【技术实现步骤摘要】
本专利技术属于异常区域识别，具体涉及一种规则三维语义点云的3d异常区域提取方法及装置。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着观测技术的进步，探空探地探海能力得以极大提升。自然界的水土气生山林田湖草等各类自然要素的获取手段越来越丰富，自然资源要素数据集爆发式增长，大部分的自然要素数据集以如图1所示的规则三维语义点云的形式进行存储。
3、虽然自然资源要素获取能力提升巨大，但是针对此类数据集一直缺乏有效的分析技术与方法，例如土壤盐分数据集中的盐跃层的快速探测识别、海洋温度数据集中的温跃层结构的提取、co2数据集中浓度变化差异区域识别等，极度缺乏能够实现用于自然资源要素时空分异的快速诊断与模式挖掘的三维语义点云的异常区域提取技术。
4、目前，已有点云的异常区域提取算法，如harris3d等大多针对的是非结构化的无语义点云数据集，依据依赖点集的稠密程度实现异常判别，可采用深度学习、点云处理或图像分析来提取结构中的异常区域。自然资源要素三维数据集有别于传统的点云数据，一方面是规则结构化的，例如自然要素大部分是1°*1°、0.5°*0.5°等的结构化点云，另一方面该类结构化点云带有极强的语义属性，例如语义代表土壤盐分、水分、co2浓度高低、海温温度值等，因此传统的点云异常区域提取算法并不能适用于自然资源要素的三维语义结构化点云数据集。
5、规则三维语义点云的3d异常区域提取方法也在不断改进，以提高异常检测的准确性和效率，未来的发展趋
6、据专利技术人了解，规则三维语义点云的3d异常区域提取算法具有非常重要的研究价值，目前我们对规则三维语义点云所建模的水土气生等自然资源要素分析缺乏有效的分析手段及方法，以海洋温度要素为例，海温的3d异常区域代表海洋温跃层，即海洋中温度随深度急剧变化的区域，通过本专利技术专利的研究成果可以有效探测海洋温跃层的三维空间结构，对于深入理解海洋环境和相应的物理过程具有重要意义，如赤道暖池温跃层海温的变化与低纬大气环流异常变化，东海近海温跃层对水声场的影响；温跃层环境对南太平洋地区长鳍金枪鱼渔场分布等。
7、在3d异常点提取技术方面，现有技术方案多面对不规则数据点集，基于点的几何位置关系进行异常点提取。面对规则结构数据点集时，其邻近点搜索方法效率较低。并且规则结构点集的位置关系单一，基于几何位置关系的提取方法无法提取到期望的异常点；在基于点属性探测异常点的方案中，现有方案基本局限于二维的图像灰度识别，在规则三维语义点云的3d异常区域提取探测存在技术空白。
技术实现思路
1、为解决上述问题，本专利技术提出了一种规则三维语义点云的3d异常区域提取方法及装置，将自然资源要素的格点数据集建模为规则三维语义点云模型，提取点语义属性数据异常的点云区域，构建异常点云候选集，对异常候选集进行聚类提取异常区域的边界，完成对3d异常区域的精确提取与识别，捕捉规则三维语义数据点集的3d异常区域的三维不规则形状和位置。
2、根据一些实施例，本专利技术的第一方案提供了一种规则三维语义点云的3d异常区域提取方法，采用如下技术方案：
3、一种规则三维语义点云的3d异常区域提取方法，包括：
4、获取自然资源要素的格点数据集；
5、将所获取的格点数据集转化为规则三维结构的语义点云数据集；
6、根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；
7、基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；
8、根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3d异常点集；
9、对所构建的3d异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3d异常区域的识别提取。
10、作为进一步的技术限定，采用临近点搜索法获取当前语义数据点的临近点集坐标，得到当前语义数据点的临近候选点集。
11、作为进一步的技术限定，计算当前语义数据点与各个临近点的强度值之差的平方和，对所得到的平方和取均值，即得到当前临近候选点集的异常度。
12、作为进一步的技术限定，根据当前临近候选点集以及当前临近候选点集的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有语义数据点的异常度，得到语义点云的3d异常度集。
13、进一步的，根据得到的当前语义点云数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的语义点云数据集，根据所筛选出来的所有异常点构建语义点云的3d异常点集。
14、进一步的，将所获取的异常点插入到语义点云的异常点集中，得到聚类异常区域的备选点集；采用基于密度的聚类算法dbscan进行备选点集的聚类，得到语义点云的异常区域，完成规则三维语义数据结构3d异常区域的识别提取；在聚类的过程中，通过设置若干个邻域距离阈值eps进行重合区域的提取；根据语义点云数据集的异常点提取结果设定最小样本数量阈值minpts进行噪点和小面积聚类区域的处理提取。
