Wikipedia

Chmura punktów

Chmura punktów – zbiór dyskretny punktów stanowiących dane w przestrzeni. Punkty mogą reprezentować bryłę lub obiekt trójwymiarowy (3D). Każde położenie punktu ma swój zestaw współrzędnych kartezjańskich (X, Y, Z)[1]. Chmury punktów są zwykle tworzone przez skanery 3D lub oprogramowanie do fotogrametrii, które mierzą wiele punktów na zewnętrznych powierzchniach otaczających je obiektów. Jako wynik procesów skanowania 3D, chmury punktów są wykorzystywane do wielu celów, w tym do tworzenia trójwymiarowych modeli projektowania wspomaganego komputerowo (CAD) dla produkowanych części, w metrologii i do kontroli jakości oraz do wielorakich wizualizacji, animacji, renderowania i aplikacje do masowej personalizacji.

Chmura punktów przedstawiająca torus.
Chmura punktów z odniesieniami geograficznymi Parku Red Rocks w Kolorado
Przykład chmury punktów o wielkości danych1,2 miliarda obrazująca Beit Ghazaleh, zagrożone zabytkowe miejsce w Aleppo w Syrii.
Generowanie lub rekonstrukcja trójwymiarowych form i kształtów (3D) z jedno- lub wielowidokowych map głębi lub sylwetek i wizualizacja ich w gęstych chmurach punktów[2].

Uzgadnianie i importowanie (rejestracja)

edytuj

Chmury punktów są często uzgadniane z modelami 3D lub innymi chmurami punktów, i importowane do nich w procesie określanym jako importowanie (rejestracja) zbioru punktów.

W przypadku metrologii przemysłowej lub inspekcji z wykorzystaniem przemysłowej tomografii komputerowej chmura punktów wyprodukowanej części może zostać dopasowana do istniejącego modelu i porównana w celu sprawdzenia różnic. Wymiary geometryczne i tolerancje można również pobrać bezpośrednio z chmury punktów.

Zamiana na powierzchnie trójwymiarowe (3D)

edytuj

Podczas gdy chmury punktów można bezpośrednio oglądać (renderować) i sprawdzać[3][4], chmury punktów są często zamieniane na modele siatek wielokątnych lub siatki trójkątów, niejednorodne racjonalne modele powierzchni ( powierzchnie krzywe NURBS kontrolowane przez krzywe B-spline) lub modele CAD w procesie powszechnie określanym jako rekonstrukcja powierzchni.

Istnieje wiele technik przekształcania chmury punktów w powierzchnię 3D[5]. Niektóre podejścia, takie jak triangulacja Delaunaya (Delone), formy alfa i obracanie kuli, budują sieć trójkątów na istniejących wierzchołkach chmury punktów, podczas gdy inne podejścia przekształcają chmurę punktów w objętościowe pole odległości (transformacja odległości) i rekonstruują domniemaną powierzchnię tak zdefiniowaną przez algorytm maszerujących sześcianów[6].

W systemach informacji geograficznej chmury punktów są jednym ze źródeł wykorzystywanych do tworzenia numerycznego modelu terenu[7][8]. Są również wykorzystywane do generowania modeli 3D środowisk miejskich[9]. Drony są często używane do zbierania serii obrazów RGB, które można później przetwarzać na platformie algorytmu komputerowego, takiej jak AgiSoft Photoscan, Pix4D lub DroneDeploy, w celu tworzenia chmur punktów RGB, na podstawie których można dokonać szacunków odległości i objętości.

Chmury punktów mogą być również używane do reprezentowania danych wolumetrycznych, jak to czasami ma miejsce w obrazowaniu medycznym. Korzystając z chmur punktów, można uzyskać wielokrotne próbkowanie przeciwdziałając schodkowaniu i kompresję danych[10].

Kompresja chmury punktów MPEG

edytuj

MPEG rozpoczął standaryzację kompresji chmury punktów (Point Cloud Compression - PCC) za pomocą zaproszenia do składania wniosków (CfP) w 2017 r.[11][12][13] Zidentyfikowano trzy kategorie chmur punktów: kategoria 1 dla chmur punktów statycznych, kategoria 2 dla dynamicznych chmur punktów oraz kategoria 3 dla sekwencji LiDAR (dynamicznie pozyskiwanych chmur punktów). Ostatecznie zdefiniowano dwie technologie: G-PCC (Kompresja chmury punktów bazowana na geometrii - ang. Geometry-based PCC, ISO/IEC 23090 część 9)[14] dla kategorii 1 i kategorii 3; i V-PCC (Kompresja chmury punktów bazowana na wideo - ang. Video-based PCC, ISO/IEC 23090 część 5)[15] dla kategorii 2. Pierwsze modele testowe zostały opracowane w październiku 2017 r., jeden dla G-PCC (TMC13), a drugi dla V-PCC ( TMC2). Od tego czasu oba modele testowe ewoluowały dzięki wkładowi technicznemu i współpracy, a pierwsza wersja specyfikacji standardu PCC (Point Cloud Compression ) miała zostać sfinalizowana w 2020 r. jako część serii ISO/IEC 23090 dotyczącej zakodowanej reprezentacji immersyjnych treści multimedialnych[16].

