3D Surface Modeling From Point Clouds

The goal of this thesis is to implement software for creating 3D models from point clouds. Point clouds are acquired with stereo cameras, monocular systems or laser scanners. The created 3D models are triangular models or NURBS (Non-Uniform Rational B-Splines) models. Triangular models are constructed from selected areas from the point clouds and resulted triangular models are translated into a set of quads. The quads are further translated into an estimated grid structure and used for NURBS surface approximation. Finally, we have a set of NURBS surfaces which represent the whole model. The problem wasn’t so easy to solve. The selected triangular surface reconstruction algorithm did not deal well with noise in point clouds. To handle this problem, a clustering method is introduced for simplificating the model and removing noise. As we had better results with the smaller point clouds produced by clustering, we used points in clusters to better estimate the grids for NURBS models. The overall results were good when the point cloud did not have much noise. The point clouds with small amount of error had good results as the triangular model was solid. NURBS surface reconstruction performed well on solid models.

Diplomityön tavoitteena on tehdä sovellus, joka kykenee tekemään 3D-malleja pistejoukoista. Pistejoukkoja saadaan erilaisilta laitteilta, kuten stereokameroilta, yksikameraisista järjestelmistä ja laser-skannereilta. 3D-malleja, mitä työssä pyritään luomaan, ovat kolmiopohjaiset mallit ja NURBS-mallit. Kolmiomalleja muodostetaan tietyiltä alueilta pistejoukoista ja tätä kolmiomallia käytetään edelleen luomaan neliöpohjainen malli yhdistämällä kolmioita toisiinsa. Nämä neliöt muutetaan arvioiduksi verkkorakenteeksi. Tälle verkkorakenteelle sovitetaan NURBS-pinta ja kaikki NURBS-pinnat yhdessä luovat NURBS-mallin. Työn ratkaisuun vaadittiin useita toimenpiteitä, sillä valittu kolmiointialgoritmi ei toimi häiriölliselle pistejoukolle. Tätä ongelmaa ratkaisemaan toteutettiin klusterointi-menetelmä, joka vähentää pinnan epätasaisuutta. Kun pistepilviä on pienennetty klusteroinnilla, saamme entistä parempia tuloksia kolmiointimenetelmällä. Parempi tulos kolmioinnissa johtaa myös laadultaan parempaan NURBS-malliin, koska mallissa on vähemmän reikiä, jotka haittaavat NURBS:n neliömallin tekoa.