激光点云数据以其详尽、高精度的三维信息，在森林参数估算、精确重建植物形态结构三维模型方面具有特
殊优势。为进一步提高三维模型精度，综合集成多种算法，在改进现有PC2Tree 软件基础上，基于点云数据进行树
木三维重建。首先根据树木局部点云的主方向相似度和局部点云轴向分布密度分离枝干与树叶; 其次采取水平集
和最小二乘法提取枝干部分的骨架点，通过下采样方法提取冠层部分的特征点; 最后根据骨架点和特征点拓扑结
构重构树木三维模型。以樟树为例，分析枝叶分割精度，自动分割与手动分割结果相近; 以无叶的鸡蛋花树为例，
分析重建模型精度，模型主枝长度相对误差范围集中在0 ～ 8. 0%，半径相对误差范围集中在0 ～ 10%; 枝条重建过
程避免了噪声点的干扰，对噪声点具有一定的不敏感性; 重建三维模型与原始点云吻合度高，基本解决了冠层内部
枝干遮挡严重带来的三维建模困难的问题; 依据模型提取树高、冠幅、胸径、体积等参数
2021-04-01 01:57:37
2.74MB
1
目的 3维树木几何结构和拓扑结构的复杂性,不仅使得真实感3维树木模型的构建过程十分复杂,而且构建的模型文件包含大量的几何数据。针对3维树木模型的构建过程复杂和模型数据量大的问题,提出一种支持骨架个性化编辑的轻量化3维树木模型构建方法。方法该方法在提取树木模型骨架结构的基础上,通过交互方式对3维树木模型的骨架进行个性化编辑以生成3维树木模型的全新骨架结构,并采用枝干和树冠模型的简化方法实现轻量化3维树木模型的构建。结果该方法不仅能快速创建轻量化的3维树木模型,减少3维树木可视化时的模型绘制时间;而且能通过骨架个性化编辑来设计树木的拓扑结构,有助于增加同一品种树木外部表现形态的多样性。结论通过应用表明,本文轻量化3维树木模型构建方法不仅可以构建具有不同表现形态的3维树木模型,而且简化后的3维树木模型可以在无线网络、移动终端等资源有限情况下进行3维树木可视化。
2021-03-10 14:09:29
3.12MB
1
GitHub Classroom创建的2019-big-data-project-sparkles
使用Spark机器学习进行图像分类
2019大数据项目火花
Yoo Na Cha，Nupur Neti，Michael Schweizer
执行摘要
通过这个项目，我们能够：
接触到将图像数据集读取到分布式文件系统中的机会
了解如何配置Spark集群以添加任何必要的库
练习使用Spark处理非常大的非结构化数据集
熟悉使用mllib和sparkdl在Spark中进行机器学习
导航
代码文件
介绍
在以前的项目中，我们遇到了以下问题：计算机内存没有足够的能力来执行模型，或者执行该模型的时间过长。 对于需要较大数据集和昂贵计算的图像分类项目，此问题尤其常见。
关于这一点，我们选择image classification作为该最终项目的主题，以探索如何应用在本课程中学习到的知识来克服此类限制。
2021-02-20 16:07:05
5.47MB
1