stringtranslate.com

Nube de puntos

Una imagen de nube de puntos de un toro
Nube de puntos georreferenciada de Red Rocks, Colorado (por DroneMapper)

Una nube de puntos es un conjunto discreto de puntos de datos en el espacio . Los puntos pueden representar una forma o un objeto 3D. Cada posición de punto tiene su conjunto de coordenadas cartesianas (X, Y, Z). [1] [2] Los puntos pueden contener datos distintos a la posición, como colores RGB , [2] normales , [3] marcas de tiempo [4] y otros. Las nubes de puntos se producen generalmente mediante escáneres 3D o mediante software de fotogrametría , que miden muchos puntos en las superficies externas de los objetos que los rodean. Como resultado de los procesos de escaneo 3D, las nubes de puntos se utilizan para muchos propósitos, entre ellos, para crear modelos de diseño asistido por computadora (CAD) o sistemas de información geográfica (GIS) 3D para piezas fabricadas, para metrología e inspección de calidad, y para una multitud de aplicaciones de visualización, animación, renderización y personalización masiva .

Alineación y registro

Al escanear una escena en el mundo real utilizando LiDar , las nubes de puntos capturadas contienen fragmentos de la escena, que requieren alineación para generar un mapa completo del entorno escaneado.

Las nubes de puntos a menudo se alinean con modelos 3D o con otras nubes de puntos, un proceso denominado registro de conjuntos de puntos .

El algoritmo de punto más cercano iterativo (ICP) se puede utilizar para alinear dos nubes de puntos que se superponen entre sí y están separadas por una transformación rígida . [5] Las nubes de puntos con transformaciones elásticas también se pueden alinear utilizando una variante no rígida del ICP (NICP). [6] Con los avances en el aprendizaje automático en los últimos años, el registro de nubes de puntos también se puede realizar utilizando redes neuronales de extremo a extremo . [7]

Para la metrología industrial o la inspección mediante tomografía computarizada industrial , la nube de puntos de una pieza fabricada se puede alinear con un modelo existente y comparar para comprobar si existen diferencias. Las dimensiones geométricas y las tolerancias también se pueden extraer directamente de la nube de puntos.

Conversión a superficies 3D

Un ejemplo de una representación de una nube de puntos de datos de 1.200 millones de Beit Ghazaleh , un sitio patrimonial en peligro en Alepo (Siria) [8]
Generar o reconstruir formas 3D a partir de mapas de profundidad o siluetas de una o varias vistas y visualizarlas en densas nubes de puntos [9]

Si bien las nubes de puntos se pueden renderizar e inspeccionar directamente, [10] [11] las nubes de puntos a menudo se convierten en modelos de malla poligonal o malla triangular , modelos de superficie B-spline racional no uniforme (NURBS) o modelos CAD a través de un proceso comúnmente conocido como reconstrucción de superficie.

Existen muchas técnicas para convertir una nube de puntos en una superficie 3D. [12] Algunos enfoques, como la triangulación de Delaunay , las formas alfa y el pivoteo de bolas, construyen una red de triángulos sobre los vértices existentes de la nube de puntos, mientras que otros enfoques convierten la nube de puntos en un campo de distancia volumétrica y reconstruyen la superficie implícita así definida a través de un algoritmo de cubos en marcha . [13]

En los sistemas de información geográfica , las nubes de puntos son una de las fuentes utilizadas para realizar modelos digitales de elevación del terreno. [14] También se utilizan para generar modelos 3D de entornos urbanos. [15] Los drones se utilizan a menudo para recopilar una serie de imágenes RGB que luego se pueden procesar en una plataforma de algoritmos de visión por computadora como AgiSoft Photoscan, Pix4D, DroneDeploy o Hammer Missions para crear nubes de puntos RGB a partir de las cuales se pueden realizar estimaciones de distancias y volumen. [ cita requerida ]

Las nubes de puntos también se pueden utilizar para representar datos volumétricos, como se hace a veces en el campo de las imágenes médicas . Mediante el uso de nubes de puntos, se puede lograr un muestreo múltiple y una compresión de datos . [16]

Compresión de nube de puntos MPEG

MPEG comenzó a estandarizar la compresión de nubes de puntos (PCC) con una convocatoria de propuestas (CfP) en 2017. [17] [18] [19] Se identificaron tres categorías de nubes de puntos: categoría 1 para nubes de puntos estáticas, categoría 2 para nubes de puntos dinámicas y categoría 3 para secuencias LiDAR (nubes de puntos adquiridas dinámicamente). Finalmente, se definieron dos tecnologías: G-PCC (PCC basada en geometría, ISO/IEC 23090 parte 9) [20] para la categoría 1 y la categoría 3; y V-PCC (PCC basada en vídeo, ISO/IEC 23090 parte 5) [21] para la categoría 2. Los primeros modelos de prueba se desarrollaron en octubre de 2017, uno para G-PCC (TMC13) y otro para V-PCC (TMC2). Desde entonces, los dos modelos de prueba han evolucionado a través de contribuciones técnicas y colaboración, y se esperaba que la primera versión de las especificaciones estándar del PCC se finalizara en 2020 como parte de la serie ISO/IEC 23090 sobre la representación codificada de contenido multimedia inmersivo. [22]

