一种基于点云数据的快速曲面重构方法

研究激光扫描中的点云数据重构技术,提出一种基于规则点云数据的快速曲面重构方法。分析相邻扫描线之间数据点的相对位置关系,在三角剖分的基础上,设计改进的扫描线剖分算法,根据激光逐行扫描的特点,对点云数据进行不规则三角网格划分,利用几何关系进行配对构网,并在所建三角模型的基础上实现三角网格的局部优化和纹理映射,得到重建模型。实验结果表明,与传统Delaunay空间三角剖分算法相比,该算法可明显提高三角构网速度和质量,消除空洞,改善重建效果。     

大规模地形散乱点的快速构网算法

针对大规模视景仿真地形显示的需要,提出了一个利用大规模地面散乱点构建地形三角网格的算法.先将空间的散乱点投影到XOY坐标平面,在坐标平面上对散乱点进行均匀网格划分,然后按照一定顺序将大规模散乱点组织成若干不相交的单调链,由相邻单调链连接成单调多边形,利用单调多边形的特点快速构建初始三角网格模型,并在空间上对模型进行三角网格优化.通过加入辅助点的方法,有效解决了网格边沿的奇异情况.算法在保证网格质量的同时,大幅减少了构网的时间开销,证明了提高网络的速度.     

一种基于非均匀网格的点云数据缩减算法

针对点云数据量大的特点,提出了基于非均匀网格的点云数据缩减算法。采用球面投影的方法建立规则网格,以网格内部点的法矢的标准差作为网格细分的依据,用中值滤波的方法确定每个网格内的保留点,通过实验验证了该算法的可行性,并取得了良好的效果。     

基于兴趣点分布的外包空间数据隐私保护方法

随着云服务与位置感知设备的普及,大量与位置相关的信息需要外包给服务提供商,由此引发的空间数据隐私问题得到了学术界的广泛关注.Hilbert曲线作为一种空间转换的方法,被广泛应用于空间数据的隐私保护中,但标准Hilbert曲线未考虑兴趣点的分布特征,可能需要多次调整曲线参数,且无法支持数据拥有者对空间区域的自定义授权.针对上述问题,提出一种可以根据兴趣点分布而自适应变化的Hilbert曲线(AHC),该曲线根据设定的存储容量将空间划分为原子区域,使用Hilbert曲线的分形规则确定各原子区域的顺序,并由此生成密钥树,数据拥有者可以将密钥树的一部分共享给授权使用者,从而实现对空间区域的自定义授权;设计了基于AHC的空间查询处理方案,支持兴趣点的索引值计算、范围查询与KNN查询处理;定义了空洞指数以量化外包数据的隐私信息泄露风险.在真实数据集与模拟数据集上的实验表明,与标准Hilbert曲线相比,该文提出的AHC在进行空间转换方面具有更高的安全性与更优的查询效率.     

基于空间填充曲线网格划分的最近邻查询算法

在建树过程中,R树存在最小边界矩形之间重叠的现象。当数据量较大时,重叠现象尤为严重,基于R树最近邻查询算法的性能急剧恶化。针对该问题,利用空间填充曲线的降低维度特性和数据聚类特性,提出一种基于网格划分最近邻查询算法。该算法将整个数据空间划分成大小相等、互不重叠的网格,对网格中的点进行线性排序之后,只需要访问查询点所在网格中的点及其周边邻近网格中的点,就能够获得最近邻。在Hilbert曲线、Z曲线和Gray曲线上实现3种最近邻查询算法,在映射算法和数据聚类特性上实验比较3种曲线之间的性能差异。实验结果表明,算法的查询性能明显优于顺序扫描算法和基于R树的最近邻查询算法。     

等值线绘制中的多重网格剖分快速搜索算法*

搜索散乱采样数据的网格化过程是等值线生成中的重要步骤,现有矩形网格剖分的网格化方法,对分布不均匀的采样数据搜索效率低,大大影响了网格化的效率。本文提出一种多重网格剖分快速搜索算法,该算法首先将采样数据进行多重网格剖分,建立网格索引;然后通过索引搜索多重网格,合并采样数据;最后利用快速搜索算法得到的采样数据计算出待插值点。实际数据的网格化测试结果表明,该算法有效地提高了散乱采样数据的搜索效率,具有实际应用价值。     

一种采用Hilbert曲线网格划分聚类算法

Hilbert曲线能够线性填充数据空间,将数据空间分割成大小相等的网格,从而将位于网格中的点映射到线性空间中.本文利用Hilbert曲线的数据聚类性质,提出一种基于Hilbert曲线网格划分聚类算法,详细叙述算法的执行过程,并给出每一步的理论依据.算法首先以网格为单位合并出面积较小的聚集,然后将小聚集经过若干次合并形成较大聚集,最终使得聚集最优.实验结果表明该算法的执行时间少于经典聚类算法k-means和基于网格聚类算法CLIQUE.     

改进的平面域Delaunay三角网生成算法

讨论了离散点建立Delaunay三角网算法的研究现状,并采用网格划分提高构网速度。由于三角形定位的速度是影响构网速度的关键因素,改进了基于点线关系方向定位算法,充分利用点与三角形的拓扑关系,减少点线关系的方向定位算法中计算重心的次数,从而提高了三角形定位的效率和构网速度。通过测试证明了算法的高效型和稳定性。     

保留边界的点云简化方法

针对点云简化算法中边界点丢失的问题,提出了一种保留边界的三维散乱点云的非均匀简化算法。首先利用kd-tree建立散乱数据点云的空间拓扑关系,计算出每个数据点的k邻域;然后针对目前依据点云分布均匀性算法提取边界效率低的问题,提出一种改进的点云边界点判定算法;最后保留所有边界点,对非边界点,根据曲面变分值和k邻域点已保留比例,进行点云的非均匀简化。实验结果表明,该算法精度高,空间复杂度低,而且简化后点云边界保留完整。     

用于图像重构的代数多重网格算法

通过分析代数多重网格(algebraic multi-grid,AMG)算法中粗网格提取过程,提出了一种基于代数多重网格算法的图像重构算法.在代数多重网格算法的粗网格序列中,下一层粗网格保留上一层网格的强连接部分.将这种机制运用到图像,提取的粗网格可以较好的保留图像的有效信息部分,在图像变化剧烈的细节区域网格点分布不均匀,平滑模糊部分网格点分布均匀一致.以粗网格像素点进行插值,可以得到较好的重建结果.以均方误差为评价参数,与小波算法进行了比较,比较结果表明该算法在一定程度上优于传统的小波算法,且有一个图像融合应用实例,优于小波融合方法.