Egy pontfelhő rögzítése csupán az első lépés. A lézerszkennelésekből származó nyers adatokat egy sor feldolgozási lépésen kell keresztülvezetni ahhoz, hogy hasznos modellek vagy rajzok születhessenek belőlük. Ebben a cikkben végigvesszük a teljes pontfelhő-feldolgozási folyamatot – a kezdeti adatgyűjtéstől a végeredmény CAD/BIM integrációjáig. Minden lépést részletesen magyarázunk, bemutatva a legjobb gyakorlatokat és példafolyamatokat is. A folyamat pontos megértése lehetővé teszi a műszaki csapatok számára, hogy megtervezzék az erőforrásokat, megfelelő szoftvereszközöket válasszanak, és fenntartsák az adatok minőségét a projekt teljes életciklusa során.

1. Adatgyűjtés és importálás

A terepi szkennelés után az első feladat a nyers adatok konszolidálása. A földi szkennerek gyakran minden álláspontból külön fájlt hoznak létre (például a Leica szkennerek .e57 vagy saját formátumokat generálnak felvételenként). A mobil térképező rendszerek egy folyamatos pontfelhőt vagy egy pályaadatot és külön szkenfájlt adhatnak eredményül. A folyamat az összes nyers szken beimportálásával kezdődik egy feldolgozási környezetbe. Speciális regisztrációs szoftverek – például a Leica Cyclone, a Trimble RealWorks vagy a nyílt forráskódú CloudCompare – képesek az olyan formátumok fogadására, mint az E57, LAS/LAZ, PLY stb.
Ebben a fejezetben kulcsfontosságú az adatok rendszerezése – a szkeneket helyszín vagy azonosító szerint megfelelően kell elnevezni, és minden metaadatot (például szkennerkalibrációkat, GNSS naplókat légi szkennelésekhez) meg kell őrizni. Ajánlott egy konzisztens koordináta-rendszer is kialakítása. Ha a projekthez rendelkezésre áll geodéziai kontroll (ismert pontok országos vagy helyi koordinátarendszerben), ezek a hivatkozási pontok későbbi illesztéshez rögzítendők.
A 1. fejezet célja: „ellenőrizzük, hogy megvannak-e a kirakós minden darabjai, és tudjuk, hova kell tenni őket” az összerakás előtt.

2. Regisztráció (szkenek igazítása)

Egyetlen szken ritkán képes mindent rögzíteni; általában több nézőpontból készült szkeneket kell összefűzni egy koherens pontfelhővé. A regisztráció során ezek a szkenek egy közös koordinátarendszerbe kerülnek igazításra. Ez történhet célpont-alapúan (fizikai célpontok, például sakktáblák vagy retroreflektív gömbök elhelyezésével) vagy célpont nélküli (cloud-to-cloud) módszerekkel, ahol az átfedő geometriák egyeztetése történik.
A modern szoftverek gyakran ICP (Iterative Closest Point) algoritmusokat alkalmaznak: a felhasználó megad egy kezdeti illesztést, majd a szoftver finomhangolja az igazítást az átfedő pontok közötti távolságok minimalizálásával. Az eredmény egy transzformációs mátrixhalmaz, amely minden szkent a közös keretbe helyez.
A jó regisztráció kritikus – itt elkövetett hibák továbbgyűrűznek a végső modellbe. A legjobb gyakorlat a regisztrációs QA/QC elvégzése, az átfedési zónák ellenőrzésével. Sok szoftver jelentéseket is készít (például az átlagos illesztési hiba értékeit), valamint színkódolt eltérés-térképeket ad. Például a CloudCompare ICP-je szubcentiméteres illesztést is elérhet megfelelő átfedés és kezdeti pozícióbecslés mellett.
Ha mérték fel geodéziai kontrollpontokat (GNSS-szel vagy totálállomással), akkor ebben a fázisban kell georeferálni a pontfelhőt, azaz a regisztrált adatokat a valós koordinátákhoz igazítani.
A 2. fejezet eredménye: egyetlen, egységes pontfelhő, amely az egész szkennelt környezetet reprezentálja.

3. Tisztítás és szűrés

A nyers pontfelhők gyakran tartalmaznak nem kívánt adatokat – zajt és kiugró pontokat –, amelyeket modellezés előtt el kell távolítani.
A zaj keletkezhet tükröződő felületekről (például fényes fémekről származó hibás pontok) vagy a szkenner hatótávolságának szélén megjelenő műtermékekből. Kiugró pontok lehetnek például áthaladó emberek, járművek vagy véletlenszerű visszaverődések.
A tisztítás során szűrőket alkalmaznak ezek eltávolítására. Gyakori módszerek:

• Statisztikai outlier szűrő: eltávolítja azokat a pontokat, amelyek sűrűségük alapján eltérnek helyi környezetüktől.
• Sugár-alapú szűrő: eltávolítja az elszigetelt pontokat, amelyek környezetében kevés szomszéd található meghatározott sugarú körön belül.

