树木模型构建方法装置电子设备和存储介质

本发明涉及计算机,尤其涉及一种树木模型构建方法、装置、电子设备和存储介质。

背景技术:

1、随着科技的发展,树木模型的建立对树木分析研究和城市绿化布局等多种领域具有重要意义。

2、现有技术中主要通过如下两种方式构建树木模型:1)树木的二维图像结合分水岭算法等方式,提取树木的二维轮廓,再将树木的二维轮廓与椭圆形等规则几何形态进行拟合,最后结合树木的冠层高度数据建立树木模型。2)通过树木的三维图像获取树木的株高和冠幅等数据,再拟合椭圆形等规则几何形态构建树木模型。

3、但上述现有技术均是基于物理特征数据拟合规则几何形态建立树木模型,建立的树木模型精确性较低,与真实树木差异较大。

技术实现思路

1、本发明提供一种树木模型构建方法、装置、电子设备和存储介质,用以解决现有技术中建立的树木模型精确性较低,与真实树木差异较大的缺陷,本发明技术方案构建的树木外轮廓模型精确性较高,与真实树木的外轮廓较为相似。

2、本发明提供一种树木模型构建方法,包括如下步骤。

3、基于树木群落所在区域对应的区域点云数据确定所述树木群落中各树木分别对应的树木点云数据;

4、针对各所述树木,基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点;

5、基于所述树木对应的目标外轮廓点构建所述树木对应的树木外轮廓模型。

6、根据本发明提供的一种树木模型构建方法,所述基于树木群落所在区域对应的区域点云数据确定所述树木群落中各树木分别对应的树木点云数据,包括:

7、对所述树木群落所在区域对应的区域点云数据进行滤波处理,确定所述树木群落对应的树木群落点云数据;

8、基于所述树木群落点云数据确定所述树木群落中各树木分别对应的树木点云数据。

9、根据本发明提供的一种树木模型构建方法,所述对所述树木群落所在区域对应的区域点云数据进行滤波处理,确定所述树木群落对应的树木群落点云数据,包括:

10、采用布料模拟滤波算法,将所述区域点云数据进行分离,确定分离后所述树木群落对应的树木群落点云数据。

11、根据本发明提供的一种树木模型构建方法,所述基于所述树木群落点云数据确定所述树木群落中各树木分别对应的树木点云数据,包括:

12、n1、通过基于密度的聚类算法对所述树木群落点云数据进行分离处理,得到至少两个分离结果;

13、n2、针对所有分离结果中包括所述树木群落中至少两个树木各自对应的分离点云数据的目标分离结果,将所述目标分离结果作为新的树木群落点云数据,重复执行步骤n1至步骤n2,直至各分离结果与各所述树木一一对应,针对各所述树木,将所述树木对应的分离结果中的分离点云数据确定为所述树木对应的树木点云数据。

14、根据本发明提供的一种树木模型构建方法,所述基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点,包括:

15、将所述树木对应的树木点云数据投影至预设平面,确定所述树木对应的平面轮廓点;

16、将所述平面轮廓点在所述树木点云数据中对应的点确定为所述树木对应的目标外轮廓点。

17、根据本发明提供的一种树木模型构建方法,所述基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点,还包括:

18、s1、将所述树木对应的树木点云数据投影至预设平面,确定所述树木对应的平面轮廓点;

19、s2、将所述预设平面旋转预设角度,确定旋转后的预设平面;

20、s3、将所述树木对应的树木点云数据投影至所述旋转后的预设平面,确定所述树木对应的旋转平面轮廓点,重复执行步骤s2和步骤s3,直至重复执行的次数满足预设重复次数,基于所有的旋转平面轮廓点、所述树木对应的树木点云数据和所述平面轮廓点确定所述树木对应的目标外轮廓点。

21、根据本发明提供的一种树木模型构建方法,所述基于所述树木对应的目标外轮廓点构建所述树木对应的树木外轮廓模型,包括:

22、对所述目标外轮廓点进行密度均匀化处理,确定均匀化后的目标外轮廓点;

