轉載請規範聲明。@秋意正寒 https://www.cnblogs.com/onsummer/p/13252898.html
我的git位址:github.com/onsummer
目錄:https://www.cnblogs.com/onsummer/p/12799366.html
pnts,即
Points
,點雲的意思。
las、xyz資料等均可。
瓦片檔案二進制布局(檔案結構)
pnts不存在gltf模型,故結構如下:
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnLzYzM1UDN0czMx0SN5cTM1QTNxADNxcDMwIDMy0CN3AzN5ATMvw1NwAjMwIzLcRzNwcTOwEzLcd2bsJ2Lc12bj5ycn9Gbi52YuAjMwIzZtl2Lc9CX6MHc0RHaiojIsJye.png)
1. 檔案頭:28byte
與b3dm是一樣的。
屬性的官方名稱 | 位元組長 | 類型 | 含義 |
---|---|---|---|
| 4 | string(或char[4]) | 該瓦片檔案的類型,在pnts中是 |
| uint32 | 該瓦片的版本,目前限定是 1. | |
| 該瓦片檔案的檔案大小,機關:byte | ||
| 要素表的JSON文本(二進制形式)長度 | ||
| 要素表的二進制資料長度 | ||
| 批量表的JSON文本(二進制形式)長度 | ||
| 批量表的二進制資料長度 |
2. 要素表
在 b3dm 篇,有介紹到要素表存在 全局屬性 和 要素屬性。在 pnts 和上篇 i3dm 中,這對概念會解釋得很透徹。
① 要素表的全局屬性
屬性名 | 資料類型 | 描述 | 是否必須 |
---|---|---|---|
POINTS_LENGTH | 瓦片中點的數量。所有的點屬性的長度必須與這個一樣。 | 必須存在 | |
RTC_CENTER | float32 * 3 | 如果所有點是相對于某個點定位的,那麼這個屬性就是這個相對的點的坐标。 | 不必須 |
QUANTIZED_VOLUME_OFFSET | 量化偏移值 | 與QUANTIZED_VOLUME_SCALE屬性必須同時存在或同時不存在 | |
QUANTIZED_VOLUME_SCALE | 量化縮放比例 | 與QUANTIZED_VOLUME_OFFSET屬性必須同時存在或同時不存在 | |
CONSTANT_RGBA | uint8 * 4 | 為所有點定義同一個顔色 | |
BATCH_LENGTH | BATCH_ID的個數 | 與點屬性中的BATCH_ID必須同時存在或者同時不存在 |
第一第二個能與 b3dm 中的
BATCH_LENGTH
和
RTC_CENTER
類比來了解,就不解釋了。
第3、4個與 i3dm 是一緻的。
第5個即每個點的預設顔色,預設是灰色。
最後一個很有意思,和 b3dm 裡的“重合”了,它的意義是:點雲瓦片中這麼多點是可以劃分的,每一類叫做 BATCH。
例如對一棟建築進行點雲掃射,那麼牆體的所有的點可以歸屬為 牆體BATCH,窗戶的所有點可以歸屬為 窗戶BATCH。
BATCH_LENGTH
訓示了目前pnts瓦片的點被劃分成了多少個類别。
a. pnts瓦片中顔色的優先級
RGBA
>
RGB
RGB565
CONSTANT_RGBA
。其中,
CONSTANT_RGBA
是全局的,前三個是點要素屬性裡的。
當然,還可以使用 3dTiles 的 style 來改變樣式。
b. 量化空間範圍體
這個詞兒是我自己意譯的。
通常點雲資料隻留其“形”,而具體每個點的坐标可以不那麼精确。因為存儲高精度的點坐标,是十分消耗空間的。預設每個點使用逐要素屬性
POSITION
來記錄每個點的坐标,坐标值類型是
FLOAT
,即 4位元組,假如使用量化坐标,每個坐标值使用
UInt16
類型,即 2位元組,那麼坐标資訊就能壓縮一倍!
