本文關(guān)鍵詞：基于八叉樹(shù)、Hilbert曲線(xiàn)和R樹(shù)的大規(guī)模點(diǎn)云數(shù)據(jù)組織與管理方法

  更多相關(guān)文章： 三維激光掃描技術(shù) 3DOHR-tree 索引 高斯密度估計(jì) 重采樣

【摘要】：三維激光掃描技術(shù)自20世紀(jì)90年來(lái)發(fā)展以來(lái),隨著硬件開(kāi)發(fā)水平的不斷提升,LiDAR(Light Detection And Ranging)數(shù)據(jù)處理和分析算法日益成熟,三維激光掃描技術(shù)廣泛用于測(cè)繪、交通、影視等眾多領(lǐng)域。點(diǎn)云數(shù)據(jù)的高密度特性一直是阻礙其普及應(yīng)用的瓶頸,急需快速高效的索引方法和優(yōu)良的精簡(jiǎn)模型。本文針對(duì)大規(guī)模三維激光點(diǎn)云數(shù)據(jù)管理和點(diǎn)云從采樣分別提出了基于八叉樹(shù)、Hilbert曲線(xiàn)與R樹(shù)混合的索引結(jié)構(gòu)(3DOHR-tree)和基于高斯密度估計(jì)的點(diǎn)云精簡(jiǎn)方法。首先,針對(duì)于每個(gè)點(diǎn)云采樣文件,采用八叉樹(shù)將點(diǎn)云數(shù)據(jù)劃分到規(guī)模適中、體積不等的若干小格網(wǎng)中,然后基于空間填充線(xiàn)方法(Hilbert曲線(xiàn))根據(jù)中心點(diǎn)坐標(biāo)對(duì)小格網(wǎng)一維排序。小格網(wǎng)作為一級(jí)R-tree葉節(jié)點(diǎn),自下而上批量構(gòu)建一級(jí)R-tree索引結(jié)構(gòu)。最后,一級(jí)R-tree根節(jié)點(diǎn)作為二級(jí)R-tree葉節(jié)點(diǎn),自上而下動(dòng)態(tài)構(gòu)建二級(jí)R-tree索引結(jié)構(gòu)。完成R-tree索引結(jié)構(gòu)構(gòu)建后,依據(jù)R樹(shù)層次結(jié)構(gòu)特性,采用基于高斯密度估計(jì)的點(diǎn)云精簡(jiǎn)方法自下而上對(duì)處于葉節(jié)點(diǎn)的原始點(diǎn)云數(shù)據(jù)重采樣,采樣結(jié)果作為上層節(jié)點(diǎn)的簡(jiǎn)化點(diǎn)云。采樣流程如下:(1)構(gòu)建點(diǎn)云的數(shù)據(jù)的最小生成樹(shù);(2)根據(jù)最小生成樹(shù)計(jì)算任意兩點(diǎn)之間的測(cè)地距離;(3)基于測(cè)地距離采用高斯密度方法估計(jì)點(diǎn)密度值;(4)根據(jù)點(diǎn)密度值計(jì)算兩點(diǎn)之間權(quán)值;(5)根據(jù)點(diǎn)之間權(quán)值,計(jì)算點(diǎn)特征向量;(6)定義不變量函數(shù),根據(jù)特征向量計(jì)算不變量;(7)根據(jù)預(yù)設(shè)的規(guī)模閾值,取不變量較大的點(diǎn)作為采樣點(diǎn)。實(shí)驗(yàn)結(jié)果表明,本文提出的3DOHR-tree不僅在索引創(chuàng)建時(shí)間效率上更優(yōu),而且在查詢(xún)效率上也具有良好表現(xiàn);基于高斯密度估計(jì)的點(diǎn)云采樣方法能夠較好地保留點(diǎn)云特征信息,同時(shí)具有良好的時(shí)間效率,對(duì)大規(guī)模點(diǎn)云數(shù)據(jù)的普及應(yīng)用具有實(shí)際指導(dǎo)意義。
【關(guān)鍵詞】：三維激光掃描技術(shù) 3DOHR-tree 索引 高斯密度估計(jì) 重采樣
【學(xué)位授予單位】：江西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TN249
【目錄】：

