【技术实现步骤摘要】
本申请涉及建筑物点云压缩检测领域，且更为具体地，涉及一种基于深度学习的建筑物点云压缩方法及系统。
技术介绍
1、建筑物点云是通过激光扫描或摄影测量等技术获取的三维空间中建筑物的点集合。由于点云数据通常包含大量的点，处理和存储这些数据需要大量的计算资源和存储空间。因此，需要将建筑点云进行压缩来减少存储需求和传输成本，并提高点云数据的处理效率。此外，点云压缩还可以方便数据的传输和共享，使得点云数据更易于在网络上进行传输和处理。
2、然而，传统的点云压缩方案通常基于几何特征的编码和压缩，例如使用无损编码或基于网格的压缩方法。这些方法在保留点云几何信息的同时，往往无法实现较高的压缩率，且对于大规模的建筑点云数据，仍然需要较大的存储空间和传输带宽。此外，现有一些点云压缩方法往往会对点云数据进行抽样或简化，以减少数据量，这样的处理方式可能导致重要的细节和形状信息丢失，影响点云数据的重建质量和后续分析任务的准确性。
3、因此，期望一种优化的基于深度学习的建筑物点云压缩方案。
技术实现思路p>
1、为了解本文档来自技高网...
【技术保护点】
1.一种基于深度学习的建筑物点云压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的建筑物点云压缩方法，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。
3.根据权利要求2所述的基于深度学习的建筑物点云压缩方法，其特征在于，通过基于深度神经网络模型的局部几何特征提取器对所述待处理建筑物点云进行特征提取以得到建筑物点云局部特征图，包括：
4.根据权利要求3所述的基于深度学习的建筑物点云压缩方法，其特征在于，对所述建筑物点云局部特征图进行全局特征分析以得到建筑物点云全局特征图，包括：
5.根据权利要求...
【技术特征摘要】
1.一种基于深度学习的建筑物点云压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的建筑物点云压缩方法，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。
3.根据权利要求2所述的基于深度学习的建筑物点云压缩方法，其特征在于，通过基于深度神经网络模型的局部几何特征提取器对所述待处理建筑物点云进行特征提取以得到建筑物点云局部特征图，包括：
4.根据权利要求3所述的基于深度学习的建筑物点云压缩方法，其特征在于，对所述建筑物点云局部特征图进行全局特征分析以得到建筑物点云全局特征图，包括：
5.根据权利要求4所述的基于深度学习的建筑物点云压缩方法，其特征在于，融合所述建筑物点云局部特征图和所述建筑物点云全...
【专利技术属性】
技术研发人员：李竞克，柴伟杰，郑大钊，侯琳，彭建杰，王彦杰，李亚霏，李英豪，董方，李华，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
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。