Wyniki wyszukiwania - BazTech

1

Wykorzystanie danych skaningu laserowego do modelowania 3D fortów obronnych na przykładzie Fortu Prusy w Nysie

Borkowski A., Jarząbek-Rychard M., Tymków P., Jóźków G.

Architektura Krajobrazu

|

2013

|

nr 4

30--41

PL

Dane skaningu laserowego zarówno lotniczego, jak i naziemnego wykorzystywane są coraz częściej do budowy trójwymiarowych modeli obiektów. W przypadku fortów obronnych będących kombinacją budowli murowanych i ziemnych, na ogół pokrytych gęstą roślinnością, skanowanie laserowe jest szczególnie skuteczną technologią pomiarową. W pracy przedstawiono metodologię budowy realistycznego modelu 3D na przykładzie Fortu Prusy w Nysie. Do budowy modelu wykorzystane zostały dane lotniczego oraz naziemnego skaningu laserowego oraz zdjęcia cyfrowe. Skanowanie laserowe wykonano z rozdzielczością 12 pkt. na m2 dla skaningu lotniczego i około 2 cm na obiekcie dla skanowania naziemnego. W pracy przedstawiono szczegółowo poszczególne etapy modelowanie i ich specyfikę. Wskazano możliwości automatyzacji tego procesu na podstawie własnych rozwiązań algorytmicznych i programowych. Omówiono specyfikę modelowania tego typu obiektów militarnych na podstawie połączonych danych lotniczego i naziemnego skaningu laserowego. Dalej przedyskutowano różne poziomy szczegółowości i dokładności modelowania. Jednocześnie podkreślono potencjał i możliwości wykorzystania skanowania laserowego w architekturze krajobrazu.

EN

Laser scanning data, both airborne and terrestrial, are increasingly being used for 3D modeling. This is a particularly effective measurement technology for historic fortresses that are a combination of stone and earthen structures and that are usually covered by dense vegetation. This paper presents a methodology for constructing a realistic 3D model using the example of the Prussian Fortress in Nysa. The data used for modeling were collected by airborne and terrestrial laser scanning and supplemented with digital photos. Scanning was performed with a resolution of 12 points per m2 for the airborne platform and about 2 cm for the terrestrial one. The steps and requirements involved in modeling are presented in detail. The algorithms and software that were developed for this work highlight the potential that would be available by automating this process. The specifics of the model are discussed for this type of military structure on a combination of airborne and terrestrial laser scanning data. The issues of the level of detail and accuracy of the modeling are discussed, while emphasizing the opportunities for the use of laser scanning in landscape architecture.

2

Automatyczna budowa wektorowych modeli 3d budynków na podstawie danych lotniczego skaningu laserowego

Jarząbek-Rychard M.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2012

|

Vol. 24

99--109

PL

W artykule opisana jest w pełni automatyczna metoda budowy trójwymiarowych modeli budynków przedstawionych za pomocą linii szkieletowych. Budynki rekonstruowane są na podstawie chmury punktów, bez potrzeby wsparcia w postaci dodatkowych informacji i zbiorów danych. Warunek ten dodatkowo komplikuje zadanie rekonstrukcji, lecz jednocześnie czyni przedstawiony algorytm dużo bardziej uniwersalnym. Topologiczny model budynku tworzony jest na podstawie punktów charakterystycznych, wyznaczających miejsca przecięć sąsiednich połaci dachowych, bądź linii rzutów ścian. Punkty charakterystyczne zlokalizowane na zewnętrznych krawędziach budynków wyznaczane są za pomocą autorskiego algorytmu wykrywającego kontury. W kolejnym etapie rekonstrukcji określone są relacje topologiczne między punktami, które pozwalają na wyznaczenie linii krawędziowych poszczególnych płaszczyzn budynku. Ostatecznie, przeprowadzone jest wyrównanie punktów wierzchołkowych i linii krawędziowych, co pozwala na otrzymanie zregularyzowanego modelu zabudowy. Algorytm przetestowany został z wykorzystaniem danych lotniczego skaningu laserowego przedstawiających fragment zabudowy małego miasta. W wyniku przeprowadzonych eksperymentów można stwierdzić, że opisana metoda pozwala na poprawne i wydajne generowanie szkieletowych modeli budynków o skomplikowanej strukturze.

EN

This paper presents a fully automatic method for generation of 3D building skeleton models. Objects are reconstructed from point clouds, without the need for a support, like additional information and data sets. This condition makes the reconstruction task even more complicated, however at the same time, presented algorithm becomes much more versatile. Topological model of a building is created based on characteristic points, which determine intersections of adjacent planes of the roof or walls. The characteristic points located on the outer edges of a building are extracted using author’s contour detecting algorithm. In the next stage of reconstruction topological relations between the points are defined, which allow to detect contour lines of individual planes of a building. Finally, adjustment of vertex points and edge lines is performed that enables to obtain regularized building model. The algorithm was tested against airborne laser scanning data set that shows a part of the small town. As a result of experiments it can be concluded that the described method allows the correct generation of skeletal building models with a complex structure.

