ALGORITMOS DE MAPEADO 3D

5
5.1 introducción

A continuación se presentan los diferentes algoritmos que componen

cada una de las partes que se ocupan de la generación de mapas 3D.
Típicamente, este proceso se divide en dos etapas: en la primera se
genera un mapa 3D disperso de la escena, haciendo uso de la técnica
conocida como Structure From Motion. En base a este mapa disperso,
se utilizarán técnicas de correlación y procesado de nubes de puntos
3D para generar un mapa denso de la superficie.

En el caso de mapas 3D dispersos, se ha realizado una implemen-

tación en C++ haciendo uso de funciones de la librería OpenCV y
PCL, mientras que para el mapeado denso se introducirá el uso del
paquete open-source MICMAC.

5.2 modelo de caja negra

De forma resumida, el esquema de software o pipeline que conlleva

la generación de mapas 3D puede verse como un modelo de caja
negra donde obtenemos unas salidas a partir de unas entradas dadas.
Aunque se profundizará más adelante en el interior de esa caja, en
esta sección se realizará esa abstracción para estudiar cuales son las
necesidades desde el punto de vista entrada-salida.

Figura 15: Modelo de caja negra de la generación de mapas 3D

En la figura 15 se presenta este tipo de modelos, los cuales son

típicos de empresas que ofrecen servicios de mapeado 3D como por
ejemplo, Pix4D. Aparte de las propias imágenes aéreas, se necesita
información sobre el posicionamiento de la cámara en un sistema
de coordenadas así como de los parámetros relativos al proceso de

29
30 algoritmos de mapeado 3d

calibración. En las siguientes secciones se describen estos parámetros

comúnmente conocidos como parámetros extrínsecos e intrínsecos
respectivamente, además de describir el formato de las imágenes y
los mapas 3D obtenidos.

5.2.1 Imágenes aéreas

Desde el punto de vista de los algoritmos de reconstrucción 3D, las

imágenes utilizadas para tal fin deben cumplir una serie de requisitos
los cuales se muestran a continuación:

• Calidad de la imagen: Las imágenes que se usen deben estar

bien enfocadas y con una iluminación acorde a la escena a re-
construir. Para ello, hay que configurar adecuadamente paráme-
tros de la cámara relacionados con la exposición o la sensibili-
dad ISO.

• Solapamiento entre imágenes: Como ya se mencionó anterior-

mente, el principio de reconstrucción 3D se basa en el estableci-
miento de correspondencias entre las imágenes captadas. Para
ello, habrá que diseñar un plan de vuelo acorde a un solapa-
miento previamente calculado.

• Contenido: Para poder establecer esas correspondencias, es ne-

cesario que la imagen sea rica en lo que a textura se refiere.
Fenómenos atmosféricos como destellos o sombras provocarán
unas imágenes que no serán aptas para la generación de mapas
3D. Por este mismo motivo, se debe evitar las zonas homogé-
neas como mares o grandes campos, en los cuales los algoritmos
utilizados fallan.

• Resolución: A más resolución, más características podremos ob-

tener de una imagen, lo que mejorará considerablemente la re-
solución espacial del resultado final, al disminuir la GSD. Las
cámaras actuales ofrecen la posibilidad de captar imágenes con
una resolución en torno a los 16 megapíxeles.

En resumen, antes del proceso de adquisición de imágenes se nece-

sita un estudio previo sobre el terreno a mapear, ya que los paráme-
tros arriba expuestos dependen sensiblemente del diseño de un buen
plan de adquisición. Para un estudio más profundo, se recomienda la
lectura del capítulo 3: Diseño de un vuelo para mapeado 3D, donde
se dan las pautas necesarias para cumplir con estos requisitos.

5.2.2 Parámetros extrínsecos

Los parámetros extrínsecos (ver tabla 2) definen la transformación de

la posición de la cámara a lo largo del tiempo en un sistema de re-
 5.2 modelo de caja negra 31

ferencia global. Es necesario pues, realizar un tracking o seguimiento

de la cámara para cada una de las imágenes tomadas.

Parámetro extrínseco Descripción del parámetro

Rx , Ry , Rz Ángulos de rotación para la transformación del

sistema de referencia global al de la cámara.
Tx , Ty , Tz Componentes de traslación para la transforma-
ción del sistema de referencia global de cada
imagen.

