导读:本文包含了数据精简论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:船舶,数据,量计,激光,湖州,特征,曲率。
数据精简论文文献综述
段志鑫[1]（2019）在《叁维激光扫描数据精简、表面重构方法及应用研究》一文中研究指出叁维激光扫描技术是近年来兴起的一项新型测量技术,因其具有高效、精确等优点,目前被广泛地应用于测绘、逆向工程等领域。叁维激光扫描技术获取的原始点云数据量庞大且存在大量冗余,这些冗余数据会使得点云的利用效率降低,造成点云数据处理及应用管理的不便。另外,通过对点云进行表面重构可以为用户提供目标物的真实叁维场景信息。因此,研究点云的精简和表面重构算法对于提高点云的可用性并进行叁维可视化具有重要意义。本文重点研究了点云精简及表面重构中的相关算法,并通过编程实现及实验分析,验证本文相关算法的有效性。本文的主要研究内容及成果如下:(1)对散乱点云拓扑关系建立的方法进行了详细阐述,并针对现有点云kmeans聚类方法中存在的收敛较慢,多次聚类结果不统一的问题,首先利用八叉树划分为聚类提供初始聚类中心,然后引入elkan k-means聚类方法减少距离运算。实验表明,本文方法比起经典k-means方法迭代次数更少,运算效率更高,可以较好地实现散乱点云的聚类。(2)为了减少点云精简中特征信息的丢失,提出了一种基于单位法向扩展距离的点云内部特征点提取方法,该方法利用点间单位法向量最大距离与点间距之差作为新的特征检测算子来反映曲面变化程度。实验表明,该算法可以实现对点云内部特征的准确提取。(3)为了在精简过程中保留点云的边界信息,提出了一种基于近邻点切平面投影分布的点云边界提取方法。通过分析投影点的分布特点,利用多级判断实现边界点的识别。实验表明,该算法可以准确地检测出不同类型点云的边界点。(4)对经典点云精简算法中存在的不足进行了深入分析,提出了一种基于特征保留的点云精简算法。该方法首先利用本文点云特征提取方法对原始点云的内部特征和边界特征进行保留,并基于本文设计的点云聚类算法对点云进行初始聚类;最后提出了一种基于类内曲面变分方差的聚类细分方法实现了对弱特征点的提取和非特征点的均匀精简。实验分析表明,该方法对于不同几何特征的点云数据均具有较好的精简效果,且在精简效果和精度等方面优于经典方法。(5)针对泊松表面重构中可能存在的法向量方向不一致的问题,设计了一种基于附加约束信息的点云法向量一致性调整方法。实验表明,该方法可以实现对点云法向量的正确调整,经过调整后,点云泊松重构具有准确的建模结果。将本文的算法应用于实测扫描数据的精简与表面重构,验证了本文算法具有实用性。(本文来源于《中国矿业大学》期刊2019-05-01）
吴光荣[2]（2019）在《保存特征的点云数据精简方法研究》一文中研究指出随着激光扫描技术、计算机技术的快速发展,叁维激光扫描仪可在短时间内获取大量高精度的叁维点云模型,然而这些高精度的点云模型中包含了大量冗余数据,极大影响叁维曲面建模以及特征判断。特征点是最基本的曲面几何形状的特征基元,同时也是精简后数据在模型重构中的关键数据点,特征提取的优劣直接影响后续模型的形状表达和匹配的准确性。本文以点云模型为研究对象,重点研究了散乱点云数据基于法矢的特征提取方法,并将特征保留应用于数据精简,旨在提高精简后模型重建的质量。主要研究内容和结论如下:(1)叁维点云数据的邻域主要包括k邻域、Voronoi邻域和BSP邻域,k邻域计算需依据点云模型、点云密度以及均匀度来判断,因此本文在数据处理时选用更为可靠的k邻域。为了便于邻域构建,首先需要建立点云数据拓扑关系,论文分析了叁种常见建立点云数据拓扑关系的方法,并研究了效率较高的八叉树法在构建k邻域时的具体步骤。(2)传统的基于局部曲面拟合法在法矢解算时,对邻域大小有较强的敏感性,并且法矢估算不准确,导致在用法矢信息提取特征点时存在误判。针对此问题,论文研究了一种基于移动最小二乘拟合局部曲面的法矢估算法。该方法首先在构建k邻域的基础上,用移动最小二乘拟合局部曲面;然后基于拟合的局部曲面估算点云法矢,并统一法矢方向;最后将采样点与k邻域法矢夹角余弦平均值作为特征权值,通过特征权值与设定阈值大小的对比,提取出点云数据中的特征点。通过实验表明,在模型合适的邻域选取范围之内,本文方法在法矢解算时受邻域点影响较小,与传统方法相比,精度更高,鲁棒性更强。(3)现有的精简方法在处理曲面变化较大的点云模型时,不易保存原有数据特征,导致重构后的模型与原始模型偏差较大。针对此问题,本文通过分析研究几种常用方法,提出了一种特征保留的数据精简法。该方法先确定原始数据中的特征点,并作为核心点保存不变;然后用包围盒重心压缩算法在非特征区建立包围盒,精简相应比例的数据;最后输出提取的特征点与包围盒重心压缩法精简后的非特征点集。通过实验表明,经过本方法精简后的点云数据在实现精简的同时保留了原始特征点,对比不同精简方法重构模型以及模型标准偏差,表明本文方法在数据精简时,相比传统方法具有一定的优势。(本文来源于《江西理工大学》期刊2019-05-01）
