Puntenwolk slim gemodelleerd met 3D skelet
Geografische puntenwolken zijn goede hulpmiddelen voor het modelleren van onze gebouwde en natuurlijke omgeving, maar in de praktijk komt hier nog veel handwerk bij kijken. Ravi Peters promoveerde op zijn gebruik van een 3D skelet, waardoor puntenwolken opdeelbaar zijn in objecten en makkelijker automatisch te verwerken.
Puntenwolken zijn driedimensionaal, maar in de praktijk worden voor de verwerking veelal 2,5 dimensionale methodes gebruikt. Deze zijn gebaseerd op een zogenoemde ‘boundary representation’, waarbij alleen de omlijning van objecten gemodelleerd wordt. Als gevolg daarvan gaat informatie verloren en is het lastig om structuur aan te brengen in ruwe puntenwolken. Het maakt automatische objectherkenning moeilijk. “De methode die ik introduceer, toont het skelet van een object,” vertelt Peters. “Je ziet de scharnierpunten en kunt daardoor makkelijker begrijpen uit welke delen een object bestaat.” Dat komt van pas op de schaal van zowel gebouwen als op het niveau van hele regio's.
Peters verandert niets aan de wijze van het verzamelen van punten, dat gebeurt nog steeds met een 3D laserscanner. Nieuw is dat hij de verzamelde data structureert met behulp van de 3D Medial Axis Transform (MAT). Deze methode werd al gebruikt voor computer graphics, maar is niet eerder toegepast voor geografische puntenwolken. De MAT maakt gebruik van een algoritme dat het skelet van een vorm berekent door er driedimensionale bolvormen in te projecteren. Bovendien bevat deze methode attributen om de geometrische eigenschappen van een vorm op compacte wijze te omschrijven.
Voordeel van de ontwikkelde methode is dat de MAT een grote hoeveelheid 'ruis' uit de puntenwolk haalt. Het verzamelen van data voor geografische puntenwolken gebeurt veelal vanuit een vliegtuig. Onvermijdelijk ontstaan daarbij foutjes door voorbijdrijvende wolken of door kleine verspringingen in de GPS-positie. Door die eruit te halen gaat de hoeveelheid data fors naar beneden. De MAT kan het aantal punten ook uitdunnen zonder de details te verliezen. Dat kan de omgang met de enorme datasets aanzienlijk vereenvoudigen. Ter illustratie: een geografische puntenwolk van een gebied ter grootte van de regio Rijnmond bevat zo'n 12 miljard punten. “De simplificatie die met de nieuwe methode mogelijk is, brengt dat aantal met pakweg 90 procent terug. Zonder dat dit stoort in een visualisatie van de puntenwolk”, zegt Peters.
Belangrijke winst is verder dat de puntenwolk opdeelbaar wordt in objecten. In de bestaande praktijk is dat onmogelijk. Vooral bij gebruik van puntenwolken voor Geografische Informatie Systemen (GIS) is dat een last. Eén object herkennen in een zee van data is nu nog een kwestie van handwerk. In zijn proefschrift 'Geographical point cloud with the 3D medial axis transform' toont Peters aan dat de MAT het mogelijk maakt huizen, kantoren, dijken en watergangen er automatisch uit te pikken.
De MAT vereenvoudigt ook het gebruik van data uit puntenwolken voor toepassingen als 3D printers of VR brillen. Dankzij de nieuwe methode is namelijk de scheiding tussen het object en de lucht duidelijker zichtbaar. Het voorkomt dat een 3D printer in het luchtledige print.
Het Canadese softwarebedrijf Safe Software heeft de (open source) methode inmiddels in zijn FME-pakket opgenomen.