mini|Animiertes Punktwolkenmodell eines Torus Eine Punktwolke oder ein Punkthaufen () ist eine Menge von Punkten eines Vektorraums, die eine unorganisierte räumliche Struktur („Wolke“) aufweist.J. Otepka, S. Ghuffar, C. Waldhauser, R. Hochreiter, N. Pfeifer: Georeferenced Point Clouds: A Survey of Features and Point Cloud Management. In: ISPRS Int. J. Geo-Inf. 2, 2013, S. 1038–1065. doi:10.3390/ijgi2041038 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, Aufnahmezeitpunkt oder Messgenauigkeit, erfasst sein.
Erzeugung mini|Mobiler, terrestrischer Laserscanner zur Gewinnung von 3D-Punktwolken Die Erzeugung kann grundsätzlich über Scanning-Verfahren (z. B. terrestrisches oder flugzeuggestütztes Laserscanning) oder photogrammetrische VerfahrenF. Leberl, A. Irschara, T. Pock, P. Meixner, M. Gruber, S. Scholz, A. Wiechert: Point clouds: Lidar versus 3D vision. In: Photogramm. Eng. Remote Sens. 76, 2010, S. 1123–1134. 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.C. Teutsch: Model-based Analysis and Evaluation of Point Sets from Optical 3D Laser Scanners. (= Magdeburger Schriften zur Visualisierung. Band 1). Shaker Verlag, 2007, ISBN 978-3-8322-6775-9. Durch die mehrfache Erfassung eines räumlichen Ausschnitts zu unterschiedlichen Zeitpunkten lässt sich ein vierdimensionales (zeitvariantes) diskretes räumliches Modell einer Umgebung aufbauen.R. Richter, J. Döllner: Potentiale von massiven 3D Punktwolkendatenströmen. (Geoinformatik 2012 – „Mobilität und Umwelt“). Shaker Verlag, 2012, S. 215–222. Jeder Punkt der Wolke wird dabei zeitlich und räumlich (XYZ-Koordinaten) lokalisiert und kann in weiterer Folge auch georeferenziert werden.Jochem Andreas, Bernhard Höfle, Martin Rutzinger: Extraction of Vertical Walls from Mobile Laser Scanning Data for Solar Potential Assessment. In: Remote Sensing. 3, 4, Dezember 2011, S. 650–667.
Speicherung Aufgrund des enormen Datenvolumens 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.“R. Richter, J. Döllner: Integrierte Echtzeit-Visualisierung von massiven 3D-Punktwolken und georeferenzierten Texturdaten. In: Photogrammetrie Fernerkundung Geoinformation. (PFG), vol. 2011, no. 3, 2011, S. 145–154.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. In: The Visual Computer. 29, 1, 2013, S. 69–83. Bekannte Umsetzungen erfolgen in Form von Octrees.J. Elseberg, D. Borrmann, A. Nüchter: One billion points in the cloud – an octree for efficient processing of 3D laser scans. In: ISPRS Journal of Photogrammetry and Remote Sensing. Februar 2013. Derzeit wird versucht, die Datenspeicherung von 3D-Punktwolken zu standardisieren, um ein Datenmanagement zu ermöglichen, das mit anderen Disziplinen kompatibel ist. Neben der Kompatibilität sollen dadurch die großen Datenmengen leichter zu verwalten sein, und interaktive Forschungsansätze leichter ermöglicht bzw. dadurch gefördert werden.P. van Oosteroma, O. Martinez-Rubib, M. Ivanovab, M. Horhammerc, D. Geringerc, S. Ravadac, T. Tijssena, M. Kodded, R. Gonçalves: Massive point cloud data management: Design, implementation and execution of a point cloud benchmark. In: Computers & Graphics. 49, 2015, S. 92–125.
Visualisierung mini|3D-Punktwolke eines Stegosaurus Zur Visualisierung massiver Punktwolken sind Out-of-Core-Algorithmen erforderlich, die einen effizienten, auflösungsabhängigen Zugriff des 3D-Renderingsystems auf Punkte einer Punktwolke erlauben.M. Wimmer, C. Scheiblauer: Instant points: Fast rendering of unprocessed point clouds. In: Proceedings Symposium on Point-Based Graphics 2006. 2006, S. 129–136.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, 2010, S. 121–128. Insbesondere Point-based Rendering ermöglicht eine differenzierte grafische Darstellung von Punktwolken, z. B. in für Punkte unterschiedlicher Kategorie (z. B. Fassadenpunkte, Dachpunkte, Vegetationspunkte etc.).R. Richter, M. Behrens, J. Döllner: Object class segmentation of massive 3D point clouds of urban areas using point cloud topology. In: International Journal of Remote Sensing. vol. 34, no. 23, 2013, S. 8394–8410. Aus Punktwolken mit ausreichend hoher Punktdichte können über 3D-Renderingverfahren kontinuierliche Oberflächen abgeleitet werden, um so eine möglichst geschlossene Visualisierung von Oberflächenbereichen zu erzielen.R. Pintus, E. Gobbetti, M. Agus: Real-time Rendering of Massive Unstructured Raw Point Clouds using Screen-space Operators. In: The 12th International Symposium on Virtual Reality, Archaeology and Cultural Heritage. Oktober 2011, S. 105–112.
