利用Alpha-shape算法进行树冠三维模型构建

为了研究树冠三维模型的构建,以常用绿化树种榉树为样本,通过三维激光扫描技术获取点云数据,运用alpha-shape算法进行树冠三维模型构建,并通过调整其α参数,得到不同的三维模型构建效果。结果表明,当参数α取值较大时,构建的三维模型较综合,树冠内部变化无法描述;随着α值的减少,构建的三维模型越来越精细,当减少到一定值时,得到的图形是一些离散的面片,重建结果不完整,不能形成树木模型。利用alpha-shape算法构建的树冠三维模型能够反映出树冠的不同空间形态特征,可作为计算冠层结构参数的基础和依据,深入研究可进一步计算相关结构参数。

基于Alpha-shape算法的无人机雷达空间建模方法

为了使用四旋翼无人机搭载二维激光雷达进行空间环境探测与建模,设计了无人机LIDAR(Light Detection and Ranging)探测方案,提出了基于欧式聚类与Alpha-shape算法的点云数据建模方法。以室内环境建模为例,通过无人机LIDAR测得室内多位置、多高度的平面点云数据。根据室内环境点云数据分块聚集的特性,对数据进行统计滤波消噪,并采用欧式聚类算法对点云数据进行聚类,对每个聚类分别选取合适的参数α绘制其Alpha-shape图形。对于采样高度均匀、雷达扫描频率稳定的点云数据,考虑到无人机激光雷达的数据特点,以每个聚类中点的数量和其包络在x-y平面的投影面积为参数,结合测量经验提出了α的计算式。利用此方法可以实现使用二维激光雷达进行空间建模,相较于使用三维激光雷达成本更低,测量更灵活。

Alpha-Shapes分段改进算法在三维模拟树枝体积扫描测量中的应用

针对树木与树枝分叉部分体积计算困难,三维扫描建模易产生黏连现象等问题,提出一种Alpha-Shapes分段改进算法。通过三维激光扫描技术获取三维模拟树枝的点云数据,利用Alpha-Shapes算法计算出三维模拟树枝的点云边缘轮廓并进行三维重建,利用分段算法对三维重建数据进行体积分割计算,通过点云最高层补偿以此保证分段算法的准确度。最后用Alpha-Shapes算法计算各个分段体积并进行累加。实验使用标准塑料直管段、三通管段和四通管段对树干以及树枝的分叉情况进行模拟并通过扫描真实树枝进行验证,通过三维激光扫描技术获取点云数据,实验充分考虑树枝分叉情况、检测精度、黏连问题,结合不同模拟树枝分叉特点,对比选择最合适的半径α值与分段高度β值。实验表明该改进算法的体积计算误差值在4%-5%之间,较改进前降低5%。

改进的Alpha-shapes建筑物轮廓线提取算法

建筑物轮廓线提取是三维城市重建的关键环节。传统Alpha-shapes轮廓线提取算法具有鲁棒性强且易于实现的优点,但所提取的轮廓线容易受噪声点的干扰,难以获得准确的轮廓边缘。针对该问题,提出了一种改进的Alpha-shapes轮廓线提取算法。首先,采用随机抽样一致性算法筛选由Alpha-shapes算法提取的初始轮廓点;然后,用道格拉斯普克算法确定关键轮廓点;最后,通过强制正交优化提取准确的轮廓线。用三组不同形状建筑物的点云进行实验,结果表明,本算法能获得更准确的建筑物边缘,有效克服了传统Alpha-shapes算法提取的轮廓边缘锯齿状现象,正确率、完整率、质量也均优于传统Alpha-shapes算法。

轮胎静负荷印痕轮廓提取及测量方法研究

在总结印痕分析方法的基础上对轮胎静负荷印痕轮廓的提取和筛选方法进行改进,以提升轮胎静负荷印痕数据分析的准确性。通过对轮胎静负荷印痕图像噪声因素处理、二值化阈值选择以及轮廓提取后对轮胎静负荷印痕接地轮廓边界点集进行重构和使用Alpha-shape算法对轮胎静负荷印痕整体外轮廓形状进行重构等,将轮胎静负荷印痕长度分析值与实测值的相关因数从0.81提高至0.99。

