多分辨率LOD的海量点云显示技术研究

利用八叉树数据结构对海量点云进行分块处理,将八叉树叶结点的点云逐层随机采样后保存在外存中构建多分辨率LOD数据结构,设计了一种基于视点的多分辨率点云内外存调度策略,实现了海量点云的流畅显示。通过对一组海量点云数据进行实验,分析了不同八叉树划分深度对八叉树划分、多分辨率数据构建以及显示的影响。

多核处理器的机载激光雷达点云并行三角网渐进加密滤波方法

滤波是机载LiDAR点云数据处理的关键步骤之一,点云数据的海量化特性使得一般的串行化滤波处理方法无法满足快速成图的应用需求。提出一种基于多核计算技术的并行三角网渐进加密滤波方法,将串行方法中最耗时的三角网构建与脚点判别过程进行了并行化改造。三角网构建算法的并行化基于分治法实现,脚点判别算法的并行化采用一种随机分配策略将三角网划分为多个离散分布的三角形子集合来实现负载均衡。并行滤波方法在8核环境下多次渐进加密的实际加速比达到3.1左右。试验证明,该方法可以充分发挥多核计算优势,并且对不同分布形态点云数据具有良好的适应性。

多核CPU的海量点云并行kNN算法

提出基于多核CPU的海量点云k最近邻(kNN)快速搜索算法。该算法先将点云数据按格网方式进行组织存储于外存;在搜索kNN点时,从搜索点所在的块向外扩张搜索;在多核CPU环境下采用多线程模式进行数据的内外存调度和kNN点搜索。当内存达到设定上限时,采用距离搜索点最远策略释放内存,降低内外存数据交换的频率。将该方法应用于基于kNN的滤波和格网化方法中,处理速度显著提高。

大规模点云内外存调度绘制技术

为实现大规模点云的快速绘制,提出以部分内存访问机制为基础、以节点点数上限为叶节点形成条件的平衡八叉树存储结构。设计点云内外存调度绘制流程,包括节点可见性判断、内外存数据调度和点云绘制等环节。为提高可见性判断的效率,在视点与节点距离、夹角约束条件的基础上给出节点可视半径约束。利用实测大规模点云数据进行实验,结果证明,该技术可以在有限的内存资源条件下,以较小的内存消耗实现上亿级规模点云从整体到局部的流畅绘制。

集成虚拟格网和八叉树的点云数据管理方法

为实现大规模点云的快速组织和检索,提出了基于内外存动态调度的虚拟格网与八叉树相结合的点云数据索引和组织策略。该方法利用虚拟格网对点云进行节点分割和存储,并结合磁盘映射与内外存动态调度技术,将节点进行构八叉树以实现点云数据高效的组织与检索。实验证明,该方法可在计算机内存资源有限的情况下,以较小的内存消耗实现十亿级规模点云的快速组织和检索操作。

一种高效的点云去噪聚类方法

逆向工程采用激光扫描设备获取点云数据时会引入无关离体噪声点,针对密度聚类法去噪时引起的内存占用较大、收敛时间较慢的问题,提出了一种高效的点云去噪聚类方法。首先,采用KD-tree建立点云数据的空间索引结构,选择点云的某一维度,找出最小索引核心点云。然后,沿着该维度方向在核心点云邻域外选择最近的未标记的点云扩展密度类。最后,分离出密度相连最大的点云类以完成点云去噪。实验结果表明,与统计滤波、半径滤波、密度聚类滤波算法相比,该方法在完整保留目标点云的同时能高效地去除离体点云噪声,提高了点云去噪的质量。

三维激光扫描在超高层倾斜监测中的应用

针对超高层倾斜监测传统方法中数据获取量少、成果展示不直观等问题。利用三维(3D)激光扫描仪对超高层建筑进行扫描,通过建立超高层核心筒模型,提取指定高度角点坐标,从而计算超高层倾斜率。以济南平安金融中心超高层建筑为例,通过三维激光扫描结果与全站仪实测结果的比较,验证了三维激光扫描在超高层倾斜监测中应用的可行性,此方法能够提高观测效率,为同类型项目实施提供了借鉴。

大场景点云文件多核并行批量压缩方法研究

为了减少大场景点云文件无损压缩时间,避免数据处理过程中人工操作造成的时间浪费和输入失误,本文引入LASzip点云无损压缩算法和OpenMP并行编程技术,提出了在单机多核CPU系统环境下基于LASzip的大场景点云文件多核并行批量压缩算法。实验结果显示,与串行算法相比,并行算法在压缩比不变的情况下压缩时间明显下降,取得了很好的加速比。当线程数为8时,压缩和解压缩加速比分别达到4.27和3.99,优化效果显著。

LiDAR点云特征变量对天然林林分因子模型反演的影响研究

机载激光雷达技术为获取高时空分辨率的空间信息提供了新的解决方法,近年来被应用于森林资源规划设计与调查,通过空间点云数据提取林木特征,并在此基础上推演出相关林分因子。以陕西省安康市岚皋县国营林场中部分天然林为研究对象,在利用机载激光雷达点云数据进行森林资源调查时,通过对不同特征变量在不同林分因子模型反演中重要程度的分析,利用特征权重评估特征变量的贡献值,并以此为依据筛选出优秀的核心特征子集,采用随机森林算法对研究区蓄积量、林分平均高以及株数进行回归预测。实验结果表明该方法具有较优的拟合精度及较小的相对均方误差,且对不同密度下的点云数据均具有较高的稳定性。