Szoftverek, mint a CloudCompare vagy a PCL (Point Cloud Library) készen kínálják ezeket az eszközöket.
Emellett hasznos a pontfelhő körülvágása az érdeklődési területre – például ha a szken egy építkezési telek környezetét vagy az égboltot is tartalmazza, ezek levághatók.
A tisztítás másik aspektusa a zajcsökkentés: a felületeken megjelenő kis rezgések kisimítása. Bár léteznek algoritmusok pontfelhők simítására, gyakran praktikusabb a zajt a hálózás vagy modellezés fázisában kezelni.
Enyhe manuális tisztítás (például szabad szemmel látható kiugró klaszterek eltávolítása) már elegendő lehet ebben a fejezetben.

A tisztítás után általában ritkítást végeznek: ezzel csökkentik a pontsűrűséget, így könnyebb kezelni az adathalmazt, miközben megőrzik az alapvető részleteket.
Egy elterjedt módszer a voxel grid ritkítás, amelynél a teret 3D rácshálóra osztják (például 5 mm-es vagy 1 cm-es kockákra), és minden rácskockában csak egy pontot tartanak meg (jellemzően a középpontot vagy a legjobban reprezentáló pontot).
Ez drámai adatcsökkentést eredményezhet – például egy 200 millió pontos pontfelhőből 20 millió pontos adatot készíthetünk, szinte elhanyagolható pontosságveszteséggel.

A 3. fejezet eredménye: egy tisztább, karcsúbb pontfelhő, amely továbbra is hűen tükrözi a jelenet geometriáját.

4. Szegmentálás és osztályozás

Miután a pontfelhő regisztrált és megtisztított, a következő lépés az értelmes csoportokba, objektumokba rendezése.
A nyers pontfelhő csak milliárdnyi xyz koordináta – a szegmentálás strukturálttá teszi az adatot azáltal, hogy a pontokat az általuk képviselt objektumok vagy objektumrészek szerint csoportosítja.

Alkalmazott technikák például:

• Geometriai szegmentálás (region growing): Ez az algoritmus összekapcsolja azokat a pontokat, amelyek hasonló felületi normálvektorral vagy görbülettel rendelkeznek, így például síkokat vagy hengerfelületeket különít el. Például egy folyamatos fal vagy padló pontjai hasonló normállal rendelkeznek, így egy síkként szegmentálhatók.
• Modellezésre alapozott illesztés: Egyes eszközök egyszerű alapformákat (primitíveket) illesztenek a pontfelhőre. RANSAC-alapú algoritmusok képesek például hengerek (csövek), gömbök (tartályfedők) és síkok (falak, födémek) azonosítására véletlenszerű mintavételezéssel.
• Klaszterezés: Egyszerűbb módszerek, például DBSCAN (sűrűség-alapú klaszterezés) elkülönítik a különálló pontcsoportokat – hasznos például ipari felméréseknél, ahol különálló gépeket vagy alkatrészeket kell azonosítani.
• Szemantikai szegmentálás (gépi tanulással): Egyre gyakrabban alkalmaznak gépi tanulási technikákat a pontfelhők automatikus kategorizálására. Megcímkézett adatokon betanított neurális hálók képesek felismerni például „oszlopot”, „gerendát”, „fát”, „járművet” a geometria (és esetenként a szín) alapján. Például egyes szoftverek automatikusan megkülönböztetik az építési szkenekben a szerkezeti elemeket a gépészeti, elektromos vagy vízvezetékes elemektől (MEP).

A szegmentálás célja a bonyolult pontfelhő kisebb, kezelhető egységekre bontása.
Egy üzem szkenjében például szétválaszthatjuk a csővezetékeket, berendezéseket, padlókat, falakat és tartószerkezeteket külön klaszterekbe. Ez megkönnyíti a következő lépést: a modellezést, hiszen minden szegmenst külön-külön lehet feldolgozni.

5. Jellemzők kinyerése és hálózás (modellkészítés)

A projekt igényeitől függően a következő lépés két irányba ágazhat:

• Hálózás: a pontok 3D felületté (háromszög hálóvá) alakítása.
• Funkció-alapú modellezés: CAD/BIM elemek (síkok, kihúzások stb.) létrehozása a pontok alapján.

Hálózás akkor jellemző, ha vizuális modelleket, textúrázott modelleket készítünk, vagy ha a tárgy szabadformájú (például műalkotás, szabálytalan alakú szerkezetek).
Algoritmusok, mint a Poisson surface reconstruction vagy a ball-pivoting, a pontokból folytonos hálót számolnak, amely összeköti azokat.
A hálózás használatos például terepmodellek (TIN – Triangular Irregular Network) vagy 3D nyomtatásra szánt modellek előállításakor is.
A kihívás, hogy a részleteket megőrizzük, miközben kisimítjuk a zajt.
Tiszta, sűrű pontfelhőből pontos háló készíthető; gyér vagy zajos adatokból viszont egyenetlen, lyukas háló keletkezhet.
A legjobb eredmény érdekében szegmentumonként érdemes hálót készíteni (például csőcsoportokat, gépeket külön).
Az eredmény egy vízzáró (watertight) felületmodell a környezetről.

