面向DEM构建的点云四叉树和R树混合索引研究

机载激光扫描点云数据量大,导致处理点云数据的效率不高.为此,借助四叉树对空间的快速分割和R树的自平衡特性,提出一种基于四叉树和R树混合空间索引的数字高程模型(digital elevation model,DEM)构建方法.首先针对原始点云数据建立外存索引;然后遍历索引以便将符合要求的区域点云分别导入内存,并以形态学滤波法对不同区域内的点云进行同步滤波处理;最后对于分区域处理得到的地面点数据,采用反距离加权内插法得到DEM.实验证明,在确保DEM精度的基础上,应用该索引方法能够极大地提高DEM构建的效率.

车载LiDAR点云混合索引新方法

以车载LiDAR点云数据为研究对象,为提高点云数据的组织与管理效率,提出了一种全局KD树与局部八叉树相结合的混合空间索引结构——KD-OcTree。全局KD树通过分辨器、分割平面的确定,重构点云之间的邻域关系,确保索引结构的整体平衡;在其叶子节点再构造二级索引结构——局部八叉树,避免了单一八叉树结构点云分布不均衡、树结构深度过大、出现大量无点空间等现象。以3个真实场景数据为测试数据进行试验和对比分析,结果表明,KD-OcTree混合索引不仅能够提高索引构建、邻域搜索的速度,还对分类可靠性产生一定影响。

基于类八叉树索引的点云管理策略研究

以点云数据为研究对象,提出了一种结合K维(KD)树空间切分思想的类八叉树混合点云索引结构,实现了对海量点云的高效管理。对于点云所在空间,首先利用KD树思想进行初步分割,再对所得的子空间利用八叉树做进一步切分,建立类八叉树索引结构。并对传统线性八叉树编码进行改进,利用优化后的编码方式对空间进行编码,以实现更好地空间管理和邻域搜索。最后,以5组数量级递增的点云集为测试数据,通过实验结果和对比分析可知,类八叉树能够使数据组织的整体结构趋于合理,有效地提高了存取效率,降低了内存空间的占用;提升了传统KD树构造索引的速度,也改善了传统八叉树对空间占用过大、邻域搜索耗时过长的问题,实现了对海量点云空间的合理管理。