曹垚[3]（2019）在《叁维激光点云数据精简算法及叁角网格模型优化研究》一文中研究指出随着叁维激光扫描精度的不断提高,叁维激光扫描技术被大量应用在地铁隧道变形监测、工业零件检测、古文物叁维重建等对精度要求较高的行业。由于叁维激光点云数据具有高精度性和高密度性,使得点云数据量越来越庞大,给点云数据的处理与应用带来了一系列的难题。因此,研究保留特征的点云精简算法是解决点云数据应用的关键。然而,随着精简率的提高,精简后点云数据与原始点模型的误差逐渐增大,导致精简后的点云构建的叁维模型的精度也逐渐降低,为了既能够精简点云又能保证模型的精度,就需要提升网格精度。本文针对点云数据的精简及精简后点云构建叁角网格优化问题展开研究,研究内容如下:1.本文针对点云精简算法在处理散乱点云数据时特征保留不完整和对小曲率点云精简造成数据空洞问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法利用八叉树建立散乱点云数据的邻接拓扑关系和k邻域,采用Hausdorff距离对点云数据点的主曲率进行分析确定特征区域,根据精简比例设定阈值对点云进行初步精简,最后利用k-means聚类对初步精简的点云数据进行精细处理得到最终的精简数据。实验结果表明,该方法能较好的保持原始点云数据的几何特征,并且精简点云分布均匀,避免了过精简造成数据空洞。2.针对高精度、高保真的点云数据在精简后点云数据重构网格精度降低误差增大的问题,提出了面向点云数据的复杂几何模型对象优化方法。该方法首先利用八叉树法构建点云的索引以及建立点云与格网的拓扑关系,并利用原始模型与精简后点云数据重建模型顶点欧式距离度量的方法计算重构网格的误差,然后根据预期精度去确定需要优化的网格,接着利用面片划分法(增点法)对网格进行细分,最后根据插入点公式对预插入点进行重新定位,以误差最小的点作为插入点。实验验证表明:利用本文方法对兔子和龙进行一次细分使得精简率90%兔子重构网格误差由0.81mm提升到0.48mm,精简率90%龙重构网格误差由0.36mm提升到0.11mm。(本文来源于《郑州大学》期刊2019-04-01）
庞正雅,周志峰,钱莉,叶珏磊[4]（2019）在《点云数据精简与配准研究》一文中研究指出由于激光雷达等扫描设备得到的点云存在数据量大、数据中掺杂噪声较多等一系列问题,提出一种基于特征点保持的点云精简与配准方法。首先利用K-means算法对所有点云数据聚类,滤除掉噪声点云,再进行精简化处理;随后在精简的基础上用KD-tree对数据进行最近邻搜索以加快对应点查找速度,从而为配准节省一定的时间;最后根据欧氏距离选择合适的初值减少匹配误差。实验结果表明,精简后的点云数据保持了基本特征,一定程度上减少了配准时间和误差。(本文来源于《软件导刊》期刊2019年06期）
曹爽,赵显富,马文[5]（2018）在《一种基于曲面变化的工业构件点云数据精简方法》一文中研究指出叁维激光扫描仪获得的工业构件点云数据精度高,但是包含大量的冗余点。在保证被测对象几何特征的前提下,对点云数据进行精简,可以提高计算速度,减少存储空间,突出建模特征。本文针对工业构件点云提出了基于曲面变化的点云精简算法,通过计算点的曲面变化将点云分成特征不同的3个区域,对不同点区域设定权值,利用点的曲面变化定义近似特征点阈值,将小于阈值的点按照属于不同的特征区域计算其精简比率,由精简比率定义距离阈值完成精简。利用本文方法对bunny点云、盒子点云、工业零件点云3组数据进行了精简处理,并从算法的精简简度、速度及精度3方面与基于曲率的精简方法进行了比较。结果表明,本文提出的基于曲面变化的工业构件点云精简方法在精简精度上可以达到与基于曲率精简方法相同的效果,且计算速度更快,更好地保持了几何特征;加入边界保护处理后,精简对边界影响也比较小,可以满足后续建模要求。(本文来源于《测绘通报》期刊2018年11期）