基于改进Alpha Shape算法的点云数据岛屿边界提取

针对机载LiDAR点云的岛屿岸线提取过程复杂、附属岛屿岸线难以提取等问题,提出一种基于改进Alpha Shape算法的点云数据岛屿边界提取方法。首先利用布料模拟滤波算法剔除非岛屿点云数据,通过欧式聚类进行不同岛屿的提取,再将岛屿点云数据投影至二维平面,并根据岛屿点云构建格网。在此基础上使用自适应Alpha Shape算法,对提取出的岛屿点云进行边界提取,即可得到岛屿的岸线轮廓。选取新西兰的玛提尤/萨姆斯岛作为研究区域,并将本文算法与Alpha Shape算法进行对比,结果表明:本文算法提取岛屿边界点云的精准度为97.78%,可以准确地提取岛屿岸线,为海岛规划提供参考。

复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。

基于机载LiDAR点云数据的建筑物三维模型重建方法研究

根据建筑物点云的分布特征,提出一种机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云;其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化处理建筑物轮廓线,通过屋顶分割算法提取建筑物屋顶信息;最后,使用SharpGL工具进行建筑物三维模型重建。以某地级市某地区机载LiDAR点云数据为例进行实验,结果表明该方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

基于水稻三维模型的表型参数提取及生物量估测

基于二维图像的水稻表型检测方法缺乏空间维度信息,难以提取全面的水稻表型参数,因此建立水稻三维模型进而提取全面的水稻表型参数具有重要意义。体积是指示水稻生长状况的重要参数,如何在不破坏水稻植株的前提下获取水稻体积参数是当下研究中仍有待解决的问题。基于上述考虑,提出一种基于水稻三维模型的表型参数提取及生物量估测方法,实现在不破坏水稻植株的前提下提取水稻体积参数并估测水稻生物量。以盆栽水稻为对象,首先利用Alpha-shape算法重建其三维模型,然后提取并评估水稻株高、茎粗、植被覆盖度、体积参数,并基于体积参数估测水稻生物量。结果表明,空间雕刻方法可以重建高精度的水稻三维模型,并准确测算水稻表型参数及生物量,其中水稻株高、茎粗、单株植被覆盖度均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为63.27 mm、4.01 mm、5.04%和7.15%、14.91%、12.59%,水稻生物量RMSE和MAPE分别为62.44 g、19.25%,均优于现有三维重建软件的测算结果。

改进Alpha Shapes和快速凸壳算法的SVM故障诊断

现有的基于凸壳的支持向量机(SVM)算法处理机械装备产生的大规模原始数据时间太长。针对这一问题,通过结合轮廓提取算法(Alpha Shapes)和快速凸壳算法,提出一种结合改进快速凸壳算法的SVM用于故障诊断研究。该融合算法利用改进简化的Alpha Shapes算法提取点集的边界数据点,作为改进的快速凸壳算法的对象,减少凸壳算法递归的工作量。实验结果表明:该算法平均只提取了数据集0.26%的数据点,且计算的时间也相应降低。最后实验同样表明该算法的性能优于单一的SVM算法。

基于机载LiDAR和GIS数据的建筑物变化信息自动检测方法

建筑物的变化信息对地图更新和相关地理要素的统计至关重要。首先,通过Li DAR数据提取建筑物信息,应用alpha-shapes算法得到建筑物的边缘信息;然后,将该信息和GIS地图矢量数据对比,应用多级变化检测策略进行自动检测,得出变化的建筑物并精确到建筑物变化的细部特征。该方法不仅能实现建筑物的定性变化检测,而且能对变化信息进行定量统计,检测结果的准确率达到95%。与以往单纯利用影像数据的方法相比,该方法自动化程度和效率均较高,且处理流程简捷。

自适应步长的Alpha?shape表面重建算法

三维物体表面重建在现代临床医学、场景建模和林业测量等方面有着重要应用价值。为了更好地理解三维物体表面形状,本文先介绍了三维空间离散点集的Alpha形状的相关概念。在分析表面重建的Alpha-shape算法的基础上,本文提出一种自适应步长的Alpha-shape算法。通过kd-tree和k近邻平均距离来动态更新α值,使得算法在处理点集密度较大的区域时也能以较少的遍历次数进行表面重建,从而改善了重建效果并提高了算法运行效率。大量随机数据和现实三维采样数据的实验结果表明,本文提出的改进算法与原始算法相比,能大幅度地提高运行效率。

基于alpha shapes算法的相邻航带点云重叠区提取

相邻航带点云重叠区提取是实现点云配准工作的前提,本文利用alpha shapes算法原理,并结合K-D树快速查找的优势完成航带点云的轮廓边界提取,最后根据PCL中多边形滤波器提取点云边界包含区域,完成相邻航带点云重叠区提取工作。本文试验首先根据简易点云完成初步试验,总结参数的设置情况,最后根据实际作业情况采用两组不同区域相邻航带点云进一步完成对该算法有效性进行验证,结果表明该方法原理简单,设置参数少,对数据边界提取有较强的鲁棒性,且重叠区输出结果可靠。

