关于四叉树应用于点云数据的分割应用相对较少,网上有少量的四叉树应用于图像分割的文章,我自己写了一个基础的四叉树分割点云,欢迎大家讨论指正
{ D k − 1 ′ = { X ∣ X ⊆ D k − 1 , s u m ( X ) > max l i m i t } D k = s p l i t ( D k − 1 ′ ) \left\{\begin{matrix} D'_{k-1}=\{X|X\subseteq D_{k-1},sum(X)>\max_{limit}\} \\ D_k=split(D'_{k-1}) \end{matrix}\right. {
Dk−1′={
X∣X⊆Dk−1,sum(X)>maxlimit}Dk=split(Dk−1′)
对整片光子区域建立划分为矩形片区,对于矩形片区中当矩形内光子的数量大于 max l i m i t \max_{limit} maxlimit时继续划分为小矩阵,否则停止。
def dgs(k, x, h, maxl, l):
# 构建四叉树
ks = {
}
k2 = np.array([[k[0], k[0] + (k[1] - k[0]) / 2, k[2], k[2] + (k[3] - k[2]) / 2],
[k[0] + (k[1] - k[0]) / 2, k[1], k[2], k[2] + (k[3] - k[2]) / 2],
[k[0], k[0] + (k[1] - k[0]) / 2, k[2] + (k[3] - k[2]) / 2, k[3]],
[k[0] + (k[1] - k[0]) / 2, k[1], k[2] + (k[3] - k[2]) / 2, k[3]]])
for i in range(4):
# print(i)
ns = tj(k2[i], x, h)
# print(k2[i])
if ns > maxl:
ks[str(i)] = dgs(k2[i], x, h, maxl, l)
else:
k2s = k2[i]
cens = np.around(np.log2(l / (k2s[1] - k2s[0] + 0.1)))
# print(cens)
k2s = np.append(k2s, [ns, int(cens)], axis=0)
ks[str(i)] = k2s
# print(ns)
return ks
利用每一级的光子数量构建频率直方图,求类间方差,获取阈值。
def otsu(jz):
#otsu算法求阈值
jz = np.array(jz)
t = jz[:, 5]
s = jz[:, 4]
ns = np.array(hfh(t, s))
t = list(ns[:, 0])
s = ns[:, 1]
p = s / np.sum(s)
w1 = []
w2 = []
miu1 = []
miu2 = []
miu = []
I = list(range(len(t)))
sig2 = []
for i in range(len(t)):
w1.append(sum(p[:i]))
w2.append(sum(p[i:]))
miu1.append(sum(I[:i]) * sum(p[:i]) / (w1[i] + 0.01))
miu2.append(sum(I[i:]) * sum(p[i:]) / (w2[i] + 0.01))
miu.append(w1[i] * miu1[i] + w2[i] * miu2[i])
sig2.append(w1[i] * (miu2[i] - miu[i]) + w2[i] * (miu2[i] - miu[i]))
return t[sig2.index(max(sig2))]
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
def tj(k, x, h):
#统计方块内的光子数量
return np.sum((x >= k[0]) & (x <= k[1]) & (h >= k[2]) & (h <= k[3]))
def area(k):
#求面积
return (k[1] - k[0]) * (k[3] - k[2])
def dgs(k, x, h, maxl, l):
# 构建四叉树
ks = {
}
k2 = np.array([[k[0], k[0] + (k[1] - k[0]) / 2, k[2], k[2] + (k[3] - k[2]) / 2],
[k[0] + (k[1] - k[0]) / 2, k[1], k[2], k[2] + (k[3] - k[2]) / 2],
[k[0], k[0] + (k[1] - k[0]) / 2, k[2] + (k[3] - k[2]) / 2, k[3]],
[k[0] + (k[1] - k[0]) / 2, k[1], k[2] + (k[3] - k[2]) / 2, k[3]]])
for i in range(4):
# print(i)
ns = tj(k2[i], x, h)
# print(k2[i])
if ns > maxl:
ks[str(i)] = dgs(k2[i], x, h, maxl, l)
else:
k2s = k2[i]
cens = np.around(np.log2(l / (k2s[1] - k2s[0] + 0.1)))
# print(cens)
k2s = np.append(k2s, [ns, int(cens)], axis=0)