Véase también

Referencias

  1. ^ "¿Qué son las nubes de puntos?" Tech27 .
  2. ^ ab "¿Qué es una nube de puntos? - GIGABYTE Global". GIGABYTE . Consultado el 26 de junio de 2024 .
  3. ^ Simsangcheol (21 de febrero de 2023). "Estimación de normales en la nube de puntos". Medium . Consultado el 26 de junio de 2024 .
  4. ^ "Plataforma de servicios de datos del Defra". environment.data.gov.uk . Consultado el 26 de junio de 2024 .
  5. ^ "ICP continuo (CICP)". www.cs.cmu.edu . Consultado el 26 de junio de 2024 .
  6. ^ Li, Hao; Sumner, Robert W.; Pauly, Mark (julio de 2008). "Optimización de correspondencia global para registro no rígido de escaneos de profundidad". Computer Graphics Forum . 27 (5): 1421–1430. doi :10.1111/j.1467-8659.2008.01282.x. ISSN  0167-7055.
  7. ^ Lu, Weixin; Wan, Guowei; Zhou, Yao; Fu, Xiangyu; Yuan, Pengfei; Canción, Shiyu (2019). "DeepVCP: una red neuronal profunda de un extremo a otro para el registro de nubes de puntos": 12–21. {{cite journal}}: Requiere citar revista |journal=( ayuda )
  8. ^ Imagen de un estudio con escáner láser 3D de muy alta precisión (1.200 millones de puntos de datos) de Beit Ghazaleh, un sitio patrimonial en peligro en Alepo, Siria. Se trató de un trabajo científico colaborativo para el estudio, la protección y la consolidación de emergencia de los restos de la estructura., 2 de noviembre de 2017 , consultado el 11 de junio de 2018
  9. ^ "Soltani, AA, Huang, H., Wu, J., Kulkarni, TD y Tenenbaum, JB. Síntesis de formas 3D mediante el modelado de siluetas y mapas de profundidad de múltiples vistas con redes generativas profundas. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones (págs. 1511-1519)". GitHub . 27 de enero de 2022.
  10. ^ Levoy, M. y Whitted, T., "El uso de puntos como un primitivo de visualización".Informe técnico 85-022, Departamento de Ciencias Informáticas, Universidad de Carolina del Norte en Chapel Hill, enero de 1985
  11. ^ Rusinkiewicz, S. y Levoy, M. 2000. QSplat: un sistema de renderizado de puntos de resolución múltiple para mallas grandes. En Siggraph 2000. ACM, Nueva York, NY, 343–352. DOI= http://doi.acm.org/10.1145/344779.344940
  12. ^ Berger, M., Tagliasacchi, A., Seversky, LM, Alliez, P., Guennebaud, G., Levine, JA, Sharf, A. y Silva, CT (2016), Un estudio de reconstrucción de superficies a partir de nubes de puntos. Computer Graphics Forum.
  13. ^ Malla de nubes de puntos Un breve tutorial sobre cómo crear superficies a partir de nubes de puntos
  14. ^ De la nube de puntos al DEM de cuadrícula: un enfoque escalable
  15. ^ K. Hammoudi, F. Dornaika, B. Soheilian, N. Paparoditis. Extracción de modelos de estructura alámbrica de fachadas de calles a partir de nubes de puntos 3D y el mapa catastral correspondiente. Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial (IAPRS), vol. 38, parte 3A, págs. 91-96, Saint-Mandé, Francia, 1-3 de septiembre de 2010.
  16. ^ Sitek; et al. (2006). "Reconstrucción tomográfica utilizando una malla tetraédrica adaptativa definida por una nube de puntos". IEEE Trans. Med. Imaging . 25 (9): 1172–9. doi :10.1109/TMI.2006.879319. PMID  16967802. S2CID  27545238.
  17. ^ "Compresión de nube de puntos MPEG" . Consultado el 22 de octubre de 2020 .
  18. ^ Schwarz, Sebastián; Preda, Marius; Baroncini, Vittorio; Budagavi, Madhukar; César, Pablo; Chou, Philip A.; Cohen, Robert A.; Krivokuća, Maja; Lasserre, Sébastien; Li, Zhu; Llach, Joan; Mammou, Khaled; Mekuria, Rufael; Krivokuća, Maja; Nakagami, Ohji; Siahaan, Ernestasia; Tabatabai, Ali; Tourapis, Alexis M.; Zakharchenko, Vladyslav (10 de diciembre de 2018). "Estándares MPEG emergentes para la compresión de nubes de puntos". Revista IEEE sobre temas emergentes y seleccionados en circuitos y sistemas . 9 (1): 133-148. doi : 10.1109/JETCAS.2018.2885981 .
  19. ^ Graziosi, Danillo; Nakagami, Ohji; Kuma, Satoru; Zaghetto, Alexandre; Suzuki, Teruhiko; Tabatabai, Ali (3 de abril de 2020). "Una descripción general de las actividades de estandarización de la compresión de nubes de puntos en curso: basadas en video (V-PCC) y basadas en geometría (G-PCC)". Transacciones APSIPA sobre procesamiento de señales e información . 9 : 1–17. doi : 10.1017/ATSIP.2020.12 .
  20. ^ "ISO/IEC DIS 23090-9". ISO . Consultado el 7 de junio de 2020 .
  21. ^ "ISO/IEC DIS 23090-5". ISO . Consultado el 21 de octubre de 2020 .
  22. ^ "Arquitecturas de medios inmersivos | MPEG". mpeg.chiariglione.org . Consultado el 7 de junio de 2020 .