雷钟洋,魏胜清[6]（2018）在《国网湖北电力优化营商环境见实效》一文中研究指出本报讯 “第叁工厂专用变电站已经提前3个月送电，现在变电站第二路电源又送电成功，我们对2019年4月如期投产充满信心。”11月2日，东风本田武汉第叁工厂后勤部主任韩思炎对供电报装和线上办电的便捷高效称赞不已。国网湖北省电力有限公司应用“互联网+(本文来源于《国家电网报》期刊2018-11-06）
黄晓铭,杨剑,陈辉[7]（2018）在《叁维激光点云数据精简算法》一文中研究指出分析了多种叁维激光点云数据精简算法的工作原理,以及它们在缩减数据量以提高算法的处理速度方面的效果,综述了叁维激光点云数据精简算法的国内外研究现状.(本文来源于《吉首大学学报(自然科学版)》期刊2018年05期）
舒瑶,盛步云,萧筝,赵飞宇,张成雷[8]（2018）在《Web环境下手绘草图数据实时精简方法》一文中研究指出针对Web环境下手绘草图叁维建模过程采集到的草图数据量较大且存在较多冗余顶点,从而降低了叁维模型的生成速率和轻量化程度的问题,给出了一种Web环境下手绘草图数据实时精简方法。首先,设计出一种弦长限值法对原始草图数据进行实时重采样;然后利用基于滑动窗口控制的长度误差限值法对重采样后的数据进行实时精简,以提高数据处理效率。实例应用结果表明:在不同的手绘条件下,该方法可以使叁维模型的生成速率提高60%～90%,使模型的轻量化程度提高7%～30%。(本文来源于《数字制造科学》期刊2018年03期）
杨晨[9]（2018）在《我市率先试行船舶证书“多证合一”》一文中研究指出本报讯“船期紧、回港成本大，这次能迅速办齐了这么多许可证，真的省了不少心。”昨天，浙江兴——0080船船老大拿到了国内首本试行的“多证合一”新版《内河船舶证书信息簿》，这是市港航部门在全省内河先行试点，交出的“最多跑一次”改革答卷，给企业和船户带来极大的(本文来源于《湖州日报》期刊2018-07-18）
周欣[10]（2018）在《叁维激光扫描点云数据孔洞修复与精简算法研究》一文中研究指出叁维激光扫描技术已经得到了长足的发展,虽然其在硬件方面发展迅速,但是也不可避免的存在一些问题:在采集点云数据时,往往会因为仪器自身的设计特性,往往导致点云数据分布不均匀,并且在实际的扫描环境中,可能由于视线遮挡或工作人员操作不当,孔洞问题时常出现;海量点云数据给数据的显示、处理、存储带来较大困扰。针对当下孔洞修复算法或效率不高或效果不好的问题,本课题提出一种较为高效且修复效果较好的算法;目前已有的基于法线的精简算法虽然能对点云数据进行较大程度的精简,且能较好的保留点云的局部细节,但是该方法对数据点特征值的求解不够准确且精简效率也不足够高,基于此,本课题在此基础上对该方法特征值的求解过程进行了改进并提出一种自适应的空间划分方法。为了方便展示本课题算法处理的结果,本课题基于Qt、OpenGL、PCL构建了点云数据处理平台,并选用曲面特征较为复杂的多组实验数据进行了实验且达到了预期的效果。本课题的主要工作如下:(1)点云数据均匀化。针对叁维激光扫描仪采集数据不均匀的问题,在已有均匀精简算法的基础上,论文先采用一种基于邻域分析的去噪算法对数据进行去噪,再根据均匀精简法算法的流程先求解数据的最小外包盒,最后通过设置步长来进行体素划分,对每一个体素仅保留其重心。(2)提出了一种基于移动最小二乘的点云孔洞修补算法。本课题采用对数据点的邻近域进行分析的方法来对边界点进行提取;对于边界点中的噪声点采用前文提及的去噪算法进行去噪,针对目前已有的根据边界点走向的方法来区分孔洞内外边界效率不高的问题,本研究采用欧式聚类来区分孔洞的内外边界;为了使孔洞填充区域待插入的数据点密度与点云数据的密度保持一致,本课题基于移动最小二乘原理通过自适应的设置步长来对孔洞区域进行填充。(3)提出了一种改进的基于点云法线的精简算法。针对现有的基于法向的精简算法估算特征值不够准确的问题,本课题首先对数据点的法向进行估计;再分别求解该点的法向量与其邻近域内各点的法向量的点积(即两向量间夹角的余弦值)。为了考虑数据点局部邻近域内的法线朝向的复杂程度,继续对以上的值作相关计算,并把最终的解算结果作为该数据点的特征值,根据该特征值把数据点按照由低到高的秩序划分到对应的区间内,为了最大程度的提升算法的处理效率,本课题提出一种自适应的空间划分方法,即曲面特征不同的点云数据其对应的空间划分块数也不同。