具體什麼是 量化空間範圍體,我認為在上一篇 i3dm 中已經解釋得很清楚了:
隻不過,在點雲瓦片中,
POSITION
代表的不再是 instance 的坐标,而是點坐标。
看到這,是否能了解“要素表的全局屬性是對于整個瓦片檔案而言”這句話了呢?
② 要素表的(逐)要素屬性
其實,我覺得在點雲中叫 點屬性 更好。
POSITION | 直角坐标的點 | 是,除非POSITION_QUANTIZED屬性存在 | |
POSITION_QUANTIZED | uint16 * 3 | 量化空間範圍體内的直角坐标點 | 是,除非POSITION屬性存在 |
RGBA | 四通道顔色 | ||
RGB | uint8 * 3 | RGB顔色 | |
RGB565 | uint16 | 有損壓縮顔色,紅5綠6藍5,即65536種顔色 | |
NORMAL | float32 *3 | 法線 | |
NORMAL_OCT16P | uint8 * 2 | 點的法線,10進制機關向量,有16bit精度 | |
BATCH_ID | uint8/uint16(預設)/uint32 | 從BatchTable種檢索中繼資料的id | 不必須,取決于全局屬性BATCH_LENGTH |
其中,第一和第二個與 i3dm 中的定義一緻。
第三~第五個是顔色資訊,在第①小節中的a部分講了。
第六、七與 i3dm 中的類似。
第八個與 i3dm 中的定義完全一緻。
③ 要素表的JSON
上述所有屬性全部會記錄在要素表的 JSON 中,對于 全局屬性,其值記錄在 JSON 中。
對于其要素屬性,因為點雲中的點數量會非常巨大,寫在JSON中體積會變大,是以使用 JSON引用要素表二進制資料體 的形式。
下列是一個要素表的JSON:
{
POINTS_LENGTH : 4, // 意味着有4個點
POSITION : {
byteOffset : 0 // 意味着從ftBinary的第0個byte開始讀取
}
}
這個要素表的釋義與 i3dm 中的示例一樣,隻不過從
INSTANCES_LENGTH
變成了
POINTS_LENGTH
。
④ 要素表體
要素表JSON中引用的二進制資料均順次記錄在此,一般為要素屬性(點屬性)。
3. 批量表
批量表與b3dm的差不多,如果在 pnts 的要素表和批量表中存儲了
BATCH_LENGTH
資訊,那每個 BATCH 的屬性就存于此。
但是與 b3dm、i3dm 略有不同的是,如果要素表JSON中沒有
BATCH_ID
的定義,但是批量表中卻存在與點的數量
POINTS_LENGTH
一樣長的屬性數組,那麼說明該點雲瓦片的每一個點都有屬性。
結構參考 b3dm 篇章。
4. 要素表與批量表舉例說明
此部分參考官方文檔。
① 隻有點坐标
const featureTableJSON = {
POINTS_LENGTH : 4, // 意味着有4個點
POSITION : {
byteOffset : 0 // 意味着從ftBinary的第0個byte開始讀取
}
}
const featureTableBinary = new Buffer(new Float32Array([
0.0, 0.0, 0.0,
1.0, 0.0, 0.0,
0.0, 0.0, 1.0,
1.0, 0.0, 1.0
]).buffer)
這個例子隻記錄了4個點。
② 相對坐标與顔色資訊
const featureTableJSON = {
POINTS_LENGTH : 4, // 意味着有4個點
RTC_CENTER : [1215013.8, -4736316.7, 4081608.4], // 意味着相對于這個點
POSITION : {
byteOffset : 0 // 意味着從ftBinary的第0個byte開始讀取
},
RGB : {
byteOffset : 48 // 顔色值意味着從ftBinary的第48個byte讀取,緊接在POSITION後
}
}
const positionBinary = new Buffer(new Float32Array([
0.0, 0.0, 0.0,
1.0, 0.0, 0.0,
0.0, 0.0, 1.0,
1.0, 0.0, 1.0
]).buffer) // 一共12*4byte = 48byte
const colorBinary = new Buffer(new Uint8Array([
255, 0, 0,
0, 255, 0,
0, 0, 255,
255, 255, 0,
]).buffer) // 一共12*1byte = 12byte
// ftBinary一共48+12=60byte
const featureTableBinary = Buffer.concat([positionBinary, colorBinary])
這個例子有4個點,是相對于中心定位的點。顔色依次為:紅綠藍黃。
③ 量化坐标與八進制編碼法向量
const featureTableJSON = {