• 摘要3-4
• ABSTRACT4-6
• 1 引言6-18
• 1.1 研究背景與研究意義6-7
• 1.2 研究現(xiàn)狀7-16
• 1.2.1 點(diǎn)云索引研究現(xiàn)狀7-12
• 1.2.2 點(diǎn)云精簡(jiǎn)方法研究現(xiàn)狀12-16
• 1.3 研究目標(biāo)與內(nèi)容16-18
• 2 基于八叉樹(shù)、Hilbert曲線(xiàn)與R樹(shù)的混合索引結(jié)構(gòu)18-26
• 2.1 基本原理18
• 2.2 點(diǎn)云劃分18-23
• 2.2.1 基于八叉樹(shù)的點(diǎn)云劃分方法19-20
• 2.2.2 面向?qū)哟畏纸獾腍ilbert碼生成規(guī)則20-23
• 2.3 3DOHR-tree索引構(gòu)建23-24
• 2.4 本章小結(jié)24-26
• 3 一種基于高斯密度估計(jì)的點(diǎn)云數(shù)據(jù)重采樣方法26-30
• 3.1 基于DMSTs的點(diǎn)云數(shù)據(jù)圖結(jié)構(gòu)模型構(gòu)建方法26-27
• 3.2 基于高斯密度估計(jì)的點(diǎn)云重采樣27-29
• 3.3 本章小結(jié)29-30
• 4 實(shí)驗(yàn)結(jié)果分析30-38
• 4.1 點(diǎn)云劃分效率分析30-31
• 4.2 索引效率分析31-34
• 4.2.1 索引構(gòu)建效率分析31-32
• 4.2.2 索引查詢(xún)效率分析32-34
• 4.3 可視化效果分析34-36
• 4.4 本章小結(jié)36-38
• 5 總結(jié)與展望38-40
• 5.1 本文工作總結(jié)及創(chuàng)新點(diǎn)38-39
• 5.2 進(jìn)一步研究方向39-40
• 參考文獻(xiàn)40-44
• 致謝44-46
• 在讀期間公開(kāi)發(fā)表論文（著）及科研情況46

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 吳祿慎;李澤;陳華偉;王偉杰;;改進(jìn)的重采樣算法研究[J];機(jī)械設(shè)計(jì)與制造;2015年04期

2 楊建思;;一種四叉樹(shù)與KD樹(shù)結(jié)合的海量機(jī)載LiDAR數(shù)據(jù)組織管理方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2014年08期

3 范然;金小剛;;大規(guī)模點(diǎn)云選擇及精簡(jiǎn)[J];圖學(xué)學(xué)報(bào);2013年03期

4 龔俊;柯勝男;朱慶;鐘若飛;;一種八叉樹(shù)和三維R樹(shù)集成的激光點(diǎn)云數(shù)據(jù)管理方法[J];測(cè)繪學(xué)報(bào);2012年04期

5 龔俊;朱慶;張葉廷;李曉明;周東波;;顧及多細(xì)節(jié)層次的三維R樹(shù)索引擴(kuò)展方法[J];測(cè)繪學(xué)報(bào);2011年02期

6 賴(lài)祖龍;萬(wàn)幼川;申邵洪;徐景中;;基于Hilbert排列碼與R樹(shù)的海量LIDAR點(diǎn)云索引[J];測(cè)繪科學(xué);2009年06期

7 馬春艷;柴華彬;劉昌華;;基于OpenGL的點(diǎn)云三維可視化表達(dá)[J];河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年03期

8 路明月;何永健;;三維海量點(diǎn)云數(shù)據(jù)的組織與索引方法[J];地球信息科學(xué);2008年02期

9 周艷;朱慶;張葉廷;;基于Hilbert曲線(xiàn)層次分解的空間數(shù)據(jù)劃分方法[J];地理與地理信息科學(xué);2007年04期

10 吳杭彬;劉春;;三維激光掃描點(diǎn)云數(shù)據(jù)的空間壓縮[J];遙感信息;2006年02期

，

本文編號(hào)：942332