23、通过alpha-shape算法,基于所述均匀化后的目标外轮廓点确定所述树木对应的树木外轮廓模型。

24、本发明还提供一种树木模型构建装置,包括如下模块:

25、第一确定模块,用于基于树木群落所在区域对应的区域点云数据确定所述树木群落中各树木分别对应的树木点云数据;

26、第二确定模块,用于针对各所述树木,基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点;

27、模型构建模块,用于基于所述树木对应的目标外轮廓点构建所述树木对应的树木外轮廓模型。

28、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述树木模型构建方法。

29、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述树木模型构建方法。

30、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述树木模型构建方法。

31、本发明提供的树木模型构建方法、装置、电子设备和存储介质,基于树木群落所在区域对应的区域点云数据确定树木群落中各树木分别对应的树木点云数据,进而针对各树木,基于树木对应的树木点云数据确定树木对应的目标外轮廓点,进一步基于树木对应的目标外轮廓点构建树木对应的树木外轮廓模型。本发明技术方案通过树木对应的点云数据确定树木的外轮廓点,该外轮廓点能够较好地体现该树木的真实外轮廓,进而根据树木的外轮廓点确定该树木对应的树木外轮廓模型,使得该树木外轮廓模型精确性较高,与真实树木的外轮廓较为相似。

1.一种树木模型构建方法,其特征在于,包括:

2.根据权利要求1所述的树木模型构建方法,其特征在于,所述基于树木群落所在区域对应的区域点云数据确定所述树木群落中各树木分别对应的树木点云数据,包括:

3.根据权利要求2所述的树木模型构建方法,其特征在于,所述对所述树木群落所在区域对应的区域点云数据进行滤波处理,确定所述树木群落对应的树木群落点云数据,包括:采用布料模拟滤波算法,将所述区域点云数据进行分离,确定分离后所述树木群落对应的树木群落点云数据。

4.根据权利要求2所述的树木模型构建方法,其特征在于,所述基于所述树木群落点云数据确定所述树木群落中各树木分别对应的树木点云数据,包括:

5.根据权利要求1至4任一项所述的树木模型构建方法,其特征在于,所述基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点,包括:

6.根据权利要求1至4任一项所述的树木模型构建方法,其特征在于,所述基于所述树木对应的树木点云数据确定所述树木对应的目标外轮廓点,还包括:

7.根据权利要求1至4任一项所述的树木模型构建方法,其特征在于,所述基于所述树木对应的目标外轮廓点构建所述树木对应的树木外轮廓模型,包括:

8.一种树木模型构建装置,其特征在于,包括:

