Verwendung von KI zur Bereinigung von Photogrammetrie-Punktwolken in Agisoft Metashape

Die Photogrammetrie hat sich zu einer der leistungsfähigsten Technologien zur Erstellung von 3D-Modellen aus Bildern entwickelt. Mit Software wie Agisoft Metashape können Benutzer detaillierte Punktwolken, Netze und texturierte Modelle aus Fotos rekonstruieren, die mit Drohnen, Kameras oder Smartphones aufgenommen wurden.

Eine häufige Herausforderung in Photogrammetrie-Workflows ist jedoch das Vorhandensein von Rauschen und unerwünschten Artefakten in den erzeugten Punktwolken. Diese Unvollkommenheiten können die Modellgenauigkeit verringern, die Verarbeitungszeit erhöhen und nachgelagerte Aufgaben wie die Netzgenerierung oder Volumenberechnungen erschweren.

In den letzten Jahren hat sich die künstliche Intelligenz (KI) als vielversprechende Lösung zur Verbesserung der Qualität von Photogrammetriedaten erwiesen. KI-basierte Algorithmen können Ausreißer automatisch erkennen, Punkte klassifizieren und Rauschen aus Punktwolken viel effizienter entfernen als die manuelle Bearbeitung.

Dieser Artikel untersucht, wie KI-Techniken zur Bereinigung von Photogrammetrie-Punktwolken eingesetzt werden können, die in Agisoft Metashape erstellt wurden, und wie diese Methoden die Arbeitsabläufe bei der 3D-Rekonstruktion erheblich verbessern können.

Warum die Bereinigung von Punktwolken wichtig ist

Wenn Metashape eine Reihe von Fotos verarbeitet, erzeugt es während der Bildausrichtung eine dünne Punktwolke und später während der Tiefenrekonstruktion eine dichte Punktwolke.

Die dichte Wolke kann Millionen von Punkten enthalten, die die auf den Fotos aufgenommenen Oberflächen repräsentieren. Der Rekonstruktionsprozess kann jedoch auch unerwünschte Punkte enthalten, die durch verschiedene Faktoren verursacht werden:

• Bildrauschen
• Schlechte Lichtverhältnisse
• Reflektierende Oberflächen
• Bewegte Objekte
• Bewegung der Vegetation
• Geringe Bildüberlappung

Diese unerwünschten Punkte können Artefakte erzeugen, die die Qualität des endgültigen Netzes und des texturierten Modells beeinträchtigen. Die Bereinigung der Punktwolke ist daher ein wesentlicher Schritt in professionellen Photogrammetrie-Workflows.

Traditionelle Methoden zur Reinigung von Punktwolken

Vor der Einführung von KI-basierten Techniken wurde die Bereinigung von Punktwolken hauptsächlich manuell mit den in der Photogrammetrie-Software verfügbaren Bearbeitungswerkzeugen durchgeführt.

In Agisoft Metashape entfernen Sie unerwünschte Punkte normalerweise mit:

• Werkzeuge zur schrittweisen Auswahl
• Manuelle Punktauswahl
• Konfidenz-Filterung
• Filter für die Rekonstruktionsunsicherheit

Diese Methoden sind zwar effektiv, können aber zeitaufwändig sein, wenn Sie mit sehr großen Datensätzen arbeiten, die Dutzende oder Hunderte von Millionen von Punkten enthalten.

Die manuelle Bereinigung hängt auch stark von der Erfahrung des Benutzers ab und kann bei der Verarbeitung mehrerer Datensätze zu Inkonsistenzen führen.

Wie KI die Reinigung von Punktwolken verbessert

Künstliche Intelligenz bietet einen stärker automatisierten Ansatz für die Bereinigung von Punktwolken. Algorithmen für maschinelles Lernen können die Struktur einer Punktwolke analysieren und Muster erkennen, die Rauschen, Ausreißern oder irrelevanten Objekten entsprechen.

KI-Modelle, die auf großen Datensätzen trainiert wurden, können Punkte anhand von Merkmalen wie z. B.:

• Lokale Punktdichte
• Krümmung der Oberfläche
• Konsistenz der Farbe
• Räumliche Beziehungen zwischen Punkten

Indem sie aus diesen Merkmalen lernen, können KI-Algorithmen zwischen gültigen Oberflächenpunkten und unerwünschten Artefakten unterscheiden.

Dieser automatisierte Klassifizierungsprozess kann die Zeit, die für die Bereinigung großer Photogrammetrie-Datensätze benötigt wird, drastisch reduzieren.

KI-basierte Punktwolken-Klassifizierung

Eine der nützlichsten Anwendungen von KI bei der Verarbeitung von Punktwolken ist die automatische Klassifizierung.

Klassifizierungsalgorithmen weisen verschiedenen Gruppen von Punkten innerhalb einer Wolke semantische Bezeichnungen zu. Zum Beispiel können Punkte kategorisiert werden als:

• Boden
• Gebäude
• Vegetation
• Lärm
• Ausreißer

Sobald die Klassifizierung abgeschlossen ist, können unerwünschte Kategorien wie Rauschen oder isolierte Ausreißer automatisch entfernt werden.

Dieser Prozess vereinfacht die Bereinigungsphase erheblich und ermöglicht es den Benutzern, sich auf die Analyse auf höherer Ebene zu konzentrieren, statt auf die manuelle Bearbeitung.