Es gibt viele Möglichkeiten um aus einer Punktwolke eine geschlossene 3D-Oberfläche zu erstellen. Einige Herangehensweisen, wie Delaunay-Triangulation, alpha shapes oder ball pivoting, bauen ein Netzwerk von Dreiecken über die Normalvektoren der einzelnen Punkte auf. Andere Herangehensweisen, wie z. B. der Marching-Cubes-Algorithmus, extrahieren ein Polygonnetz über Voxel-basierte Ansätze. Diese spielen vor allem für bildgebende Verfahren in der Medizin eine Rolle. Zu den aktuell bekanntesten open Source Visualisierungsprogrammen für 3D-Punktwolken zählen CloudCompare und MeshLab. Jedoch sind diese Anwendungen in gewissen Bereichen limitiert. Zwar können beide Programme Punktwolken darstellen und erleichtern so den Austausch und die Kommunikation über 3D-Daten, eine Bearbeitung der Punktwolke ist jedoch nur beschränkt möglich. Hinzu kommt, dass die zu verarbeitende Datenmenge für beide Programme limitiert ist.A. Palha, A. Murtiyoso, J.-C. Michelin, E. Alby, P. Grussenmeyer: Open Source First Person View 3D Point Cloud Visualizer for Large Data Sets. In: I. Ivan, A. Singleton, J. Horák, T. Inspektor (Hrsg.): The Rise of Big Spatial Data. Springer International, Cham 2017, S. 27–39.
Seit 2011 ist die freie Programmbibliothek der Point Cloud Library (PCL) verfügbar. Diese bietet zahlreiche Algorithmen zur Verarbeitung n-dimensionaler Punktwolken und dreidimensionaler Geometrien. Die darin enthaltenen Module ermöglichen z. B. die Filterung, Registrierung, Segmentierung, Oberflächenrekonstruktion oder Visualisierung. Die PCL hat für die 3D-Bildverarbeitung einen ähnlichen Status wie OpenCV für die 2D-Bildverarbeitung.
Verwendung Geomorphologie Für geomorphologischen Analysen werden vor allem digitale Höhenmodelle von 3D-Punktwolken abgeleitet. Dadurch werden eine Vielzahl von oberflächenbezogenen Analysen ermöglicht.M. Rutzinger, B. Höfle, M. Vetter, N. Pfeifer: Digital Terrain Models from Airborne Laser Scanning for the Automatic Extraction of Natural and Anthropogenic Linear Structures. In: Mike J. Smith, Paolo Paron, James S. Griffiths: Geomorphological Mapping: a professional handbook of techniques and applications. Elsevier, Oxford 2011, S. 475–488. Bodenerosionsprozesse wurden mittels terrestrischer Laserscanner untersucht.A. D. Meijer, J. L. Heitman, J. G. White, R. E. Austin: Measuring erosion in long-term tillage plots using ground-based lidar. In: Soil & Tillage Research. 126, 2016, S. 1–10. Um den Bodenabtrag zu quantifizieren, wurden 3D-Punktwolken zu unterschiedlichen Zeitpunkten gemessen und miteinander verglichen. Dadurch lassen sich Aussagen darüber treffen, von wo Sedimente abgetragen werden bzw. wie diese in weiterer Folge verlagert werden. Im Bereich der Glaziologie werden mittels Punktwolken die Bewegungen und Veränderungen von Gletschern dokumentiert und untersucht.N. Micheletti, M. Tonini, S. N. Lane: Geomorphological activity at a rock glacier front detected with a 3D density-based clustering algorithm. In: Geomorphology. 278, 2017, S. 287–297. Darüber hinaus beschäftigen sich eine Reihe von fluvialen Forschungsansätzen bzw. Anwendungen mit der Analyse von Punktwolken. So können Veränderungen von Flussläufen über größere Zeiträume beobachtet werden.S. Ghosh: Hydrological changes and their impact on fluvial environment of the lower damodar basin over a period of fifty years of damming The Mighty Damodar River in Eastern India. In: Procedia - Social and Behavioral Sciences. 19, 2011, S. 511–519.
Archäologie mini|Aus 3D-Punktwolken einer Laserscanbefliegung generiertes digitales Geländemodell Viele Entwicklungen von Anwendungen rund um 3D-Punktwolken stammen aus dem Bereich der Archäologie. Durch die Analyse von Oberflächenformen wird dabei auf vergangene Siedlungsstrukturen geschlossen. Dadurch können anthropogen genutzte Flächen erkannt werden und deren Anordnung und Organisation analysiert werden. Punktwolken ermöglichen es in diesem Zusammenhang, dass einerseits die Erdoberfläche visualisiert wird um so Archäologen die Möglichkeit zu bieten gezielt nach bestimmten Strukturen und deren Lage zu suchen, und andererseits bietet sich die Möglichkeit durch automatisierte Abläufe systematisch größere Flächen nach vorab definierten Mustern zu scannen.D. White, K. A. Corcoran: Geospatial Applications in Archaeology. In: International Encyclopedia of the Social & Behavioral Sciences. 2, 2015, S. 97–103. Eine weitere Einsatzmöglichkeit von 3D-Punktwolken in der Archäologie stellt die Modellierung von historischen Stätten dar.J. A. B. López, G. A. Jiménez, M. S. Romero, E. A. García, S. F. Martín, A. L. Medina, J. A. E. Guerrero: 3D modelling in archaeology: The application of Structure from Motion methods to the study of the megalithic necropolis of Panoria (Granada, Spain). In: Journal of Archaeological Science. 10, 2016, S. 495–506.
Agrar- und Forstwirtschaft mini|Punktwolkenmodell eines Waldes