Titelaufnahme

Titel
Segmentierung großer Punktwolken mittels Region Growing / von Markus Pöchtrager
Weitere Titel
Segmentation of Huge Point Clouds using Region Growing
VerfasserPöchtrager, Markus
Begutachter / BegutachterinPfeifer, Norbert ; Otepka, Johannes
ErschienenWien 2016
Umfang63 Blätter : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Univ., Diplomarbeit, 2016
Anmerkung
Zusammenfassung in englischer Sprache
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Photogrammetrie
Schlagwörter (EN)Photogrammetry
URNurn:nbn:at:at-ubtuw:1-2742 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Segmentierung großer Punktwolken mittels Region Growing [2.4 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die immer größer werdenden Datenmengen von 3D-Punktwolken, gewonnen durch Airborne Laserscanning, terrestrisches Laserscanning und Image Matching, ermöglichen eine Vielzahl unterschiedlichster Berechnungen und Datenanalysen. Die Anwendungsgebiete reichen von Monitoring-Aufgaben (z.B. Bauwerksüberwachung, Monitoring von Hangrutschungen, etc.) über archäologische Auswertungen und Vegetationskartierung bis hin zu 3D-Stadtmodellierung. Für Berechnungen auf Datensätzen mit vielen Millionen von Punkten wird dabei von den Algorithmen eine hohe Effizienz hinsichtlich der Laufzeit gefordert. Das Verfahren der Segmentierung liefert für Punktwolken eine Gruppierung von gleichartigen Punkten anhand eines Homogenitätskriteriums. Diese Gruppeninformation ermöglicht einen effizienten Zugriff auf Punkte mit gleichen Eigenschaften. Die Segmentierung ist damit einer der ersten Schritte in der Prozessierungskette vieler Anwendungen. Die vorliegende Arbeit stellt ein Konzept für eine Segmentierung von großen Punktwolken mit Seeded Region Growing vor. Da die Verarbeitungseinheit nicht beliebig große Datensätze in den Arbeitsspeicher einlesen kann, müssen diese in kleinere Einheiten aufgeteilt werden. Die Punktwolke wird in rechteckige Teilpunktwolken (Kacheln) ohne Überlappungsbereich unterteilt. Die mosaikartig zusammengesetzten Kacheln werden unabhängig voneinander segmentiert. Dadurch wird eine parallele Prozessierung der Kacheln - auf mehrere Threads verteilt - ermöglicht. Anschließend werden benachbarte gleichartige Segmente aus den Teilpunktwolken zusammengeführt. Wie diese Arbeit zeigt sind die Ergebnisse der Segmentierung nicht von der Größe der Teilpunktwolke sondern hauptsächlich vom Homogenitätskriterium abhängig. Die Punktwolke kann dadurch in Kacheln mit beliebiger Größe unterteilt werden, um die Laufzeit und den Speicherplatzbedarf der Segmentierung zu optimieren.

Zusammenfassung (Englisch)

The growing amount of 3D point cloud data obtained by airborne laser scanning, terrestrial laser scanning and image matching, allows a variety of different calculations and data analysis. Applications range from monitoring tasks (e.g. structural health monitoring, landslides monitoring, etc.), archaeological evaluations, vegetation mapping to 3D city modeling. For processing huge data sets with millions of points highly efficient algorithms are required. Segmentation of point cloud data provides a grouping of points based on a similarity criterion. This group information enables efficient access to points with the same properties. Thus segmentation is one of the first steps within the processing chain of many applications. This thesis presents a concept for segmentation of large point clouds with Seeded Region Growing. Since the processing unit can not read huge dataset into main memory, the data must be divided into smaller parts. The point cloud is divided into rectangular non-overlapping parts (tiles). The tiles are then processed independently within the segmentation. This allows parallel computation by distributing tiles to multiple processing threads. Afterwards adjacent segments from different tiles are merged. As it is shown the results of the segmentation do not depend on the tile size, but are mainly influenced by the similarity criterion. The point cloud can thus be divided into arbitrary tiles to optimize for processing speed and memory footprint.