15、作为进一步的技术限定，所获取的规则三维结构的语义点云数据集为所有的点都在x,y,z轴上均等距分布的点云集合。
16、根据一些实施例，本专利技术的第二方案提供了一种规则三维语义点云的3d异常区域提取装置，采用如下技术方案：
17、一种规则三维语义点云的3d异常区域提取装置，包括：
18、获取模块，其被配置为获取自然资源要素的格点数据集,所获取的格点数据集转化为规则三维结构的语义点云数据集；
19、计算模块，其被配置为根据所获取的规则语义点云数据集，构建当前语义数据点的临近候选点集；基于所得到的当前临近候选点集，计算当前临近候选点集的异常度；
20、构建模块，其被配置为根据所得到的当前临近候选点集的异常度，筛选所获取的语义点云数据集，构建语义点云的3d异常点集；
21、提取模块，其被配置为对所构建的3d异常点集进行聚类，得到语义点云的异常区域边界，完成规则三维语义数据结构的3d异常区域的识别提取。
22、根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
23、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方案所述的规则三维语义点云的3d异常区域提取方法中的步骤。
24、根据一些实施例，本专利技术的第四方案提供了一种电子设备，采用如下本文档来自技高网...
【技术保护点】
1.一种规则三维语义点云的3D异常区域提取方法，其特征在于，包括：
2.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，采用临近点搜索法获取当前语义数据点的临近点集坐标，得到当前语义数据点的临近候选点集。
3.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，计算当前语义数据点与各个临近点的强度值之差的平方和，对所得到的平方和取均值，即得到当前临近候选点集的异常度。
4.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，根据当前临近候选点集以及当前临近候选点集的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有语义数据点的异常度，得到语义点云的3D异常度集。
5.如权利要求4中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，根据得到的当前语义点云数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的语义点云数据集，根据所筛选出来的所有异常点构建语义点云的
6.如权利要求5中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，将所获取的异常点插入到语义点云的异常点集中，得到聚类异常区域的备选点集；采用基于密度的聚类算法进行备选点集的聚类，得到语义点云的异常区域，完成规则三维语义数据结构3D异常区域的识别提取；在聚类的过程中，通过设置若干个邻域距离阈值进行重合区域的提取；根据语义点云数据集的异常点提取结果设定最小样本数量阈值进行噪点和小面积聚类区域的处理提取。
7.如权利要求1中所述的一种规则三维语义点云的3D异常区域提取方法，其特征在于，所获取的规则三维结构的语义点云数据集为所有的点都在x,y,z轴上均等距分布的点云集合。
8.一种规则三维语义点云的3D异常区域提取装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的一种规则三维语义点云的3D异常区域提取方法的步骤。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的一种规则三维语义点云的3D异常区域提取方法的步骤。
...【技术特征摘要】
1.一种规则三维语义点云的3d异常区域提取方法，其特征在于，包括：
2.如权利要求1中所述的一种规则三维语义点云的3d异常区域提取方法，其特征在于，采用临近点搜索法获取当前语义数据点的临近点集坐标，得到当前语义数据点的临近候选点集。
3.如权利要求1中所述的一种规则三维语义点云的3d异常区域提取方法，其特征在于，计算当前语义数据点与各个临近点的强度值之差的平方和，对所得到的平方和取均值，即得到当前临近候选点集的异常度。
4.如权利要求1中所述的一种规则三维语义点云的3d异常区域提取方法，其特征在于，根据当前临近候选点集以及当前临近候选点集的异常度，得到所获取的规则三维结构的数据集点云中所有数据点坐标以及所有语义数据点的异常度，得到语义点云的3d异常度集。
5.如权利要求4中所述的一种规则三维语义点云的3d异常区域提取方法，其特征在于，根据得到的当前语义点云数据点的异常度设置异常度阈值，根据所述异常度阈值和异常度集，异常度集中的异常度大于异常度阈值的数据点即为异常点，筛选所获取的语义点云数据集，根据所筛选出来的所有异常点构建语义点云的3d异常点集。
6.如权利要求5中所述的一种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。