共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
3.
自然气象场景的模拟与大气流体运动模拟密切相关。三维的离散格子气模型需要采用复杂的FCHC网格方能满足流体运动模拟的对称性要求。本文提出了一种基于翻转概率的离散格子气模型,在正交三维网格上实现了流体运动的模拟,在满足对称性要求的前提下,实现了离散格子气模型的快速模拟。本文利用该模型实现了云景仿真的模拟。实验证证明,这种模型对于流体模拟是有效的。 相似文献
4.
气象数据具有时变、多源、多维度、数据量大和多尺度等特征,常规的气象数据可视化方法难以满足气象预报与气象研究中的需求.描述了一个新的全球尺度三维大气数据可视化系统——AVIS.系统实现了面向各类密度场、向量场、张量场和非空间数据的可视化方法,设计了适用于大气数据的球面体绘制和混合绘制方法.系统还实现了一套跨平台并行可视化及分析构架,支持在浏览器中或其他显示和交互设备上使用,并利用后端计算集群加速数据的计算与绘制过程.案例分析表明,该系统可以全方位地展现气象数据中的信息,帮助用户综合多种气象信息进行分析. 相似文献
5.
针对以往舰艏浪三维可视化中仅从实际观察出发建立动态模型,不能反映舰艏浪物理运动规律的问题,提出一种基于物理模型的舰艏浪三维可视化方法。该方法将舰艏浪物理模型应用到三维可视化中,采用边界元方法计算得到舰艏浪外形数据,利用粒子系统技术建立了三维动态模型,基于OpenSceneGraph粒子系统,在VS2010平台上实现了舰艏浪的三维可视化。实验结果表明该方法更符合物理运动规律,能较好地模拟舰船航行时的艏浪。 相似文献
6.
计算机硬件图像处理功能的增强,促进了计算机图形学的发展,进而促进了计算机的可视化研究。数学模型的可视化就是将抽象的数学函数以图形的方式表示出来,使人们对其有一个直观的认识。卫星云图,医疗成像系统都是计算机可视化的实际应用。文章介绍了在VC++6.0开发环境下,利用OpenGL来实现数学模型的可视化。该可视化系统包括数学函数的输入、识别、二维图形的输出、由二维曲线旋转生成三维立体图形以及三维图形的变换输出。 相似文献
7.
8.
以前主要以二维气象云图作为各级气象部门服务研究与预测的依据,而新兴的三维气象模拟具有形象、动态等突出优点,三维气象可视化技术已成为国际研究的热点.在基于OSG五维气象可视化软件中主要功能模块分为:风力场动态模拟、填色图、等值线、体绘制.为满足实时性的需求,在风力场、填色图的绘制中,采用在场景图直接建立几何节点,在几何节点增加回调自定义画法的方法,对等值线的绘制采用缓存、抽点、内插的方法,对体的绘制采用在场景图直接建立XYZ三方向切片集几何节点,通过"最正对"来控制某方向切片集出现的方法.同时给出了软件的功能及实验结果. 相似文献
9.
10.
11.
12.
针对复杂场景下的三维激光点云球形标靶精确自动化提取问题,提出了一种基于SHOT特征的自动精确提取球形标靶的方法。该方法设计了粗提取和精提取处理过程,粗提取过程首先采用SHOT特征描述子提取场景内全部的球形标靶点云;其次,利用欧氏聚类分割球形标靶点云,并采用最小二乘方法计算球形标靶的粗略参数。精提取过程依据迭代最小二乘方法和法向滤波剔除非球面点,得到球形标靶点云和精确的球形标靶参数。设计了含有4个球形标靶的实验场景,使用德国Z+FImage5016扫描仪进行场景数据采集,自动提取得到实验场景中的球形标靶点云和球形标靶参数。结果表明,在10m范围内,该方法自动提取的球形标靶半径中误差为0.25~0.33 mm,较人工提取球形标靶点云的半径中误差减小0.02~0.06 mm,较基于微分方法减少0.01~0.09mm;该方法能够得到较高的球形标靶定位精度和稳健地去除场景点云中的噪声,可在30s内完成百万级点云球形标靶的自动提取任务。 相似文献
13.
14.
本论文以昆明理工大学呈贡校区“昆明理工大学”石碑作为目标场景,利用地面三维激光扫描仪Maptek I-Site 8200SR获取目标场景的点云数据,使用Maptek I-Site Studio 6.0对点云数据进行预处理,包括点云数据的配准、去噪及精简;通过提取特征点云同时结合AutoCAD2014、3ds Max实现对目标场景的建模。研究三维激光扫描点云数据预处理的方法步骤及模型构建过程,通过分析数据处理及建模结果,结合当前的研究状况探讨了模型的相关应用,并展望进一步的研究方向以及工作内容。 相似文献
15.
