Przetwarzanie chmur punktów

Od milionów punktów do informacji

LiDAR generuje dane — miliony, miliardy punktów. Same punkty są bezwartościowe — wartość ma informacja wyciągnięta z nich: model terenu, model budynku, mapa przeszkód, klasyfikacja obiektów.

Co to jest chmura punktów

Zbiór punktów w przestrzeni 3D, każdy z współrzędnymi (X, Y, Z) plus atrybuty: intensywność (siła odbicia — zależy od materiału: asfalt odbija inaczej niż trawa), numer powrotu (first/last return), klasa (teren, budynek, roślinność — po klasyfikacji), kolor RGB (jeśli połączony z kamerą), timestamp, kąt skanowania.

Formaty

LAS / LAZ: standard branżowy. LAS = binarny, pełny (duże pliki). LAZ = skompresowany (5–15x mniejszy — lossless). Wersje: 1.2, 1.4 (rozszerzony zakres klas, więcej atrybutów). PCD: format Point Cloud Library (PCL) — robotyka, ROS. PLY: popularny w grafice 3D i skanowaniu. E57: otwarty standard dla TLS (skanery naziemne).

Pipeline przetwarzania

Import → filtracja szumów (punkty odległe, błędne odbicia) → klasyfikacja (teren, budynki, roślinność, woda, linie energetyczne) → generowanie produktów (NMT, NMPk, model 3D, mesh, kontury, profile). Klasyfikacja: automatyczna (algorytmy ML/DL), półautomatyczna (algorytm + ręczna korekta), ręczna (tylko małe chmury).

Narzędzia

CloudCompare: open-source, multiplatformowy, wizualizacja + edycja + analiza. Standard do oglądania chmur punktów. PDAL (Point Data Abstraction Library): pipeline processing w command line — filtracja, transformacja, klasyfikacja. LAStools: najszybsze narzędzie do przetwarzania LAS/LAZ (las2las, lasground, lasclassify). Częściowo open-source. PCL (Point Cloud Library): C++, robotyka, ROS — filtracja, segmentacja, rejestracja, SLAM. Open3D: Python, ML-ready — wizualizacja, przetwarzanie, integracja z PyTorch/TensorFlow. Potree: wizualizacja chmur punktów w przeglądarce (WebGL) — publikacja danych online.

Machine learning

PointNet / PointNet++: sieci neuronowe operujące bezpośrednio na chmurach punktów (bez konwersji na voxele/obrazy). Klasyfikacja (co to jest: samochód, drzewo, budynek) i segmentacja (które punkty należą do którego obiektu). RandLA-Net: skalowalny do dużych chmur (miliony punktów). Cylinder3D: segmentacja semantyczna dla outdoor LiDAR (autonomous driving). Trend: end-to-end perception — surowa chmura punktów → sieć neuronowa → lista obiektów z pozycją, rozmiarem i prędkością (bez ręcznego pipeline’u).