Tabla 2: Definición de parámetros extrínsecos

Como se verá más adelante, esta información de posicionamiento

tambien puede obtenerse mediante el establecimiento de puntos en
común entre cada una de las imágenes. Sin embargo, es necesario
información externa para deshacer la ambigüedad de proyección que
existe utilizando este método. En el caso de integración de cámaras
fotográficas en un UAV, se puede asignar a cada imagen un dato
proveniente de los sensores inerciales (GPS/IMU) para representar
el movimiento de la cámara en un sistema de coordenadas dado. A
partir de estos datos, se crearán unas matrices de traslación y rotación
que definan ese movimiento, de manera que la matriz de proyección
P sea:

P = [R|t] (9)

5.2.2.1 Matriz de traslación

Puesto que una traslación es un caso particular de transformación
afín pero no una transformación lineal, generalmente se usan coorde-
nadas homogéneas para representar la traslación mediante una ma-
triz y poder así expresarla como una transformación lineal sobre un
espacio de dimensión superior.

Así un vector tridimensional T = (Tx , Ty , Tz ) puede ser reescrito

usando cuatro coordenadas homogéneas de manera que :
′
t = (Tx , Ty , Tz , 1) (10)

Por último, debido a que el sistema de ecuaciones que resolveremos

más adelante es lineal, se hará uso de un sistema de coordenadas car-
tesiano. Usualmente, los GPS que se encuentran a bordo de los UAV
obtienen la posición en coordenadas WGS84, el cual utiliza un siste-
ma de coordenadas esférico. Será necesario pues una transformación
a otro tipo de sistemas cartesianos como por ejemplo UTM.
 5.2 modelo de caja negra 33

En general, cualquier rotación puede expresarse como el producto

de las matrices anteriores. Al tratarse de producto de matrices, no
cumple la propiedad conmutativa por lo que es importante el orden
de aplicación. Por ejemplo, si aplicamos los giros en el orden yaw,
pitch y roll, obtenemos una matriz de rotación resultante:

R n = R ψ · Rθ · R φ (14)

 
cosθcosψ cosθsenψ −senθ
 
Rn = 
 cosψsinθsenφ − senψcosθ cosψcosφ + senθsenψsenφ cosθsenφ

cosψsenθcosφ + senψsenφ senψsenθcosφ − cosψsenφ cosθcosφ
(15)
Por tanto, para el calculo de la matriz de rotación habrá que tener
en cuenta cual es el sistema de referencia y aplicar la transformación
en el orden correcto. Como en el caso anterior, se asignará a cada ima-
gen unos ángulos de Euler concretos los cuales serán proporcionados
por los sensores inerciales a bordo del UAV.

5.2.3 Parámetros intrínsecos

Los parámetros intrínsecos sirven para efectuar la transformación de

un punto en 3D en el sistema de referencia de la cámara a un punto
en 2D en el sistema de coordenadas de la imagen, y su descripción se
muestra en la tabla 3

Parámetro intrínseco Descripción del parámetro

fx , fy Distancia focal efectiva en el modelo de cáma-

ra estenopéica, que equivale a la distancia del
origen de coordenadas de la cámara al plano
de la imagen.
s Factor de skew
Cx , Cy Coordenadas (en píxeles) del centro de distor-
sión radial de la imagen.

Tabla 3: Definición de parámetros intrínsecos

Asociada a estos parámetros, se define la matriz K, tal que:

 
fx s cx
(16)
 
K=
0 fy cy 

0 0 1
A continuación se realiza algunas generalizaciones con respecto a
esta matriz:
34 algoritmos de mapeado 3d

1. El factor skew es cero.

2. Los píxeles son cuadrados fx = fy .

3. El punto principal (Cx , Cy ) es conocido y suele coincidir con el

centro de la imagen.