3D object pose estimation for robotic grasping and manipulation is a crucial task in the manufacturing industry. In cluttered and occluded scenes, the 6D pose estimation of the low-textured or textureless industrial object is a challenging problem due to the lack of color information. Thus, point cloud that is hardly affected by the lighting conditions is gaining popularity as an alternative solution for pose estimation. This article proposes a deep learning-based pose estimation using point cloud as input, which consists of instance segmentation and instance point cloud pose estimation. The instance segmentation divides the scene point cloud into multiple instance point clouds, and each instance point cloud pose is accurately predicted by fusing the depth and normal feature maps. In order to reduce the time consumption of the dataset acquisition and annotation, a physically-simulated engine is constructed to generate the synthetic dataset. Finally, several experiments are conducted on the public, synthetic and real datasets to verify the effectiveness of the pose estimation network. The experimental results show that the point cloud based pose estimation network can effectively and robustly predict the poses of objects in cluttered and occluded scenes. 相似文献
16.
17.
3维场景理解与重建技术能够使计算机对真实场景进行高精度复现并引导机器以3维空间的思维理解整个真实世界,从而使机器拥有足够智能参与到真实世界的生产与建设,并能通过场景的模拟为人类的决策和生活提供服务。3维场景理解与重建技术主要包含场景点云特征提取、扫描点云配准与融合、场景理解与语义分割、扫描物体点云补全与细粒度重建等,在处理真实扫描场景时,受到扫描设备、角度、距离以及场景复杂程度的影响,对技术的精准度和稳定性提出了更高的要求,相关的技术也十分具有挑战性。其中,原始扫描点云特征提取与配准融合旨在将同场景下多个扫描区域进行特征匹配,从而融合得到完整的场景点云,是理解与重建技术的基石;场景点云的理解与语义分割的目的在于对场景模型进行整体感知并根据语义特征划分为功能性物体甚至是部件的点云,是整套技术的核心组成部分;后续的物体点云细粒度补全主要研究扫描物体的结构恢复和残缺部分补全,是场景物体点云细粒度重建的关键性技术。本文围绕上述系列技术,详细分析了基于3维点云的场景理解与重建技术相关的应用领域和研究方向,归结总结了国内外的前沿进展与研究成果,对未来的研究方向和技术发展进行了展望。 相似文献
18.
19.
物体位姿估计是机器人在散乱环境中实现三维物体拾取的关键技术,然而目前多数用于物体位姿估计的深度学习方法严重依赖场景的RGB信息,从而限制了其应用范围。提出基于深度学习的六维位姿估计方法,在物理仿真环境下生成针对工业零件的数据集,将三维点云映射到二维平面生成深度特征图和法线特征图,并使用特征融合网络对散乱场景中的工业零件进行六维位姿估计。在仿真数据集和真实数据集上的实验结果表明,该方法相比传统点云位姿估计方法准确率更高、计算时间更短,且对于疏密程度不一致的点云以及噪声均具有更强的鲁棒性。 相似文献
20.
目的 当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理。然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象。因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于点云的语义分割。方法 为了解决该问题,提出基于多特征融合与残差优化的点云语义分割方法。网络通过一个多特征提取模块来提取每个点的几何结构特征以及语义特征,通过对特征的加权获取特征集合。在此基础上,引入注意力机制优化特征集合,构建特征聚合模块,聚合点云中最具辨别力的特征。最后在特征聚合模块中添加残差块,优化网络训练。最终网络的输出是每个点在数据集中各个类别的置信度。结果 本文提出的残差网络模型在S3DIS (Stanford Large-scale 3D Indoor Spaces Dataset)与户外场景点云分割数据集Semantic3D等2个数据集上与当前的主流算法进行了分割精度的对比。在S3DIS数据集中,本文算法在全局准确率以及平均准确率上均取得了较高精度,分别为87.2%,81.7%。在Semantic3D数据集上,本文算法在全局准确率和平均交并比上均取得了较高精度,分别为93.5%,74.0%,比GACNet (graph attention convolution network)分别高1.6%,3.2%。结论 实验结果验证了本文提出的残差优化网络在大规模点云语义分割的应用中,可以缓解深层次特征提取过程中梯度消失和网络过拟合现象并保持良好的分割性能。 相似文献