Punktwolke

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche

Mit dem Begriff Punktwolke oder Punkthaufen (engl. point cloud) wird eine Menge von Punkten eines Vektorraums bezeichnet, die eine unorganisierte räumliche Struktur ("Wolke") aufweist.[1] Eine Punktwolke ist durch die enthaltenen Punkte beschrieben, die jeweils durch ihre Raumkoordinaten erfasst sind. Punktwolken mit Georeferenzierung enthalten Punkte in einem erdbezogenen Koordinatensystem. Zu den Punkten können zusätzlich Attribute, wie z. B. geometrische Normalen, Farbwerte oder Messgenauigkeit, erfasst sein.

In diesem Artikel oder Abschnitt fehlen folgende wichtige Informationen: Mathematik: Grundlagen, Clusteranalyse

Du kannst Wikipedia helfen, indem du sie recherchierst und einfügst, aber kopiere bitte keine fremden Texte in diesen Artikel.

Erzeugung[Bearbeiten]

Die Erzeugung kann grundsätzlich über Scanning-Verfahren (z.B. terrestrisches oder flugzeuggestütztes Laserscanning) oder photogrammetrische Verfahren[2] erfolgen sowie allgemein mittels Abtastung von Objektoberflächen durch Systeme wie Koordinatenmessmaschinen oder tastende 3D-Scanner. Optische Scanner untergliedert man in Lasertechnologie, die nach dem Triangulationsprinzip arbeiten, und Normallicht-Scanner, die nach dem Streifenlichtverfahren („coded-light“) arbeiten. Einen zusammenfassenden Überblick über die Vielfalt und Leistungsfähigkeit aktueller optischer Scanning-Methoden und die Weiterverarbeitung der resultierenden 3D-Daten/Punktwolke gibt beispielsweise C. Teutsch.[3]

Durch die mehrfache Erfassung eines räumlichen Ausschnitts zu unterschiedlichen Zeitpunkten lässt sich ein vierdimensionales (zeitvariantes) diskretes räumliches Modell einer Umgebung aufbauen. [4]

Speicherung[Bearbeiten]

Aufgrund der Massivität stellen sich Herausforderungen an die Speicherung hinsichtlich des Speicherplatzes und des effizienten Zugriffs auf einzelne Bereiche einer Punktwolke. Zur Implementierung von Speicherverfahren kommen Multiresolutionsdatenstrukturen zum Einsatz: "Um die Daten effizient verarbeiten und in Echtzeit visualisieren zu können, werden in Software-Implementierungen Out-of-Core-Algorithmen und Level-of-Detail-Strukturen benötigt." [5] [6]

Visualisierung[Bearbeiten]

Zur Visualisierung massiver Punktwolken sind Out-of-Core-Algorithmen erforderlich, die einen effizienten, auflösungsabhängigen Zugriff des 3D-Renderingsystems auf Punkte einer Punktwolke erlauben. [7][8] Insbesondere "Point-based Rendering" ermöglicht eine differenzierte grafische Darstellung von Punktwolken, z.B. in für Punkte unterschiedlicher Kategorie (z.B. Fassadenpunkte, Dachpunkte, Vegetationspunkte, etc.).[9] Aus Punktwolken, die über eine hinreichende Dichte verfügen, können 3D-Renderingverfahren kontinuierliche Oberflächen, die zur Darstellung verwendet werden, ableiten, um so eine möglichst geschlossene Visualisierung von Oberflächenbereichen zu erzielen.[10]

Verwendung[Bearbeiten]

GIS[Bearbeiten]

Im Bereich der Geoinformationssysteme repräsentieren Punktwolken ein wesentliche Grundform von 3D-Geodaten. Sie werden z.B. als Ausgangsdaten zur automatischen Ableitung bzw. Rekonstruktion der Geometrie von 3D-Stadtmodellen und 3D-Landschaftsmodellen eingesetzt.

Punktwolken bilden die Grundlage für räumliche Analysen, z.B. in Hinblick auf bauliche Veränderungen. Ein Ansatz besteht darin, zu jedem Punkt einer Punktwolke die Distanz zu dem nächstliegende Punkt einer zweiten Punktwolke zu bestimmen.[11]

In diesem Artikel oder Abschnitt fehlen folgende wichtige Informationen: Geoinformatik: Grundlagen, 3D-Stadtmodelle

Du kannst Wikipedia helfen, indem du sie recherchierst und einfügst, aber kopiere bitte keine fremden Texte in diesen Artikel.

Computergrafik[Bearbeiten]

Eine Punktwolke wird verwendet:

  • zur Visualisierung, um gescannte Objekte und Flächen am Computer darzustellen;
  • zur Modellierung; dabei wird die ursprüngliche, (meist) geschlossene Oberfläche mittels Oberflächenrekonstruktion wiederhergestellt. Die dabei entstehenden Oberflächen bestehen meist aus Polygonen (siehe auch Meshing);
  • als Grundlage für geometrische Berechnungen, z. B. zum Vermessen von Menschen (Bodyscanning) oder Gegenständen;
  • zum Identifizieren von Menschen oder Gegenständen.