Existen parámetros intrínsecos no lineales como las distorsiones de

lente que no son contempladas por este tipo de modelo de cámara.
Sin embargo existen muchos algoritmos de calibración para calcular
cada uno de estos parámetros, entre los más famosos se encuentra el
algoritmo de Tsai [16]

5.2.4 Mapas 3D

Prosiguiendo con el modelo de caja negra, a continuación se detallan

los principales outputs o salidas del sistema de generación de mapas
3D:

• Mapa 3D disperso: En una primera etapa, se reconstruye la es-

tructura a partir del establecimiento de correspondencias entre
imagenes. Debido a que los detectores de caracteristicas detec-
tan un número pequeño de puntos en común, el mapa obtenido
es un mapa disperso. La densidad del mapa suele rondar el mi-
llón de puntos 3D y el formato más usado es el .ply

• Mapa 3D denso: Posteriormente, se utiliza la estructura anterior

como esqueleto para utilizar técnicas de correlación que permi-
tan expandir regiones y densificar el mapa. Obtenemos así ma-
pas con densidades en torno a los 5 o 6 millones de puntos y
cuyo formato más común es el .obj

• Ortomosaico: Una vez tenemos el mapa 3D denso, se realiza

una vista ortogonal del mismo para la creación de un ortomo-
saico geo-referenciado. Los formatos más comunes son el .TIFF
y el .GEOTIFF debido a la posibilidad de incluir metadatos de
geolocalización, para su posterior procesado en programas soft-
ware GIS tales como arcGIS o similares.

• Ficheros KML: Por último, se propone tambien la generación

de los ficheros .KML necesarios para compatibilizar el mapa
con los servicios ofrecidos por Google Earth, lo cual es muy útil
para aplicaciones que usen esa plataforma.

En la figura 17 se muestra la diferencia entre un mapa disperso y

uno denso al aplicar los algoritmos de mapeado 3D sobre un dataset
proporcionado por la empresa Elimco.
36 algoritmos de mapeado 3d

Figura 18: Esquema general de generación de mapas dispersos (Structure from Motion).

una imagen para resolver cierto problema. Estos rasgos o features en

la imagen pueden tratarse de puntos aislados, curvas o regiones co-
nectadas.

La detección de características puede verse como una operación de

bajo nivel, ya que se examina cada píxel en busca de un determinado
patrón. Normalmente este bloque suele ser el primero en una cadena
de procesado mayor, por lo que la bondad del algoritmo completo
suele depender en parte de estos detectores.

Debido a que muchos algoritmos de visión artificial empiezan con

una extracción de características, existen varios operadores como Canny,
Sobel o el detector de esquinas de Harris. Sin embargo, para la gene-
ración de un modelo 3D disperso, se necesita la mayor cantidad de
características posible además de que el detector sea capaz de identi-
ficar características ante cambios de escala y rotación, pues se proce-
sarán imágenes desde diferentes ángulos.

Con el objetivo de elegir el mejor descriptor de características, se

presenta a continuación el trabajo recogido en [15], en el que se so-
mete una imagen a diferentes transformaciones para comparar la efi-
ciencia de varios extractores de características.

5.3.1.1 Test de rotación

En este test se ha rotado la imagen original 360º con respecto a su
centro con el objetivo de ver la dependencia de la extracción de carac-
terísticas con la rotación. Como se puede observar, todos los descrip-
tores escogidos son invariantes a rotación excepto BRIEF, por lo que
se obtienen buenos resultados en general.
 5.3 mapas 3d dispersos 37

Figura 19: Prueba de rotación para extractores de características

5.3.1.2 Test de escalado

Figura 20: Prueba de escalado para extractores de características.

Para la realización de este test, se ha escalado la imagen original

desde 0.25X hasta 2X con el propósito de ver como actúan los descrip-
tores de características ante cambios de escala. El resultado muestra
como SIFT y SURF poseen una mejor estabilidad debidos a que son
más costosos computacionalmente hablando.
38 algoritmos de mapeado 3d

Figura 21: Prueba de rendimiento para extractores de características.

5.3.1.3 Test de rendimiento

La figura 21 muestra el tiempo de extracción para N características, el
cual crece de manera lineal teniendo en cuenta la escala logarítmica
del eje y.

5.3.1.4 Elección del extractor de características

En conclusión, para obtener un modelo 3D disperso necesitamos es-
tablecer el mayor número de correspondencias posibles así como con-
fiar en que estas correspondencias sean invariantes a escalado y ro-
tación. En nuestro caso, el tiempo de computación no es un factor
limitante por tanto, la mejor opción disponible actualmente se basa
en el uso de descriptores SIFT o SURF.