Integration von KI-Tools mit Metashape

Obwohl Agisoft Metashape über leistungsstarke integrierte Filterwerkzeuge verfügt, wird die KI-basierte Punktwolkenverarbeitung häufig mit externer Software durchgeführt.

Ein typischer Arbeitsablauf kann darin bestehen, die von Metashape erzeugte dichte Punktwolke zu exportieren und sie mit speziellen KI-Tools zu bearbeiten.

Der Arbeitsablauf folgt in der Regel diesen Schritten:

1. Erzeugen Sie die dichte Punktwolke in Metashape
2. Exportieren Sie die Punktwolke im LAS-, LAZ- oder PLY-Format
3. Verarbeiten Sie den Datensatz mit KI-basierten Klassifizierungstools
4. Rauschen und unerwünschte Punkte entfernen
5. Importieren Sie die bereinigte Punktwolke wieder in Metashape

Dieser hybride Arbeitsablauf ermöglicht es Anwendern, die Rekonstruktionsleistung von Metashape mit fortschrittlichen KI-basierten Filtertechniken zu kombinieren.

KI-Software für die Reinigung von Punktwolken

Mehrere Software-Plattformen bieten jetzt KI-basierte Funktionen zur Verarbeitung von Punktwolken.

Zu den häufig verwendeten Tools gehören:

• CloudCompare mit Plugins für maschinelles Lernen
• PDAL-Pipelines mit Klassifizierungsfiltern
• Open3D Werkzeuge für maschinelles Lernen
• KI-basierte LiDAR-Klassifizierungssoftware

Diese Tools verwenden fortschrittliche Algorithmen, um Rauschen zu erkennen und zu entfernen, während die Struktur des Originaldatensatzes erhalten bleibt.

Vorteile der KI-gestützten Punktwolkenreinigung

Der Einsatz von KI zum Bereinigen von Photogrammetrie-Punktwolken bietet mehrere Vorteile im Vergleich zu herkömmlichen manuellen Methoden.

Die wichtigsten Vorteile sind:

• Schnellere Verarbeitung großer Datenmengen
• Konsistentere Filterergebnisse
• Reduzierte manuelle Bearbeitungszeit
• Verbesserte geometrische Genauigkeit
• Bessere Netzrekonstruktion

Diese Verbesserungen können besonders bei der Bearbeitung von Drohnenkartierungsprojekten oder groß angelegten photogrammetrischen Vermessungen von Nutzen sein.

Verbesserte Mesh-Generierung mit sauberen Daten

Einer der wichtigsten Vorteile der Punktwolkenbereinigung ist die Verbesserung der Netzgenerierung.

Wenn eine dichte Punktwolke viele Ausreißer enthält, kann der Prozess der Netzgenerierung unerwünschte Oberflächen oder Löcher im Modell erzeugen.

Durch das vorherige Entfernen von Rauschen und Ausreißern kann der Schritt der Netzrekonstruktion eine sauberere und genauere 3D-Oberfläche erzeugen.

Dies führt zu qualitativ hochwertigeren Modellen, die sich für Visualisierungs-, Simulations- oder Messaufgaben eignen.

Herausforderungen und Beschränkungen

Trotz ihrer Vorteile ist die KI-basierte Punktwolkenreinigung nicht ohne Herausforderungen.

Modelle des maschinellen Lernens benötigen Trainingsdaten und funktionieren nicht immer perfekt, wenn sie auf eine unbekannte Umgebung angewendet werden.

Mögliche Einschränkungen sind:

• Falsche Klassifizierung von komplexen Strukturen
• Verlust feiner Details, wenn die Filterung zu aggressiv ist
• Abhängigkeit von externen Software-Tools

Aus diesem Grund wird die KI-gestützte Reinigung in der Regel mit einer manuellen Inspektion kombiniert, um optimale Ergebnisse zu erzielen.

Die Zukunft der KI in der Photogrammetrie

Künstliche Intelligenz verändert viele Aspekte der Arbeitsabläufe in der Photogrammetrie rapide. In Zukunft könnten KI-basierte Tools vollständig in die Photogrammetrie-Software integriert werden und die automatische Entfernung von Rauschen und die Optimierung von Datensätzen ermöglichen.

Zukünftige Entwicklungen können Folgendes umfassen:

• Filtern von Punktwolken in Echtzeit
• Automatisierte Szenenklassifizierung
• KI-unterstützte Netzrekonstruktion
• Verbesserte Fehlererkennung bei der Verarbeitung

Diese Innovationen könnten die Bearbeitungszeit drastisch reduzieren und die Arbeitsabläufe in der Photogrammetrie effizienter gestalten.

Fazit

Das Bereinigen von Punktwolken ist ein wesentlicher Schritt in jedem Photogrammetrie-Workflow, insbesondere bei der Arbeit mit großen Datensätzen, die von Drohnen oder hochauflösenden Kameras erzeugt wurden.

Durch die Integration von Techniken der künstlichen Intelligenz in die Verarbeitungspipeline können Fachleute die Qualität der in Agisoft Metashape erzeugten Punktwolken erheblich verbessern.

Die KI-gestützte Filterung ermöglicht es Anwendern, Rauschen effizienter zu entfernen, die Netzrekonstruktion zu verbessern und qualitativ hochwertigere 3D-Modelle mit weniger manuellem Aufwand zu erstellen.

Da sich die KI-Technologien weiter entwickeln, werden sie wahrscheinlich zu einer immer wichtigeren Komponente moderner Photogrammetrie-Workflows.