NUBES DE PUNTOS- UNA NUEVA MANERA DE PRESENTAR DATOS
Las nubes de puntos deben considerarse como el tercer tipo de representación, junto con las representaciones de superficies poliédricas y las representaciones volumetricas, según Edward Verbree.
Hoy en día las nubes de puntos, no solo se obtienen con equipos profesionales de alta gama, sino que también se capturan cada vez más nubes de puntos utilizando hardware de bajo costo (para el consumidor), como cámaras de teléfonos inteligentes, drones y sistemas Lidar (relativamente) baratos desarrollados para automóviles autónomos. y robótica de interior. Este desarrollo también cierra la brecha entre el mapeo de exteriores e interiores.
Arquitectos, ingenieros, diseñadores y otros profesionales valoran la captura representada en toda su extensión por nubes de puntos.
Pero el hecho de que todas estas nubes de puntos estén disponibles no significa automáticamente que se utilicen en todo su potencial. Las nubes de puntos todavía se utilizan incorrectamente para derivar modelos de ciudades 3D / terrenos con un nivel de detalle relativamente bajo.
Los pasos necesarios para obtener un mejor nivel de detalle no son tan fáciles, sobre todo porque el detalle está en la propia nube de puntos. Decidir qué puntos contribuyen a qué polígono de la malla poligonal resulta complejo. Solo el usuario final puede decidir qué puntos son realmente importantes, y eso es imposible si la mayoría de los puntos se descartan (perdiendo así su conexión) después de procesarse en modelos 3D.
Además, este paso de modelado lleva tiempo y requiere mucho esfuerzo manual. La mayoría de los edificios tienen algún tipo de diseño arquitectónico y, por tanto, no son simplemente bloques extruidos con una forma de techo arbitraria. Por lo tanto, el procesamiento completamente automático de modelos que cumpla con los requisitos del usuario parece ser tan problemático que la mayoría de los modelos de gemelos digitales todavía son en parte “hechos a mano”. Estos modelos 3D quedan obsoletos tan pronto como se publican, y nadie sabe qué tan bien estos modelos de ciudad representan la realidad porque no se mantiene el vínculo con sus nubes de puntos originales.
Otros investigadores optan por una representación volumétrica, similar a Minecraft, basada en vóxeles. La principal desventaja es la necesidad de establecer una orientación fija y una frecuencia de muestreo fija de los componentes básicos. Sin embargo, como parecen poco realistas, es menos probable que las personas los consideren la verdad que las representaciones poliédricas.
Una afirmación que siempre se hace con respecto al manejo de enormes nubes de puntos es que son … enormes. Bueno, sí, lo son, por lo que también se puede decir mucho a favor de modelos de ciudades en “3D” tan grandes (que a menudo son en realidad solo 2.5D). Por ejemplo, una gran ventaja de las nubes de puntos es que son relativamente simples: de hecho, simplemente un grupo de coordenadas X, Y, Z con algunos atributos. Los estándares basados en archivos (LAS / LAZ) bien aceptados han demostrado su valor para la difusión de nubes de puntos. La estructuración inteligente y las consultas (rápidas) de nubes de puntos mantenidas en un DBMS con el nivel continuo de detalle de las nubes de puntos como cuarta dimensión es una actividad de investigación en curso con resultados prometedores.
Por lo tanto, el manejo de las nubes de puntos es importante, pero la cuestión clave, como se indicó anteriormente, es su uso efectivo para fines de análisis y visualización exploratoria. En primer lugar, el paradigma de la nube de puntos “rica/densa” subraya el concepto de nubes de puntos densas en 3D al enriquecerlas con propiedades geométricas, radiométricas y semánticas completas. Se vuelven “inteligentes” cuando las propias nubes de puntos son conscientes de estas propiedades. El análisis de visibilidad para la toma de decisiones proporciona resultados mucho más detallados y realistas si se basa en nubes de puntos, especialmente cuando se debe tener en cuenta la vegetación.
Y no olvidemos las capacidades de la corteza humana. Los seres humanos todavía somos muy expertos en detectar detalles en escenas 3D. Algunos puntos destacados que podrían perderse en un proceso de modelado 3D podrían ser más importantes que todos los demás puntos de la escena. ¿Qué partes de un edificio se construyen según lo diseñado y cuáles no? Este uso exploratorio de nubes de puntos está respaldado por herramientas analíticas como la detección de cambios basada en nubes de puntos, pero también por herramientas de visualización de nubes de puntos 3D de alta gama en la pantalla, e incluso mejor en un entorno de realidad aumentada basado en nubes de puntos.
LIDAR Y SU DETALLE DEL TERRENO
Por último, pero no menos importante, ¿por qué gastar tanto tiempo, esfuerzo y dinero en recopilar nubes de puntos, considerarlas como datos de entrada, procesarlas en un derivado y luego descartarlas? Si lo piensas, es algo ridículo. En cambio, creo que las nubes de puntos deberían considerarse como el tercer tipo de representación, junto con las representaciones de superficies poliédricas y las representaciones de vóxeles volumétricos.
El vóxel (del inglés volumetric pixel) es la unidad cúbica que compone un objeto tridimensional. Constituye la unidad mínima procesable de una matriz tridimensional y es, por tanto, el equivalente del píxel en un objeto 2D
Pero pueden proporcionar mucha más información (ya que son más o menos la realidad) a través de la visualización y el análisis exploratorios. Así que mi consejo es: úselos, tal cual y directamente.