Nube de puntos

Una nube de puntos es un conjunto discreto de puntos de datos en el espacio . Los puntos pueden representar una forma u objeto 3D . Cada posición de punto tiene su conjunto de coordenadas cartesianas (X, Y, Z). ^{[ 1 ] [ 2 ]} Los puntos pueden contener datos además de la posición, como colores RGB , ^{[ 2 ]} normales , ^{[ 3 ]} marcas de tiempo ^{[ 4 ]} y otros. Las nubes de puntos generalmente se producen mediante escáneres 3D o software de fotogrametría , que miden muchos puntos en las superficies externas de los objetos que los rodean. Como resultado de los procesos de escaneo 3D, las nubes de puntos se utilizan para muchos propósitos, incluyendo la creación de modelos 3D de diseño asistido por computadora (CAD) o sistemas de información geográfica (SIG) para piezas fabricadas, para metrología e inspección de calidad, y para una multitud de aplicaciones de visualización, animación, renderizado y personalización masiva .

Al escanear una escena del mundo real mediante LiDAR , las nubes de puntos capturadas contienen fragmentos de la escena, lo que requiere una alineación para generar un mapa completo del entorno escaneado.

Las nubes de puntos suelen alinearse con modelos 3D o con otras nubes de puntos, un proceso denominado registro de conjuntos de puntos .

El algoritmo de punto más cercano iterativo (ICP) se puede utilizar para alinear dos nubes de puntos que se superponen y están separadas por una transformación rígida . ^{[ 5 ]} Las nubes de puntos con transformaciones elásticas también se pueden alinear utilizando una variante no rígida del ICP (NICP). ^{[ 6 ]} Gracias a los avances en el aprendizaje automático de los últimos años, el registro de nubes de puntos también se puede realizar utilizando redes neuronales de extremo a extremo . ^{[ 7 ]}

Para metrología industrial o inspección mediante tomografía computarizada industrial , la nube de puntos de una pieza fabricada se puede alinear con un modelo existente y comparar para detectar diferencias. Las dimensiones geométricas y las tolerancias también se pueden extraer directamente de la nube de puntos.

Aunque las nubes de puntos se pueden renderizar e inspeccionar directamente, ^{[ 10 ] [ 11 ]} a menudo se convierten en modelos de malla poligonal o triangular , modelos de superficie de B-spline racional no uniforme (NURBS) o modelos CAD mediante un proceso comúnmente conocido como reconstrucción de superficie.

Existen muchas técnicas para convertir una nube de puntos en una superficie 3D. ^{[ 12 ]} Algunos enfoques, como la triangulación de Delaunay , las formas alfa y el pivoteo de bola, construyen una red de triángulos sobre los vértices existentes de la nube de puntos, mientras que otros enfoques convierten la nube de puntos en un campo de distancia volumétrico y reconstruyen la superficie implícita así definida mediante un algoritmo de cubos marchantes . ^{[ 13 ]}

En los sistemas de información geográfica , las nubes de puntos son una de las fuentes utilizadas para crear modelos digitales de elevación del terreno. ^{[ 14 ]} También se utilizan para generar modelos 3D de entornos urbanos. ^{[ 15 ]} Los drones se utilizan a menudo para recopilar una serie de imágenes RGB que posteriormente se pueden procesar en una plataforma de algoritmos de visión artificial como AgiSoft Photoscan, Pix4D, DroneDeploy o Hammer Missions para crear nubes de puntos RGB a partir de las cuales se pueden realizar estimaciones de distancias y volúmenes.

Las nubes de puntos también pueden utilizarse para representar datos volumétricos, como se hace a veces en imágenes médicas . Mediante nubes de puntos, se puede lograr el muestreo múltiple y la compresión de datos . ^{[ 16 ]}

MPEG comenzó a estandarizar la compresión de nubes de puntos (PCC) con una Convocatoria de Propuestas (CfP) en 2017. ^{[ 17 ] [ 18 ] [ 19 ]} Se identificaron tres categorías de nubes de puntos: categoría 1 para nubes de puntos estáticas, categoría 2 para nubes de puntos dinámicas y categoría 3 para secuencias Lidar (nubes de puntos adquiridas dinámicamente). Finalmente se definieron dos tecnologías: G-PCC (PCC basada en geometría, ISO/IEC 23090 parte 9) ^{[ 20 ]} para la categoría 1 y la categoría 3; y V-PCC (PCC basada en vídeo, ISO/IEC 23090 parte 5) ^{[ 21 ]} para la categoría 2. Los primeros modelos de prueba se desarrollaron en octubre de 2017, uno para G-PCC (TMC13) y otro para V-PCC (TMC2). Desde entonces, los dos modelos de prueba han evolucionado a través de contribuciones técnicas y colaboración, y se esperaba que la primera versión de las especificaciones del estándar PCC se finalizara en 2020 como parte de la serie ISO/IEC 23090 sobre la representación codificada de contenido multimedia inmersivo. ^{[ 22 ]}

• Euclideon : motor de gráficos 3D que utiliza un algoritmo de búsqueda de nube de puntos para renderizar imágenes.
• MeshLab : herramienta de código abierto para gestionar nubes de puntos y convertirlas en mallas triangulares 3D.
• CloudCompare : herramienta de código abierto para visualizar, editar y procesar nubes de puntos 3D de alta densidad.
• Point Cloud Library (PCL): una completa biblioteca de código abierto BSD para nubes de puntos nD y procesamiento de geometría 3D.
• Procesamiento de conjuntos de puntos en CGAL , la biblioteca de algoritmos de geometría computacional.