ks[str(i)] = k2s
# print(ns)
return ks
def zhuanghua(x, h, k):
#判断方块内是否含有光子
return (x >= k[0]) & (x <= k[1]) & (h >= k[2]) & (h <= k[3])
def qz(x, h, jz, thr):
#去噪函数,jz为转化矩阵,thr为阈值
label = np.zeros(len(x))
for i in jz:
if i[5] >= thr:
label[zhuanghua(x, h, i)] = 1
return label
def zh(ks, kf):
#字典转化为,矩阵
for i in ks:
if isinstance(ks[i], dict):
zh(ks[i], kf)
else:
kf.append(list(ks[i]))
return kf
def hfh(t, s):
#统计各级的光子数量
ns = dict()
for i in range(len(t)):
if t[i] in ns.keys():
ns[t[i]] += s[i]
else:
ns[t[i]] = s[i]
ns = sorted(ns.items(), key=lambda x: x[0])
return ns
def otsu(jz):
#otsu算法求阈值
jz = np.array(jz)
t = jz[:, 5]
s = jz[:, 4]
ns = np.array(hfh(t, s))
t = list(ns[:, 0])
s = ns[:, 1]
p = s / np.sum(s)
w1 = []
w2 = []
miu1 = []
miu2 = []
miu = []
I = list(range(len(t)))
sig2 = []
for i in range(len(t)):
w1.append(sum(p[:i]))
w2.append(sum(p[i:]))
miu1.append(sum(I[:i]) * sum(p[:i]) / (w1[i] + 0.01))
miu2.append(sum(I[i:]) * sum(p[i:]) / (w2[i] + 0.01))
miu.append(w1[i] * miu1[i] + w2[i] * miu2[i])
sig2.append(w1[i] * (miu2[i] - miu[i]) + w2[i] * (miu2[i] - miu[i]))
return t[sig2.index(max(sig2))]
f = 'ATL03_20200327094144_00130706_005_01_gt3r.csv'
data = pd.read_csv(f)
print(data.keys())
#预处理
x, h, lat = np.array(data['x']), np.array(data['h']), np.array(data['lat'])
r1 = np.argsort(x)
x, h, lat = x[r1], h[r1], lat[r1]
r_id = np.where((lat < 44.9) & (lat > 44.8))
print(r_id[-1])
x = x[r_id]
h = h[r_id]
lat = lat[r_id]
#去噪前点云
plt.figure()
plt.scatter(x,h,marker='.',c='black')
plt.xlabel('Along-track distance/m')
plt.ylabel('Heights/m')
plt.show()
xiankuang = np.array([np.min(x), np.max(x), np.min(h), np.max(h)])
s = np.sum((x >= xiankuang[0]) & (x <= xiankuang[1]) & (h >= xiankuang[2]) & (h <= xiankuang[3]))
# k=xiankuang
l = xiankuang[1] - xiankuang[0]
ks = dgs(xiankuang, x, h, 2, l)
# print(ks.values())
jz = zh(ks, [])
#jz2 = np.array(jz)
thr = otsu(jz)
lab = qz(x, h, jz, thr)
plt.figure()
plt.scatter(x[lab == 0], h[lab == 0], marker='.', c='black', label='noise')
plt.scatter(x[lab == 1], h[lab == 1], marker='.', c='red', label='signal')
plt.xlabel('Along-track distance/m')
plt.ylabel('Heights/m')
plt.legend()
plt.show()
# s1 = (x < 2) & (h < 1000)
# lab = np.zeros(len(x))
# lab = qz(x, h, ks, 0.1, lab)
还是对字典结构不熟悉,后续又将字典结构转化为矩阵做后续处理,欢迎大家批评指正。
[1]刘翔,张立华,戴泽源,陈秋,周寅飞.一种无输入参数的强噪声背景下ICESat-2点云去噪方法[J].光子学报,2022,51(11):354-364.
