08.06.2021 –, Bühne 1
Insbesondere 3D-Punktwolken werden seit Jahrzehnten nicht nur im Bereich der Geodäsie zur Analyse herangezogen. Komplexe Formen stellen dabei eine Herausforderung an die Erfassung, Visualisierung und Weitergabe dar. Die hohe Auflösung geht meist mit einem hohen Datenvolumen einher, welches bei der Darstellung in Echtzeit performante Hardware benötigt. Mit unterschiedlichen Ansätzen versuchen Entwickler, auch im Open Source Bereich, einen Kompromiss zwischen Visualisierung und Usability zu finden
Arbeitsabläufe zur Erfassung von 3D-Daten durch Laserscanner oder die Erzeugung von 3D-Punktwolken mit photogrammetrischen Verfahren sind seit einigen Jahren etabliert. Die Erfassung komplexer Formen und Szenen erfordern eine hochauflösende Erfassung, welche durch Punktwolken mit mehreren Milliarden Punkten zu einem hohen Datenvolumen führen. Diese wiederum erfordern performante Hardware zur Verarbeitung und Visualisierung. Weitere Herausforderungen liegen in der Visualisierung für Endverbraucher, die Weitergabe der Daten sowie die Ausgabeformate zustande. Während triangulierte 3D-Modelle als Alternative herangezogen werden können, führen diese bei einer zu geringen Punktdichte zu wenig repräsentativen Modellen. Aktuell in Entwicklung befindliche Software aus dem Open-Source Bereich ist meist nicht an Nutzergruppen angepasst, bietet aber -vor allem durch Eigeninitiative- bereits Möglichkeiten und Ansätze, den Kompromiss zwischen Visualisierung und Weitergabe zu schaffen.
Im Rahmen des Vortrags sollen mit PotreeConverter und PotreeViewer zwei Anwendungen aus dem OpenSource Bereich vorgestellt werden, die in Kombination mit einem simplen FrontEnd das Potential bergen, 3D-Punktwolken zugänglicher zu machen. Durch Anpassungen am Viewer können außerdem unterschiedliche Nutzergruppen bedient werden (bspw. mobile Anwender, deren Web-Ansicht der Punktwolke so vorkonfiguriert ist, dass Punktwolken nur in Ausschnitten geladen werden, sodass Datenvolumen eingespart werden kann).
- Wissenschaftlicher Mitarbeiter im g2lab der HafenCity Universität Hamburg
- Remote Sensing und Data Science mit Python als Arbeitsgebiete