Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden

Transkript

1 Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning 7. Oldenburger 3D-Tage 2008 Optische 3D-Messtechnik - Photogrammetrie Laserscanning

2 Motivation Verarbeitung von Laserscanneraufnahmen 1. Datenerfassung 2. Vorverarbeitung 3. Segmentierung Datenapproximation Klassifizierung 4. Rekonstruktion / CAD-Modellierung Reverse Engineering 2

3 Motivation Verarbeitung von Laserscanneraufnahmen 1. Datenerfassung 2. Vorverarbeitung 3. Segmentierung Datenapproximation Klassifizierung 4. Rekonstruktion / CAD-Modellierung TO-DO/TBD Reverse Engineering 3

4 Motivation Einflussgrößen auf Laserscanneraufnahmen Oberflächeneigenschaften des Objektes Auftreffwinkel der Laserstrahlen Genauigkeit der Entfernungsmesseinheit Winkelmessgenauigkeit Entfernung zum Objekt Genauigkeit der Registrierung / Georeferenzierung etc. 4

5 Anforderungen & Strategien Anforderung Aufteilung der gesamten Punktwolke in sinnvolle Teilmengen (Segmentierung) und Approximation dieser Teilmengen mit (vorerst) Freiformflächen Keine oder sehr wenig Nutzerinteraktion Optimierung der Rechenzeit (Effizienz) Wichtig: Ansatz 5

6 Agenda Motivation Der Algorithmus Lokale Approximation der Punktwolke (Patches) Lokales Rauschniveau und Klassifizierung Erstellung von Saatregionen Region Growing Merging Auswertebeispiele Zusammenfassung und Ausblick 6

7 Der Algorithmus Voraussetzung: Triangulation (2,5D bzw. 3D) Nachbarschaftsbeziehungen aus der Triangulation 2 2 z ( x,y) x y 2 xy x y h a b c d e f 7

8 bzw. als quadratische Form: a c / 2x d x y x y f g c/ 2 b e z 0 y B Der Algorithmus innere Geometrie der Fläche Ebene Offset Restriktion: g=1 Bestimmung der Parameter als Eigenwertproblem (effizient) z. B. nach E. Drixler: DGK C, Nr. 409, München, 1993 Lösung in einem übergeordneten Koordinatensystem möglich Vollbesetzte Kovarianzmatrix für x, y und z einführbar 2 ermöglicht Abschätzung der lokalen Rauschverhältnisse ˆ 0 8

9 Statistisch begründeter (lokaler) Ansatz: Der Algorithmus (a) Berechnung der Eigenwerte der Matrix B (l 1, l 2 sind Hauptkrümmungen) a c/ 2x v l 0 c/ 2 b 0 l y v x y x y v v 1 2 x y (b) Berechnung und Test der Krümmungen H und K auf statistische Signifikanz (i) Berechnung: l1 l2 H 2 (ii) Hypothesen: H 0 : H 0 H : K 0 (iii) Verteilungsaussage: 0 H K, t(0, f ) H0 mit f p 6 ˆ ˆ 0 H 0 K und K l l 1 2 9

10 Der Algorithmus H (iv) Wahrscheinlichkeitsaussage: P t1 (0, f ) H01 ˆ 0 H K P t1 (0, f ) H01 ˆ 0 K (c) Klassifizierung der Patches Ebenen Maxima Kantenpunkte Ebenen 10

11 Der Algorithmus H (iv) Wahrscheinlichkeitsaussage: P t1 (0, f ) H01 ˆ 0 H K P t1 (0, f ) H01 ˆ 0 K (c) Klassifizierung der Patches Ebenen Kantenpunkte Maxima Ebenen 11

12 Agenda Motivation Der Algorithmus Lokale Approximation der Punktwolke (Patches) Lokales Rauschniveau und Klassifizierung Erstellung von Saatregionen Region Growing Merging Auswertebeispiele Zusammenfassung und Ausblick 12

13 Der Algorithmus Gruppierung benachbarter Punkte gleicher Krümmungseigenschaften zu zusammenhängenden Regionen Erosion Saatregion 13

14 Der Algorithmus Region Growing mit simultaner Flächenapproximation (hier: bikubische Bézier-Flächen) Zwei Kriterien: - Abstand zur Approximationsfläche - Kantenpunkte nicht hinzufügen Merging: Zusammenführung von Regionen mit gleicher Parametrisierung 14

15 Realer Datensatz einer Multiformtestfläche Auswertebeispiel (Real) (bikubische Bézierflächen) Segmentierung und Klassifizierung der Teilpunktmengen eines realen Datensatzes (vollautomatisch) 15

16 Realer Datensatz einer Multiformtestfläche Auswertebeispiel (Real) (bikubische Bézierflächen) Segmentierung und Klassifizierung der Teilpunktmengen eines realen Datensatzes (vollautomatisch) 16

17 Auswertebeispiel (Real) Realer Datensatz einer elliptischen Wandlampe Gruppierung benachbarter Punkte gleicher Krümmungseigenschaften Erosion zu Saatregionen Region Growing (bikubische Bézierflächen) Merging 17

18 Auswertebeispiele (Simu) Simulierte Pyramide (Draufsicht) + Überlagerung mit Gauß. Rauschen 35% Rauschen 70% Rauschen 100% Rauschen 18

19 Zusammenfassung Zusammenfassung Segmentierung und Datenapproximation von Punktwolken (statischer) Laserscanneraufnahmen Keine oder nur sehr wenig Benutzerinteraktion Automatische Erkennung scharfer Kanten Statistisch begründete Vorgehensweise Potentielle weitere Anwendungsgebiete: Mobile Mapping Systeme 19

20 Ausblick Ausblick Region Growing mit sequentieller Parameterschätzung und anderen Freiformflächen (z. B. NURBS) Einbeziehung von Vorinformationen bei der Segmentierung Berücksichtigung von Intensitätswerten Endgültige Klassifizierung (Modellwahl) Normalverteilung??? Vielen Dank für die Aufmerksamkeit! 20

21 Noch Fragen???

22 Kontaktinformationen Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal Geodätisches Institut Leibniz Universität Hannover Nienburger Straße 1, D Hannover Tel.: +49/+511/ {neumann, 22