Theorie und Praxis des terrestrischen Laserscannings - Página web ...

Gegenständen improvisiert werden, die an eine ideale geometrische Oberfläche angepasst sind.
Zum Beispiel eignen sich Teile einer zylindrischen Rohrleitung als Zielmarken. Mithilfe der
Scansoftware, kann ein idealer Zylinder mit einem Feinscan zu einem solchen Gegenstand
angepasst sein, um die Mittelachse mit sehr hoher Präzision zu bestimmen. Wenn die Zylinder
dann in beide Richtungen, d. h. sowohl in eine vertikale, als auch eine horizontale Richtung
plaziert werden, können sie dazu verwendet werden, die verschiedenen Scans zu verknüpfen.
In Gebieten, die schwer zugänglich sind, die z. B. zu hoch liegen, können keine künstlichen
Verknüpfungspunkte angebracht werden. Natürliche Verknüpfungspunkte sind Punkte in der
Struktur des Objekts selbst, die mit hoher Genauigkeit identifiziert werden können; zum Beispiel
Kanten von Fenstern oder Mauervorsprüngen. Wie das English Heritage in ihrer
Veröffentlichung [28] erklärt, sind die Registrierungsergebnisse, die mithilfe natürlicher
Verknüpfungspunkte erhalten wurden, schlechter als die, die mithilfe von Zielmarken gewonnen
wurden. Der Grund dafür ist zweifach:
Die gescannten Objektmerkmale (z.B. Mauerecke) werden in den verschiedenen Punktwolken,
wegen der Divergenz des Laserstrahls, nicht durch exakt den gleichen wiedergegeben. Der
auf die Ecke auftreffende Laserstrahl-Footprint ist ein Kreis von mehreren Millimetern
Durchmesser und liefert somit von jedem Standpunkt aus eine etwas andere
Eckpunktkoordinate.
Die Identifizierung solcher Objektelemente ist eher subjektiv, besonders bei sehr geneigten
Scans;
3.5.1.2. Cloud-to-Cloud Registrierung
Eine andere Art, zwei Punktwolken zu registrieren, ist die Überlappung von Punktwolken. Wenn
zwei Punktwolken genug Überdeckung haben (allgemein 30 - 40 %), kann eine Technik
angewandt werden, die Iterative Closest Point Prozess oder ICP genannt wird, um beide
Datensätze zu verknüpfen. Diese Technik verlangt, dass der Benutzer mindestens 3
entsprechende Punkte in den Punktwolken manuell auswählt. Da diese 3 Punkte nie exakt
dieselben Punkte sein werden (siehe die Erklärung im vorhergehenden Paragraphen), überprüft
der ICP Algorithmus schrittweise, um die Fehlerquote zu minimieren, die Entfernungen zwischen
allen Punkten der Punktwolken und berechnet die Transformation, um beide Datensätze
miteinander zu verknüpfen.
Die Regeln, die über die Anordnung von Zielmarken im vorhergehenden Paragraphen erwähnt
wurden, sind auch auf die Punktverknüpfung in der Cloud-to-Cloud Registrierung anwendbar.
Diese Registrierungstechnik sollte aber mit Vorsicht angewendet werden. Wenn nämlich lange
geradlinige Strukturen gescannt werden, wo mehrere Einstellungen erforderlich sind, können
sich kleine Fehler in jedem Registrierungspaar fortpflanzen und auf große globale Fehler
hinauslaufen (sieh Abbildung 43).
54