9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述树木模型构建方法。

10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述树木模型构建方法。

THE END
1.树木3d模型max3dmax3d模型免费下载说明: 3dsMax工具内截图云检查是爱给网根据自动化脚本命令打开模型文件后自动截图生成,主要用于辅助判断预览图和实际模型的一致性。 提示: 由于云检查并不是人工进行的,此项检查存在诸多因素(如视角、背景默认设置不佳等)导致约有6%的模型还不能很好的展示,因此截图并不能完全代表模型的实际效果,仅供参考用,后续爱...https://www.aigei.com/item/shu_mu_3d_mo_xi.html
2.树形模型入门指南:从零开始的简易教程动态规划在树上的应用(树形DP):在优化问题中,通过分解问题,利用子问题的解来构建原问题的解。 高级树结构: B树:用于数据库索引和文件系统,具有更高的搜索效率和插入/删除性能。 红黑树:平衡二叉查找树,确保操作复杂度为O(log n)。 机器学习中的树模型: ...https://www.imooc.com/article/347026
1.大树景观树模型树木模型库3dsMax(.max)模型下载CG模型网(cgmodel.com)聚集了全球数百万三维艺术设计师,提供优质三维模型(大树,景观树,园林树,团状树,参天大树,苗条树,真实大树)模型素材下载,属于(树木)模型,下载3ds Max(.max)模型格式(大树,景观树,园林树,团状树,参天大树,苗条树,真实大树)模型,有版权的模型https://www.cgmodel.com/model/791298.html
2.树模型总结树模型有哪些树模型总结 文章目录 1. 决策树 1.0 问题汇总 1.1 原理 1.2 ID3、C4.5、CART 1.2.1 ID3 1.2.2 C4.5 1.2.3 CART 1.3 信息增益 vs 信息增益比 1.4 Gini指数 vs 熵 1.5 剪枝 1.6 总结 2. 随机森林(Random Forest) 2.1 集成学习方法 2.2 Bagging...https://blog.csdn.net/herosunly/article/details/103105859
3.树木智能建模(精选三篇)递归算法是分形几何中的经典算法, 在计算机程序中也普遍使用, 在研究图形方面时, 常用来构造分形模型。本文采用递归算法特定的形式生成分形树, 其基本原理是:先规定基本的生成元, 然后将这个基本的生成元在计算机上按照生成规则在每一个层次上不断重绘, 直至达到预设定的递归结束条件。规定不同的生成元可以生成不同...https://www.360wenmi.com/f/cnkey7w0iga3.html
4.树模型daiwk基础树模型 ID3 C4.5 CART CART,又名分类回归树,是在ID3的基础上进行优化的决策树,学习CART记住以下几个关键点: CART既能是分类树,又能是分类树; 节点分裂的依据: 分类树时,采用GINI值; 回归树时,采用样本的最小方差; CART是一棵二叉树 详见https://www.cnblogs.com/canyangfeixue/p/7802835.html ...https://daiwk.github.io/posts/ml-tree-models.html
5.大树3d模型大树模型图片素材免费下载3D溜溜网3d模型库,汇集多类型大树模型图片素材,帮设计师根据不同场景,寻找免费下载的三维立体,3dmax和C4D模型素材,找大树3d模型图片素材就来3D溜溜网。https://www.3d66.com/relation/relation_2071002_4.html
6.机器学习手把手教你学习决策树模型训练 以上面的训练数据集为例,其中食肉、产奶、有鳍、有毒分别为四个特征属性,类别则为标签列。目的是通过这些信息训练一个决策树模型,用于对给定的数据集进行分类。该样本数据集记作T,该数据集包含鱼类(C1),爬行动物(C2),哺乳动物(C3)三个类别,有食肉(P)、产奶(M)、有鳍(F)、有毒(V)四个特征属性...https://blog.itpub.net/70027824/viewspace-2960615/
7.BoostedTrees介绍·XGBoost中文文档·看云这是derivation(派生)的神奇部分。在对树模型进行重新格式化之后,我们可以用第 棵树来编写目标值如 : 其中 是分配给第 个叶子的数据点的索引的集合。 请注意,在第二行中,我们更改了总和的索引,因为同一叶上的所有数据点都得到了相同的分数。 我们可以通过定义 ...https://www.kancloud.cn/apachecn/xgboost-doc-zh/1945720
8.自动驾驶中的决策规划算法概述2. 决策树模型 决策/行为树模型[7]和状态机模型类似,也是通过当前驾驶状态的属性值反应式地选择不同的驾驶动作,但不同的是该类模型将驾驶状态和控制逻辑固化到了树形结构中,通过自顶向下的“轮询”机制进行驾驶策略搜索。这类决策模型具备可视化的控制逻辑,并且控制节点可复用,但需要针对每个驾驶场景离线定义决策网路...https://maimai.cn/article/detail?fid=1632742005&efid=-v_3-yQZIF8tka6AIpwz5A
9.12款树木绿色植物大树树干模型犀牛rhinoC4D3Dmax样图12款树木绿色植物大树树干模型犀牛rhinoC4D3Dmax样图 12款树木绿色植物大树干竹模型犀牛rhino/C4D/3Dmax/maya设计素材 风格: 12款 树木 绿色植物 大树 树干 模型 犀牛 rhino C4D 3DMAX 图文详情https://www.zhe2.com/note/617748222561