Zobacz też

edytuj

Przypisy

edytuj
  1. ↑ What is a Point Cloud? [online], Holocreators, 12 czerwca 2020 [dostęp 2023-08-17] (ang.).
  2. ↑ Amir Arsalan Soltani, Synthesizing 3D Shapes via Modeling Multi-View Depth Maps and Silhouettes with Deep Generative Networks [online], 26 czerwca 2023 [dostęp 2023-08-17].
  3. ↑ The Use of Points as a Display Primitive [online], graphics.stanford.edu [dostęp 2023-08-17].
  4. ↑ Szymon Rusinkiewicz, Marc Levoy, QSplat: a multiresolution point rendering system for large meshes, „Proceedings of the 27th annual conference on Computer graphics and interactive techniques”, SIGGRAPH '00, USA: ACM Press/Addison-Wesley Publishing Co., 2000, s. 343–352, DOI: 10.1145/344779.344940, ISBN 978-1-58113-208-3 [dostęp 2023-08-16].
  5. ↑ Berger i inni, A Survey of Surface Reconstruction from Point Clouds. [online], Computer Graphics Forum., 2016 (ang.).
  6. ↑ Aloopingicon, MeshLab Stuff: Meshing Point Clouds [online], MeshLab Stuff, 7 września 2009 [dostęp 2023-08-17].
  7. ↑ GISGeography, What is a Point Cloud? [online], GIS Geography, 9 grudnia 2021 [dostęp 2023-08-17] (ang.).
  8. ↑ Pankaj K. Agarwal, Lars Arge, Andrew Danner, From Point Cloud to Grid DEM: A Scalable Approach [online], Department of Computer Science, Duke University, Durham, NC 27708, USA Department of Computer Science, University of Aarhus, Aarhus, Denmark (ang.).
  9. ↑ Karim Hammoudi i inni, EXTRACTING WIRE-FRAME MODELS OF STREET FACADES FROM 3D POINT CLOUDS AND THE CORRESPONDING CADASTRAL MAP [online], Universite Paris-Est, Laboratoire MATIS, Institut G ´ eographique National, France, University of the Basque Country, Spain, IKERBASQUE, Basque Foundation for Science, Spain (ang.).
  10. ↑ A. Sitek, R.H. Huesman, G.T. Gullberg, Tomographic reconstruction using an adaptive tetrahedral mesh defined by a point cloud, The Institute of Electrical and Electronics Engineers, 1 września 2006, DOI: 10.1109/tmi.2006.879319 [dostęp 2023-08-17] (ang.).
  11. ↑ MPEG Point Cloud Compression – The public information on MPEG Point Cloud Compression [online] [dostęp 2023-08-17] (ang.).
  12. ↑ Sebastian Schwarz i inni, Emerging MPEG Standards for Point Cloud Compression, „IEEE Journal on Emerging and Selected Topics in Circuits and Systems”, 9 (1), 2019, s. 133–148, DOI: 10.1109/JETCAS.2018.2885981, ISSN 2156-3365 [dostęp 2023-08-17].
  13. ↑ D. Graziosi i inni, An overview of ongoing point cloud compression standardization activities: video-based (V-PCC) and geometry-based (G-PCC), „APSIPA Transactions on Signal and Information Processing”, 9 (1), 2020, DOI: 10.1017/ATSIP.2020.12, ISSN 2048-7703 [dostęp 2023-08-17] (ang.).
  14. ↑ 14:00-17:00, ISO/IEC 23090-9:2023 [online], ISO [dostęp 2023-08-17] (ang.).
  15. ↑ 14:00-17:00, ISO/IEC 23090-5:2021 [online], ISO [dostęp 2023-08-17] (ang.).
  16. ↑ Immersive Media Architectures | MPEG [online], mpeg.chiariglione.org [dostęp 2023-08-17].
Źródło: „https://pl.wiki.x.io/w/index.php?title=Chmura_punktów&oldid=73475053”