3

Building outline reconstruction from als data set with a priori information

Jarząbek-Rychard M., Borkowski A.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2011

|

Vol. 22

227--236

EN

Extraction of building boundaries is a n important step towards 3D buildings reconstruction. It may be also of interest on their own, for the real estate industry, GIS and automated updating of cadastral maps. In this paper we propose a comprehensive method for an automated extraction and delineation of building outlines from raw airborne laser scanning data. The presented workflow comprises three steps. It starts with identification of the points belonging to each singular building. The second step is to trace the points that compose a building boundary. In the last step an adjustment process is applied, that aims in boundary lines regularization. The first step – building detection is a most computationally expensive process and has a fundamental importance for the whole algorithm. A proposed approach is to include building address points that give exact information about building location. This additional information highly reduces the complexity of the building points extraction.

4

Porównanie algorytmów RANSAC oraz rosnących płaszczyzn w procesie segmentacji danych lotniczego skaningu laserowego

Jarząbek-Rychard M., Borkowski A.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2010

|

Vol. 21

119--129

PL

W ostatnich latach, wraz z osiągnięciem zdolności operacyjnej i wzrostem dostępności lotniczego skanowania laserowego (LIDAR) nastąpiło również zwiększenie zainteresowania opracowaniami 3D tworzonymi na podstawie danych pozyskanych z wykorzystaniem tej techniki. Jednym z centralnych zagadnień modelowania geoinformacji na podstawie danych LIDAR jest modelowanie zabudowy. W modelowaniu tym główny nacisk kładzie się na automatyzację procesów. Dostępne oprogramowanie komercyjne charakteryzuje się bowiem znacznym poziomem interaktywności – tworzenie modelu wymaga dużego udziału operatora. W procesie trójwymiarowego modelowania zabudowy wyróżnia się na ogół cztery podstawowe etapy, przy czym kluczowym wydaje się etap polegający na segmentacji punktów należących do budynku. W procesie tym ze zbioru zawierającego zarówno punkty obarczone błędami przypadkowymi jak i grubymi wyodrębniane zostają podzbiory punktów reprezentujących (modelujących) poszczególne płaszczyzny. Wynika to z faktu, iż budynki formowane są najczęściej jako kombinacja płaszczyzn w przestrzeni 3D. W pracy przedstawiono analizę dwóch, najczęściej wykorzystywanych w celu segmentacji algorytmów: RANSAC i rosnących płaszczyzn, przy czym w tym ostatnim, wprowadzono modyfikacje, uwzględniające topologię w zbiorze danych. Podano podstawowe informacje dotyczące omawianych metod. Testy numeryczne wykonano z wykorzystaniem zarówno syntetycznych jak i rzeczywistych danych skaningu laserowego. W wyniku przeprowadzonych eksperymentów można stwierdzić, że algorytm RANSAC charakteryzuje się krótkim czasem wykonania segmentacji dla nieskomplikowanych modeli. Potrafi jednak łączyć ze sobą odrębne w rzeczywistości obiekty leżące w tej samej płaszczyźnie; dobrze nadaje się do segmentacji standardowych dachów, złożonych z małej liczby elementów. Algorytm rosnących płaszczyzn jest bardziej odpowiedni dla modeli o większym stopniu skomplikowania. Poprawnie rozdziela odrębne obiekty leżące w tej samej płaszczyźnie. Czas wykonania zależy głównie od liczby punktów w zbiorze – nie zależy od liczby wyodrębnianych płaszczyzn.

EN

In recent years, the LIDAR technique has undergone fast development. The increasing access and operating ability caused a growing interest in 3D processing of data acquired by LIDAR. One of the main tasks of geo-information modeling is to create virtual city models. As the available commercial softwares require a high level of user interactivity, the crucial issue of modeling is its automation. There are four main steps that comprise virtual building extraction. One of them, building point cloud segmentation, appears to be the core part of the whole modeling process. Segmentation allows partitioning of a data set, that contains points biased by random and gross errors, into smaller sets which represent different planes. This arises from the fact, that buildings are formed by a combination of planes in 3D space. The paper presents an analysis of two algorithms that are most commonly applied to segmentation: RANSAC and plane growing. The latter is modified, taking into consideration topology between points. The essential information about both algorithms is presented. Numerical tests based on synthetic and real laser scanning data are executed. It is inferred from the experiments that the RANSAC algorithm features short time performance for simple models. However, at times it merges different objects lying in the same plane. The algorithm is suited well for segmentation of standard roofs that contain small number of elements. The plane growing algorithm is more suitable for more complicated models. It separates different objects situated in the same plane. Time performance depends mostly on the number of points within a data set; it is not affected by the number of identified planes.