Funkció-alapú modellezés elengedhetetlen CAD és BIM integrációhoz.
Itt nem nyers hálót készítünk, hanem paraméteres geometriát: falakat, ajtókat, gerendákat, csatornákat – mindezt a pontfelhőhöz illesztve.
Ez félautomata vagy manuális folyamat, jellemzően szoftverekkel, mint az Autodesk ReCap, a Leica CloudWorx, az EdgeWise stb.
A kezelő kiválaszt egy szelet pontfelhőt, illeszt egy egyenest vagy téglalapot egy falhoz, vagy felismer egy hengeres csővezetéket.
Néhány szoftver automatikusan felismeri a hengereket, és középvonalat, átmérőt generál. Mások gyorsan síkokat állítanak elő a falakhoz, padlókhoz.
Az eredmény egy CAD primitívek vagy BIM elemek halmaza.
Épületeknél ez azt jelenti, hogy as-built BIM-modellt hozunk létre (például Revitben vagy ArchiCAD-ben), ahol minden elem a pontfelhő alapján helyesen pozícionált.
Gépészeti reverse engineering esetén pedig a berendezések szilárdtest-modelljeit kapjuk meg a szkennelt alakhoz igazítva.
Ez a rész – ha kézzel végezzük – lehet a legidőigényesebb, de az eredmény egy intelligens, szerkeszthető, annotálható, tervezésekbe integrálható modell lesz.

6. Validáció és optimalizáció

Mielőtt a modelleket használnánk, validálni kell őket az eredeti pontfelhőhöz képest.
Ellenőrizni kell az eltéréseket: a modellt a pontfelhőre helyezve lehet megmérni, hol van eltérés.
Sok szoftver kínál deviation heatmap funkciót, amely színesen jelzi az eltéréseket.
Így kiszűrhetők például, ha egy fal ferde, vagy ha egy elem elcsúszott.
Optimalizáció során lehet például ritkítani a hálósűrűséget ott, ahol nem szükséges, kitölteni kisebb lyukakat, vagy egyszerűsíteni a geometriát szimulációs célokra.
CAD esetén ez lehet például falak pontos függőlegessé tétele vagy derékszögek rögzítése, ha a cél egy szabályosított modell.

7. Exportálás és integráció

Az utolsó lépés az elkészült eredmények exportálása a megfelelő formátumban:

• Tisztított pontfelhő (pl. E57, LAS) továbbadása partnereknek.
• Hálók exportálása OBJ vagy STL formátumban vizualizációhoz vagy gyártáshoz.
• BIM modellek exportálása IFC vagy RVT formátumban építészek/mérnökök számára.
• CAD modellek (STEP, IGES) exportálása gépészeti alkatrészekhez, például PLM-rendszerekbe (Product Lifecycle Management).

Exportáláskor figyelni kell a formátumok korlátaira (ez a 3. cikk témája lesz). Például az IFC nem tud mindig saját pontfelhő-adatot tárolni, így bizonyos esetekben a hálók előnyösebbek.
Továbbá a koordináta-rendszereket is kezelni kell: ha az adatok nagy számértékekkel dolgoznak (pl. több százezer méter a projekt nullpontjától), néhány CAD-szoftver pontossági problémákba ütközhet – ekkor érdemes áthelyezni az adatot az origó közelébe.
A dokumentáció kulcsfontosságú: világosan rögzíteni kell, milyen koordináta-rendszert, mértékegységeket használtunk, milyen adatcsökkentést alkalmaztunk.

Ezt a folyamatot követve a műszaki csapatok szisztematikusan alakíthatják át a terepi adatokat kézzelfogható eredményekké. Fontos megjegyezni: a folyamat gyakran iteratív. Előfordulhat, hogy további szkennelésekre lesz szükség, ha valami kimaradt, vagy a szegmentálás közben derül ki, hogy egyes részek újrafelvételt igényelnek.
Az iteráció és rugalmasság a sikeres projekt része.

A magyar gyakorlatban egyre több cég szerez rutint ebben a munkafolyamatban: például budapesti BIM-tanácsadók rutinszerűen készítenek lézerszkennelésből hetek alatt teljes Revit modelleket, igazodva a magyar építési szabványokhoz és az Építésügyi Technikai Védelmi (ÉTV) előírásokhoz.
A pontfelhő-feldolgozás magas szintű tudása versenyelőnnyé válik – akik gyorsabban és pontosabban képesek a nyers adatokat használható modellekké alakítani, több projektet nyerhetnek el a digitális korszakban.

A következő cikk a formátumok és konverziók finomságaiba mélyed bele, hogy az adatok gördülékenyen áramolhassanak a különböző szoftveres eszközök között.