CAD[Bearbeiten]

Karosseriebau[Bearbeiten]

Im Bereich CAD werden Punktewolken gerne verwendet, um eingescannte Designobjekte in das CAD-System einzulesen. Bei anspruchsvollen Formen (z.B. Automobilkarosserie) wird nicht selten ein "Lehmmodell" ("Claymodell") erstellt. Mit Ziehmesser und anderen Handwerkzeugen werden die Formen aus einer Modelliermasse erstellt und danach eingescannt. Bei symmetrischen Bauteilen (z.B. Motorhaube) wird dabei nur eine Seite (z.B. nur die linke Seite) modelliert. Diese wird dann mit taktilen, messenden oder optischen Scannern eingescannt. Die dabei entstehende 3D-Geometrie besteht zuerst nur aus Punkten im Raum (Y, X, Z-Koordinaten). Diese Punktewolke wird entweder in einer spezielle Software zur "Flächenrückführung" eingelesen oder in einigen Fällen auch direkt in die CAD-Software eingelesen. Die oft übliche Umwandlung von Punkten zu einfachen Oberflächennetzen, wie sie bei Computerspielen meist ausreichend ist, genügt im Automobilbau nicht. Hier werden Bezier- und NURBS-Flächen durch die Punkte gelegt und dabei mit ausgefeilten Filtermethoden mögliche Messfehler ausgeglichen. Die so entstandenen hochwertigen Flächen haben dank der Nacharbeit einer erfahrenen CAD-Fachkraft exakte Flächengrenzen und exakt definierte Übergänge (tangential und meist auch kurvenstetig) zu den angrenzenden Flächen. Das aus dem "Lehmmodell" entstandene CAD-Modell kann nun relativ einfach im CAD gespiegelt werden. Es liegt nun ein exakt beschriebenes Modell einer Autokarosserie (oder Teile davon) vor. Aus diesem 3D-Modell kann nun ein weiteres "Lehmmodell" aus Modelliermasse im Maßstab 1:1 zur weiteren Begutachtung gefräst werden. Kleinere Designänderungen können nun wieder an das Modell vorgenommen werden, wieder eingescannt und wieder mit Flächenrückführung erneut in das nun neue,revisionierte CAD-Modell eingefügt werden. Diese Schritte können sich häufig wiederholen und erklären auch die hohen Kosten und den Zeitaufwand beim Entwickeln einer neuen Karosserie (oder der Innenausstattung). Es gibt Bestrebungen, diese Schritte zunehmend in speziellen Visualisierungsprogrammen abzubilden, aber man will auf das Lehmmodell noch nicht verzichten.

Datenformate[Bearbeiten]

Zum Import von Punktewolken in die CAD-Software werden vorwiegend folgende Dateiformate verwendet: IGES, STEP, DXF, IV, STL, STL-A(ASCII), STL-B(Binär), WRL, RCP und RCS.

Statistik[Bearbeiten]

In der Statistik und explorativen Datenanalyse werden Punktwolken zur grafischen Darstellung bivariater Zusammenhänge verwendet (vgl. Streudiagramm, Korrelation). Sie erlauben es, einen einfachen optischen Eindruck von Richtung und Enge des Zusammenhangs zu gewinnen und Ausreißer im Datensatz aufzuspüren.

Einzelnachweise[Bearbeiten]

  1. J. Otepka, S. Ghuffar, C. Waldhauser, R. Hochreiter, N. Pfeifer, "Georeferenced Point Clouds: A Survey of Features and Point Cloud Management", ISPRS Int. J. Geo-Inf. 2013, 2, 1038-1065; doi:10.3390/ijgi2041038
  2. F. Leberl, A. Irschara, T. Pock, P. Meixner, M. Gruber, S. Scholz, A. Wiechert: "Point clouds: Lidar versus 3D vision". Photogramm. Eng. Remote Sens. 2010, 76, 1123-1134.
  3. C. Teutsch, Model-based Analysis and Evaluation of Point Sets from Optical 3D Laser Scanners volume 1 of Magdeburger Schriften zur Visualisierung. Shaker Verlag, 2007. ISBN 978-3-8322-6775-9
  4. R. Richter, J. Döllner: "Potentiale von massiven 3D Punktwolkendatenströmen", Geoinformatik 2012 - „Mobilität und Umwelt“, Shaker Verlag, pp. 215-222, 2012
  5. R., Richter, J. Döllner: "Integrierte Echtzeit-Visualisierung von massiven 3D-Punktwolken und georeferenzierten Texturdaten", Photogrammetrie Fernerkundung Geoinformation (PFG), vol. 2011, no. 3, pp. 145-154, 2011
  6. <P. Goswami, F. Erol, R. Mukhi, R. Pajarola, E. Gobbetti: "An Efficient Multi-resolution Framework for High Quality Interactive Rendering of Massive Point Clouds using Multi-way kd-Trees". The Visual Computer, 29(1): 69-83, 2013.
  7. M. Wimmer, C. Scheiblauer: "Instant points: Fast rendering of unprocessed point clouds". In Proceedings Symposium on Point-Based Graphics 2006, page 129–136, 2006.
  8. R. Richter, J. Döllner: "Out-of-Core Real-Time Visualization of Massive 3D Point Clouds", 7th International Conference on Virtual Reality, Computer Graphics, Visualisation and Interaction in Africa, pp. 121 - 128, 2010.
  9. R. Richter, M. Behrens, J. Döllner: "Object class segmentation of massive 3D point clouds of urban areas using point cloud topology", International Journal of Remote Sensing, vol. 34, no. 23, pp. 8394-8410, 2013.
  10. R. Pintus, E. Gobbetti, M. Agus: "Real-time Rendering of Massive Unstructured Raw Point Clouds using Screen-space Operators". The 12th International Symposium on Virtual Reality, Archaeology and Cultural Heritage. Pages 105-112, October 2011.
  11. R. Richter, J. Kyprianidis, J. Döllner: "Out-of-Core GPU-based Change Detection in Massive 3D Point Clouds". Transactions in GIS, vol. 17, no. 5, pp. 724-741, 2013.