Use of parallel computing in mass processing of laser data

• Autorzy: Będkowski J. , Bratuś R. , Prochaska M. , Rzonca A.

Identyfikatory

DOI

10.14681/afkit.2015.003

Warianty tytułu

PL

Zastosowanie obliczeń równoległych do masowego przetwarzania danych laserowych

• Języki publikacji: EN

Abstrakty

EN

The first part of the paper includes a description of the rules used to generate the algorithm needed for the purpose of parallel computing and also discusses the origins of the idea of research on the use of graphics processors in large scale processing of laser scanning data. The next part of the paper includes the results of an efficiency assessment performed for an array of different processing options, all of which were substantially accelerated with parallel computing. The processing options were divided into the generation of orthophotos using point clouds, coloring of point clouds, transformations, and the generation of a regular grid, as well as advanced processes such as the detection of planes and edges, point cloud classification, and the analysis of data for the purpose of quality control. Most algorithms had to be formulated from scratch in the context of the requirements of parallel computing. A few of the algorithms were based on existing technology developed by the Dephos Software Company and then adapted to parallel computing in the course of this research study. Processing time was determined for each process employed for a typical quantity of data processed, which helped confirm the high efficiency of the solutions proposed and the applicability of parallel computing to the processing of laser scanning data. The high efficiency of parallel computing yields new opportunities in the creation and organization of processing methods for laser scanning data.

PL

Publikacja ma na celu przedstawienie części wyników badań, jakie zrealizował zespół badawczy firmy Dephos Software w ramach projektu finansowanego przez UE pt. "Badania nad masowym przechowywaniem, udostępnianiem i przetwarzaniem przestrzennych danych laserowych". Na wstępie publikacji autorzy przedstawiają zasady organizacji algorytmu spełniającego wymogi obliczeń równoległych oraz przybliżają genezę pomysłu prowadzenia badań nad zastosowaniem procesorów graficznych do masowego przetwarzania danych skaningowych. Następnie autorzy prezentują wyniki oceny wydajności działania szeregu różnych procesów przetwarzania danych laserowych, które udało się zasadniczo przyspieszyć dzięki obliczeniom równoległym. Procesy te dzielą się na procesy podstawowe (generowanie ortoobrazów z chmur punktów, kolorowanie chmur punktów, transformacja, generowanie siatki regularnej) oraz procesy zaawansowane (wykrywanie płaszczyzn i krawędzi, klasyfikacja chmur punktów, analiza danych w celu kontroli jakości danych). W większości przypadków algorytmy musiały zostać opracowane całkowicie od nowa pod kątem wymogów przetwarzania równoległego, część korzysta z wcześniejszego dorobku technologicznego firmy Dephos Software, będąc dostosowana do równoległej metody obliczeń w ramach przeprowadzonych badań. W każdym z tych procesów określono czas działania dla typowej ilości danych przetwarzanych, co potwierdziło wysoką wydajność rozwiązań i sens zastosowania obliczeń równoległych w odniesieniu do danych skaningowych. Obliczenia równoległe dzięki swojej wysokiej wydajności otwierają nowe możliwości w tworzeniu i organizacji procesów przetwarzania danych pochodzących ze skaningu laserowego.

Słowa kluczowe

EN

parallel computing; laser scanning; lidar; data processing

PL

obliczenia równoległe; skanowanie laserowe; LiDAR; przetwarzanie danych

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2015
• Tom: Vol. 27
• Strony: 45--59
• Opis fizyczny: Bibliogr. 11 poz.

Twórcy

autor

Będkowski J.

• DEPHOS Software sp. z o.o., Zabierzów

autor

Bratuś R.

• DEPHOS Software sp. z o.o., Zabierzów

autor

Prochaska M.

• DEPHOS Software sp. z o.o., Zabierzów

autor

Rzonca A.

• DEPHOS Software sp. z o.o., Zabierzów

Bibliografia

• Będkowski J., Majek K., NuechterA., 2013. General Purpose Computing on Graphics Processing Units for Robotic Applications. Journal of Software Engineering for Robotics, 4(1), pp. 23-33.
• Fischler M. A., Bolles R., 1980. Random sample consensus. A paradigm for model fitting with applications to image analysis and automated cartography, in: Proc. 1980 Image Understanding Workshop (College Park, Md., Apr 1980) L. S. Baurnann, Ed, Science Applications, McLean, Va., 1980, pp. 71–88.
• Fischler M. A., Bolles R. C., 1987. Readings in computer vision: issues, problems, principles, and paradigms, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 1987, Ch. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, pp. 726–740.
• Franke R, Nielson G., 1980. Smooth Interpolation of Large Sets of Scattered Data. International Journal for Numerical Methods in Engineering, 15(11), pp. 1691-1704.
• Han S.H., Heo J., Sohn H., G., Yu K., 2009. Parallel Processing Method for Airborne Laser Scanning Data Using a PC Cluster and a Virtual Grid. Sensors, 9, pp. 2555-2573.
• Pyka K., Rzonca A., 2006. Badanie jakości radiometrycznej ortofotogramów sporządzonych na drodze integracji fotogrametrii bliskiego zasięgu i skanowania laserowego, Archiwum Fotogrametrii, Kartografii i Teledetekcji, 16, pp. 515-526.
• Rzonca A., 2006. Integracja danych skanerowych i fotogrametrycznych dla celów inwentaryzacji architektonicznej. Geodezja, 13(1), Kraków
• Rzonca A., 2013. Integracja danych pozyskiwanych metodami fotogrametrycznymi i skanowania laserowego przy inwentaryzacji obiektów zabytkowych, Wydawnictwo AGH, Kraków 2013.
• Zeng, X., He, W. (2009, October). GPGPU-based parallel processing of massive LiDAR point cloud. In Sixth International Symposium on Multispectral Image Processing and Pattern Recognition (pp. 749716-749716). International Society for Optics and Photonics.
• http://www.asprs.org/a/society/committees/standards/asprs_las_format_v12.pdf
• http://www.nvidia.pl/object/cuda-parallel-computing-pl.html