POINTS_LENGTH : 4, // 意味着有4個點
QUANTIZED_VOLUME_OFFSET : [-250.0, 0.0, -250.0], // 意味着偏移基坐标是 (-250, 0, -250)
QUANTIZED_VOLUME_SCALE : [500.0, 0.0, 500.0], // 意味着x和z方向的縮放比是500
POSITION_QUANTIZED : {
byteOffset : 0 // 意味着量化坐标的資料存在ftBinary的第0個位元組往後
},
NORMAL_OCT16P : {
byteOffset : 24 // 意味着量化坐标頂點法線的資料存在ftBinary的第24個位元組往後
}
}
const positionQuantizedBinary = new Buffer(new Uint16Array([
0, 0, 0,
65535, 0, 0,
0, 0, 65535,
65535, 0, 65535
]).buffer) // 一共12*2byte=24byte,Uint16=16bit=2byte
const normalOct16PBinary = new Buffer(new Uint8Array([
128, 255,
128, 255,
128, 255,
128, 255
]).buffer) // 一共8*1=8byte,Uint8=8bit=1byte
const featureTableBinary = Buffer.concat([positionQuantizedBinary, normalOct16PBinary])
這個例子中,有4個點,每個點的法向量都是八進制編碼的\([0.0, 1.0, 0.0]\),它們将被放置在x和z方向上.
④ 點資料分類(BATCH)
const featureTableJSON = {
POINTS_LENGTH : 4, // 意味着有4個點
BATCH_LENGTH : 2, // 意味着4個點分成了2類(批、batch)
POSITION : {
byteOffset : 0 // 意味着POSITION将存儲在ftBinary的第 0 byte之後
},
BATCH_ID : {
byteOffset : 48, // 意味着BATCH_ID的值将從ftBinary的第 48 byte之後
componentType : "UNSIGNED_BYTE" // 意味着BATCH_ID的值類型是無符号位元組數
}
}
const positionBinary = new Buffer(new Float32Array([
0.0, 0.0, 0.0,
1.0, 0.0, 0.0,
0.0, 0.0, 1.0,
1.0, 0.0, 1.0
]).buffer) // 4個點,一共12個值,每個值4byte(Float每個數字占4byte,即32bit),一共48byte
const batchIdBinary = new Buffer(new Uint8Array([
0,
0,
1,
1
]).buffer) // 前2個的類型是0(batchId),後2個點的類型是1
const featureTableBinary = Buffer.concat([positionBinary, batchIdBinary]); // 合并
const batchTableJSON = {
names : ['object1', 'object2']
} // 批量表JSON記錄了屬性值,有兩個,剛好對上 BATCH_LENGTH
這個例子中,前2個點的
batchId
是0,後2個點的
batchId
是1。
⑤ 每個點都有屬性
const featureTableJSON = {
POINTS_LENGTH : 4, // 意味着有4個點
POSITION : {
byteOffset : 0 // 意味着從ftBinary的第0byte開始
}
}
const featureTableBinary = new Buffer(new Float32Array([
0.0, 0.0, 0.0,
1.0, 0.0, 0.0,
0.0, 0.0, 1.0,
1.0, 0.0, 1.0
]).buffer)
const batchTableJSON = {
names : ['point1', 'point2', 'point3', 'point4'] // 意味着這4個點都有names屬性,其值寫在這裡
}
如果在 要素表中沒有
BATCH_ID
屬性的定義,并且批量表中存有屬性資料,那麼這些屬性的個數必定與點的個數相同,即每個點都有屬性。
5. 位元組對齊與編碼端序
與b3dm裡寫的一緻,可以回看:https://www.cnblogs.com/onsummer/p/13252896.html
6. 擴充(extensions)和額外資訊(extras)
同樣,這部分内容與b3dm篇章内介紹的一緻,會在後續文章内介紹。