[2]Xie H, Sun Y, Xu Q, Li B, Guo Y, Liu X, Huang P, Tong X. Converting along-track photons into a point-region quadtree to assist with ICESat-2-based canopy cover and ground photon detection[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 112: 102872
文章浏览阅读2k次,点赞5次,收藏14次。1、写出微分方程函数2、求解function dy=rigid(t,y)dy=zeros(3,1);dy(1)=y(2)*y(3);dy(2)=-y(1)*y(3);dy(3)=-0.51*y(1)*y(2);end%将微分方程写成函数形式,待调用options=odeset('RelTol',1e-4,'AbsTol',[1e-4 1e-4 1e-5]);[T Y]=ode45(@rigid,[0 12],[0 1 1],options);plot(T,Y(:,1),'-',T,Y_ode函数离散
文章浏览阅读3.8w次,点赞41次,收藏180次。==操作符与equals方法的区别_java中==和equals的区别
文章浏览阅读170次。创建扩展对象实例from flask_login import LoginManagerlogin_manager = LoginManager()login_manager.login_view = 'auth.login'# 上面这一句是设置登录视图的名称,如果一个未登录用户请求一个只有登录用户才能访问的视图,# 则闪现一条错误消息,并重定向到这里设置的登录视图。# 如果未设置..._python flask please log in to access this page
文章浏览阅读428次。Vue中document.body.scrollTop的值总为零的解决办法最近在做vue的时候监听页面滚动发现document.body.scrollTop一直为0但是发现document.body.scrollTop一直是0。查资料发现是DTD的问题。页面指定了DTD,即指定了DOCTYPE时,使用document.documentElement。页面没有DTD,即没指定DOCTYPE时,使用d..._滚动给scrolltop赋值
文章浏览阅读2.1k次,点赞25次,收藏21次。人大金仓数据库管理系统KingbaseES(简称:金仓数据库或KingbaseES)是北京人大金仓信息技术股份有限公司自主研制开发的具有自主知识产权的通用关系型数据库管理系统。_kingbase
文章浏览阅读1.2w次,点赞20次,收藏156次。ctions 选项用来定义事件处理方法,用于处理 state 数据。actions 类似于 mutations,不同之处在于 actions 是异步执行的,事件处理函数可以接收 {commit} 对象,完成 mutation 提交,从而方便 devtools 调试工具跟踪状态的 state 变化。..............._vue笔试题
文章浏览阅读2k次。大批量数据的导出,当数据量达到一定的量会导致内存被撑爆,出现 oom异常,基于问题实大批量数据分批的方式进行查询和导出代码实现package com.ly.service;import com.ly.helper.BatchWriteFileUtils;import com.ly.helper.BeanUtils;import com.ly.vo.rs..._bufferedwriter避免oom
文章浏览阅读5次。什么是HLS协议:HLS(HttpLiveStreaming)是由Apple公司定义的用于实时流传输的协议,HLS基于HTTP协议实现,传输内容包括两部分,一是M3U8描述文件,二是TS媒体文件。HLS协议应用:由于传输层协议只需要标准的HTTP协议, HLS可以方便的透过防火墙或者代理服务器,而且可以很方便的利用CDN进行分发加速,这样就可以很方便的解决大规模应用的瓶颈。并...
文章浏览阅读273次。通过显式游标和隐式游标,我们可以方便地在数据库程序中处理查询结果集,实现复杂的业务逻辑。_oracle查询游标结果集
文章浏览阅读5.6k次。电脑主机有哪些硬件设备导语:在台式电脑,我们能看到的最基本的硬件就是一个显示器和主机,然后还包括键盘、鼠标。这样一个基本的电脑就完全了。以下是小编精心整理的电脑硬件知识,希望对您有所帮助。主机上面又分为以下几种硬件:1、主板;主板在主机上是一个板块,它是将电脑上的其他硬件连接在一起,最后在电脑启动的时候,主板上的信息就会传输到电脑上显示出来。2、cpu,cpu处理器的话可能你也已经有所了解了。其实..._主机的硬件设备有哪些
文章浏览阅读3.7k次,点赞2次,收藏7次。本篇主要内容如下:8.1 触发器类型8.1.1 DML触发器8.1.2 替代触发器8.1.3 系统触发器8.2创建触发器8.2.1 触发器触发次序8.2.2 创建DML触发器8.2.3 创建替代(INSTEAD OF)触发器8.2.3 创建系统事件触发器8.2.4 系统触发器事件属性8.2.5 使用触发器谓词8.2.6 重新编译触发器8.3删除和使用触发器8.4触发器和数据字典8.5数据库触发器的应用举例8.6 触发器的查看8...._用oracle创建一个instead of触发器,当在course表中删除数据,不允许在course表
文章浏览阅读188次。本科毕业论文(设计)题 目 基于web的网上书店学生姓名专业名称 计算机科学与技术指导教师目录1、引言52、系统概述62.1概述62.2 开发平台73.需求分析73.1总体需求描述73.2系统总体功能图73.3系统需要实现的功能83.4业务流程图94.详细设计114.1数据库详细设计114.2建立数据库124.3页面详细设计:185用户手册225.1普通用户:225.2管理员:24参考文献3..._计算机科学与技术毕业设计网上书店