methods in global geographic applications. 相似文献
15.
摘要：针对常用的空洞边界提取方法在噪声干扰和投影单值方面的缺点,提出一种能克服投影重叠问题而适用于多值曲面修复的空洞边界自动提取方法。首先求出散乱点云的K近邻,利用推进式逐层求解法ALS将各近邻域点投影至平面;然后在平面内进行网格划分及提取边界网格,在此基础上应用最小凸包法提取边界线;最后,进行空洞边界与物体本身边界的识别,为了验证其有效性,将该方法应用于后续的空洞填充及曲面重构中,并用测量采样点到所建曲面模型的最大距离和平均距离为定量评价指标进行精度分析及评价。试验结果表明,采用ALS以及最小凸包法能够保留特征和避免投影重叠,所提取的空洞边界精确,能够满足后续建模的需要。 相似文献
16.
Clustering is one of the most prevalent and important data mining algorithms ever developed. Currently, most clustering methods are divided into distance-based and density-based. In 2014, the fast search and find of density peaks clustering method was proposed, which is simple and effective and has been extensively applied in several research domains. However, the original version requires manually assigning a cut-off distance and selecting core points. Therefore, this article improves the density peak clustering method from two aspects. First, the Gaussian kernel is substituted with a k-nearest neighbors method to calculate local density. This is important as compared with selecting a cut-off distance, calculating the k-value is easier. Second, the core points are automatically selected, unlike the original method that manually selects the core points regarding local density and distance distribution. Given that users' selection influences the clustering result, the proposed automatic core point selection strategy overcomes the human interference problem. Additionally, in the clustering process, the proposed method reduces the influence of manually assigned parameters. 相似文献
17.
机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。 相似文献
18.
This study presents a deep extraction of localized spectral features and multi-scale spatial features convolution (LSMSC) framework for spectral-spatial fusion based classification of hyperspectral images (HSIs). First, adjacent spectral bands are grouped based on their similarity measurements, where the whole hypercube is partitioned into several sub-cubes, each corresponding to one band group. Then, the proposed localized spectral features extraction (LSF) strategy is used to extract localized spectral features, which are extracted from each band group using the 1D convolutional neural network (CNN). Meanwhile, the proposed HiASPP strategy is employed to extract the multi-scale features from the first several principal components of each sub-cube. Finally, the extracted spectral and spatial features are concatenated for spectral-spatial fusion based classification of HSI. Experiments conducted on three publicly available datasets have demonstrated that the proposed architecture outperforms several state-of-the-art approaches. 相似文献
19.
空间异常探测旨在从海量空间数据中挖掘不符合普适性规律、表现出“与众不同”特性的空间实体集合,对于揭示地理现象的特殊发展规律具有重要价值。现有研究在空间异常度量方面取得了重要进展,但多缺乏对空间异常模式显著性的统计判别,且是针对单一类别数据,没有顾及多类别数据间的相互影响。为此,本文基于空间随机过程的思想,针对两种类别空间点数据,提出了一种空间交叉异常显著性判别的非参数检验方法。首先,针对基本数据集实体,采用约束Delaunay三角网,构建合理、稳定的空间邻近域;然后,统计落在基本数据集实体空间参考邻域半径范围内的参考数据集实体的数目,度量初始异常度;进而,采用α-Shape法构建支撑域,以空间随机过程为基础构建零模型,采用蒙特卡洛模拟检验空间异常的显著性;最后,采用生存距离对异常模式的稳定性进行评价分析。通过试验分析与比较发现,该方法能够有效识别具有统计显著性的空间交叉异常。 相似文献