基于点云数据的建筑物屋顶面点集轮廓线提取

针对利用点云数据提取建筑物轮廓线不完整、缺失的问题,提出一种基于点云数据提取建筑物轮廓线方法。该方法首先对原始点云数据进行预处理,获取建筑物点云数据集;其次,采用具有噪声的基于密度的聚类方法(DBSCAN)进行点集聚类,得到单个建筑物点云数据集;再次,采用Alpha Shapes算法进行建筑物轮廓线粗提取,然后采用管子算法进行建筑物特征关键点提取;最后采用强制正交的方法进行轮廓线规则化,获取最终的建筑物轮廓线。实验证明,本文方法可以很好地提取建筑物轮廓线,适用性和时效性比较好。

双阈值Alpha Shapes算法提取点云建筑物轮廓研究

针对单一阈值的Alpha Shapes算法在提取点云建筑物轮廓时存在的轮廓精度和完整性难以兼顾的问题,提出一种双阈值的Alpha Shapes算法,利用简单环的概念设计轮廓搜索算法,获得既有较好完整性又有较高几何精度的建筑物轮廓线;然后,利用一种最小二乘的轮廓线化简算法对提取出的初始轮廓进行化简,与经典的Douglas Peucker算法相比,在存在噪声的情况下,该方法化简后的轮廓线更接近实际的轮廓线。

基于机载LiDAR点云的建筑物快速三维重建方法

针对建筑物三维模型建立自动化程度与效率无法并存的问题,本文提出一种自动提取机载激光雷达(light detection and ranging,LiDAR)点云的建筑物关键点算法,针对规则建筑物实现快速三维重建。该方法通过阿尔法-形状(Alpha-Shape)边缘检测算法和屋顶分割算法完成建筑物关键点提取,再利用夏普·格尔(SharpGL)工具包完成基于关键点建筑物的三维重建。并与经典建筑三维重建方法做对比实验,结果表明本文方法在建筑物提取与三维重建中具有较高的效率,实现0.05 km^(2)区域的建筑物三维重建仅耗时6 min。

自适应α-shapes平面点云边界提取方法

针对基于微切面的点云边界提取方法在LiDAR点云边界提取中效率低,难以保证边界提取的精细度和完整性问题,提出了一种可调节滚动圆半径的α-shapes平面点云边界提取算法.该算法首先将点云数据栅格化,排除非边界点,并通过计算P点的K个邻近点平均距离和增设调节因子,设置滚动圆半径α,最后采用α-shapes算法提取点云边界.对近邻K值、点云形状和点云密度等分析,证明近邻K值与调节因子ω之间具有函数关系,及调节因子与点云密度和点云形状无关的结论.结果证明:该算法在准确提取点云边界情况下,能够快速提取完整点云边界,提高后续点云重建速度与效率,该算法具有良好的稳健性.

基于阿尔法形态的三维色域体积快速算法

随着各种宽色域显示设备的出现,越来越需要高效准确的色域比较评价方法。三维色域由于包含了亮度信息,与二维色域相比,能够更全面地展示、比较色域差异。但由于其形状不规则,三维色域的计算较困难,高计算复杂度限制了三维色域评价在实时性要求较高的工程领域的应用。实现了基于阿尔法形态的三维色域体积计算方法。实验结果表明,通过仔细选择半径参数,能够以较低计算复杂度准确计算不规则三维色域体积。与基于准蒙特卡洛的体积计算方法相比,基于阿尔法形态的方法更适合实时应用。

乡村聚落边界形态求取的量化方法探析

乡村聚落的边界形态是其整体形态的一部分,由处于聚落边缘建筑部分的实体边界和建筑之间空隙部分的虚拟边界共同构成。文章归纳了两种均可以经由Matlab工具来实现的聚落边界量化求取方法,分别是基于约束Delaunay三角网的聚落边界计算方法和基于Alpha Shape的聚落边界计算方法。实践证明两种方法都可以有效地进行聚落边界求取,前者的优势在于结合平均距离,可以根据聚落疏密状态进行动态调节,而后者优势在于操作过程相对简洁,且可调节性更强。

利用Alpha Shapes算法提取离散点轮廓线

本文介绍了Alpha Shapes算法的原理和具体的实现方法,并将其应用到LiDAR离散点云数据的轮廓线提取,取得良好效果。