并且针对该算法整体精简比例的不灵活性,本课题通过设计相关的精简策略能对点云数据进行任意百分比的精简。(4)点云数据处理平台构建。本课题基于Qt、OpenGL、PCL构建了点云数据处理平台以期对实验结果进行合理的展示。并且基于此平台,本课题做了大量实验且多次的实验结果表明本课题算法具备较强的可行性与鲁棒性。原始点云数据经过均匀化处理后确实对局部冗余的数据点进行了较好的过滤,点云数据量在一定程度上得到降低;经过孔洞修复处理后的点云数据几乎能与被测物体保持一致,且其处理效率更高;本课题精简方法能精简掉大部分特征不够明显的数据点,但是对点云数据的特征保留效果较好;点云处理平台在实际的算例实现过程中表现也较为稳定。(本文来源于《北京建筑大学》期刊2018-06-01）
数据精简论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着激光扫描技术、计算机技术的快速发展,叁维激光扫描仪可在短时间内获取大量高精度的叁维点云模型,然而这些高精度的点云模型中包含了大量冗余数据,极大影响叁维曲面建模以及特征判断。特征点是最基本的曲面几何形状的特征基元,同时也是精简后数据在模型重构中的关键数据点,特征提取的优劣直接影响后续模型的形状表达和匹配的准确性。本文以点云模型为研究对象,重点研究了散乱点云数据基于法矢的特征提取方法,并将特征保留应用于数据精简,旨在提高精简后模型重建的质量。主要研究内容和结论如下:(1)叁维点云数据的邻域主要包括k邻域、Voronoi邻域和BSP邻域,k邻域计算需依据点云模型、点云密度以及均匀度来判断,因此本文在数据处理时选用更为可靠的k邻域。为了便于邻域构建,首先需要建立点云数据拓扑关系,论文分析了叁种常见建立点云数据拓扑关系的方法,并研究了效率较高的八叉树法在构建k邻域时的具体步骤。(2)传统的基于局部曲面拟合法在法矢解算时,对邻域大小有较强的敏感性,并且法矢估算不准确,导致在用法矢信息提取特征点时存在误判。针对此问题,论文研究了一种基于移动最小二乘拟合局部曲面的法矢估算法。该方法首先在构建k邻域的基础上,用移动最小二乘拟合局部曲面;然后基于拟合的局部曲面估算点云法矢,并统一法矢方向;最后将采样点与k邻域法矢夹角余弦平均值作为特征权值,通过特征权值与设定阈值大小的对比,提取出点云数据中的特征点。通过实验表明,在模型合适的邻域选取范围之内,本文方法在法矢解算时受邻域点影响较小,与传统方法相比,精度更高,鲁棒性更强。(3)现有的精简方法在处理曲面变化较大的点云模型时,不易保存原有数据特征,导致重构后的模型与原始模型偏差较大。针对此问题,本文通过分析研究几种常用方法,提出了一种特征保留的数据精简法。该方法先确定原始数据中的特征点,并作为核心点保存不变;然后用包围盒重心压缩算法在非特征区建立包围盒,精简相应比例的数据;最后输出提取的特征点与包围盒重心压缩法精简后的非特征点集。通过实验表明,经过本方法精简后的点云数据在实现精简的同时保留了原始特征点,对比不同精简方法重构模型以及模型标准偏差,表明本文方法在数据精简时,相比传统方法具有一定的优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
数据精简论文参考文献
[1].段志鑫.叁维激光扫描数据精简、表面重构方法及应用研究[D].中国矿业大学.2019
[2].吴光荣.保存特征的点云数据精简方法研究[D].江西理工大学.2019
[3].曹垚.叁维激光点云数据精简算法及叁角网格模型优化研究[D].郑州大学.2019
[4].庞正雅,周志峰,钱莉,叶珏磊.点云数据精简与配准研究[J].软件导刊.2019
[5].曹爽,赵显富,马文.一种基于曲面变化的工业构件点云数据精简方法[J].测绘通报.2018
[6].雷钟洋,魏胜清.国网湖北电力优化营商环境见实效[N].国家电网报.2018
[7].黄晓铭,杨剑,陈辉.叁维激光点云数据精简算法[J].吉首大学学报(自然科学版).2018
[8].舒瑶,盛步云,萧筝,赵飞宇,张成雷.Web环境下手绘草图数据实时精简方法[J].数字制造科学.2018
[9].杨晨.我市率先试行船舶证书“多证合一”[N].湖州日报.2018
[10].周欣.叁维激光扫描点云数据孔洞修复与精简算法研究[D].北京建筑大学.2018
论文知识图