Para finalizar, en la figura 22 se ha realizado una prueba de extrac-

ción de características utilizando los descriptores SIFT disponibles en
OpenCV, donde se puede apreciar la dependencia del contenido de
la imagen con el número de características detectadas.

5.3.2 Establecimiento de correspondencias

Una vez se han extraído las diferentes características, debemos reali-

zar un seguimiento de esos puntos en el resto de imágenes captadas.
Por tanto, hay que ordenar el set de imágenes para ver cuales poseen
zonas de solape. La opción más fácil sería comparar todas con todas
en busca de puntos en común, lo cual es extremadamente ineficiente
en datasets de centenares de imágenes de alta resolución. En vistas a
realizar una comparación más eficiente, se proponen dos alternativas:
40 algoritmos de mapeado 3d

Figura 23: Resultado del proceso de matching entre dos imágenes aéreas con-
secutivas.

Si la distancia del mejor candidato es pequeña y la del segundo es

muy grande, se acepta con seguridad la elección del primero, pues es
claramente la mejor opción. Recíprocamente, si la distancia de ambos
candidatos son del mismo orden de magnitud, existe la posibilidad
de cometer un error si elegimos uno u otro, por lo que se eliminarían
esos puntos.

5.3.2.2 Filtro de simetría

Si tenemos dos imágenes, todo el proceso de establecimiento de co-
rrespondencias se realiza en ambos sentidos con el objetivo de poder
establecer una similitud entre ambos sets de emparejamientos.

Una vez se ha eliminado outliers mediante el test de distancia, se

aplica este filtro con el objetivo de eliminar aquellos puntos que no
cumplan con una determinada regla de simetría. Esta regla consiste
en comprobar si la correspondencia es la mejor en ambas direcciones,
es decir, se calcula los mejores candidatos en ambas direcciones y ,
en caso de no coincidencia, se eliminan, al ser considerados falsas
detecciones.

5.3.2.3 Filtro basado en la geometría Epipolar

Como última etapa se propone un filtrado mediante el uso de las res-
tricciones propuestas por la geometría epipolar. Después del filtrado
anterior, se deben haber eliminado la mayoría de outliers, por lo que
después de esta última etapa, la mayoría de los puntos emparejados
serán correctos.

De acuerdo con [18], consideremos dos imágenes consecutivas cap-

tadas por una cámara, tal y como se muestra en la siguiente figura:

Con el objetivo de encontrar la imagen x de un punto 3D X, se pue-

de trazar la linea que une este punto 3D con el centro de proyección
 5.3 mapas 3d dispersos 43

común anteriormente calculados y filtrados. Se pretende estimar un

punto 3D que cumpla con esas proyecciones, por tanto:

′ ′
x =PX x = PX (19)
Estas ecuaciones pueden combinarse de la forma AX=0 , la cual
es una ecuación lineal en X. Como se desarrolla en [20], A es de la
forma:

 
xp3T − p1T
 3T
 xp − p2T 

A= ′
  (20)
xp 3T − p ′ 1T 
 
′ ′
xp 3T − p 2T
donde piT son las filas de P. Se tienen 4 ecuaciones con 4 incógnitas
homogéneas. Esto es un sistemas de ecuaciones redundante, ya que la
solución está determinada para un cierto factor de escala. Desde [21]
se propone la implementación de una solución iterativa que permite
resolver este sistema de ecuaciones, con el objetivo de reconstruir los
puntos 3D proyectados.

Por último hay que especificar que los resultados obtenidos siem-
pre tendrán un cierto grado de error, debido a que a lo largo del
proceso hay muchos puntos en los que se va perdiendo precisión y
acumulando grados de error. Por ejemplo, estamos situando la pro-
yección de X en el plano de imagen exactamente en un píxel, cuando
puede darse en el espacio sub-píxel, o podemos tener errores de co-
rrespondencia que generen modelos no válidos e introduzcan error
en la estimación. Una medida geométrica denominada error de re-
proyección cuantifica este error, al medir la distancia entre el punto
original xi y la proyección del punto 3D obtenido xR i = Pi · X de tal
manera que:

errorrep = xi − xR (21)

i

5.3.4 Bundle Adjustment

Sean n puntos 3D vistos desde M vistas diferentes , xR ij la re-proyección

del punto i en la imagen j y xij el punto original. Sea vij una variable
binaria igual a 1 si el punto i es visible en la imagen j y 0 en caso con-
trario. Se define bundle adjustment como el proceso que minimiza el
error de reproyección total de tal manera que:

n X
X m
min vij xij − xR (22)

ij

aj ,bi
i=1 j=1
44 algoritmos de mapeado 3d

Para conseguir reducir el error de reproyección se utiliza un al-

goritmo de minimización no lineal robusto que modifica los valores
estimados de los parámetros conjuntamente, o dicho de otra forma,
intenta ajustar el grupo (bundle) de rayos que unen las proyecciones y
los puntos físicos de tal forma que el error de reproyección sea el me-
nor posible. Este método fue creado en el campo de la fotogrametría
durante la década de 1950 y ha incrementado su uso en los últimos
años gracias a los avances en visión artificial.

Al tratarse de un problema de optimización sobre una función no

lineal, bundle adjustment hace uso de algoritmos de mínimos cua-
drados. El más conocido, Levenberg-Marquardt (LM) ha probado ser
uno de las mejores opciones debido a su fácil implementación y rápi-
da convergencia.Para poder empezar con la optimización, LM necesi-
ta un punto de partida, un conjunto de valores para los parámetros y
las mediciones de error para dichos parámetros. A cada iteración de
LM se calcula un nuevo conjunto de parámetros que reduce el error,
hasta llegar a la solución óptima, y la modificación que se produce
entre una iteración y la siguiente es aquella que minimiza el error en
un cierto grado.

En cuanto a su implementación, existen herramientas open source

como sba [22] el cual implementa en el lenguaje de programación C++
una versión dispersa del algoritmo LM especialmente adaptado a re-
construcción 3D. En la figura 27 se ha representado de manera gráfica
el error de reproyección con el objetivo de ver el efecto de bundle ad-
justment. En 27a el error de reproyección era de unos 400 píxeles de
media mientras que en 31b el error disminuye hasta 0,3 píxeles. Cabe
aclarar que el error de reproyección es una medida geométrica, por
lo que no corresponde con medidas de error absolutas.

5.4 mapas 3d densos

Hasta ahora, el procedimiento seguido para la reconstrucción de un

punto 3D aislado ha sido localizar ese punto en las imágenes de las
que disponemos y mediante técnicas de triangulación y optimización,
calcular su coordenada 3D. Como ya se mencionó anteriormente, la
media de puntos emparejados entre dos imágenes suele rondar los
10.000 píxeles en imágenes cuya resolución ronda los 14 millones de
píxeles. El rendimiento de detección es muy bajo y , por consiguiente,
el mapa 3D obtenido es disperso. Por tanto, el objetivo de esta eta-
pa consiste en expandir esas regiones de correspondencia haciendo
uso de técnicas de correlación. Para ello, se explicará la implementa-
ción sugerida por el IGN francés a través de su librería open-source
MICMAC
46 algoritmos de mapeado 3d

(a) Imagen escalada 2k k=1. (b) Imagen escalada 2k k=3.

(c) Imagen escalada 2k k=5. (d) Imagen escalada 2k k=7.

Figura 28: Ejemplo de aproximación multi-resolución.

5.4.2 Función de energía

El principal objetivo del establecimiento de correspondencias es cal-

cular una función Fz con la restricción de que las imágenes que se
apliquen sean similares (de hecho serán las utilizadas en la aproxima-
ción piramidal).
Sea:

• Corr(x, y, Fz (x, y))) > 0 un criterio para medir la similitud en-

tre las diferentes imágenes. Cuando Corr=0 las imágenes son
perfectamente idénticas.

• ▽(Fz ) el gradiente de Fz .
reg
• ▽(Fz ) la norma del gradiente que es usada como un pará-

metro de regulación (penaliza la variación de Fz ).

Se define la función de energía a minimizar como:

ZZ reg
ε(Fz ) Corr(x, y, Fz (x, y) + ▽(Fz ) (23)

 5.4 mapas 3d densos 47

Para minimizar esta función varios son los algoritmos propuestos

por MICMAC. El primero de ellos trata de buscar el mínimo absoluto,
lo cual es muy ineficiente computacionalmente hablando en proble-
mas de dos dimensiones. Al contrario, el segundo algoritmo se basa
en el cálculo un pseudo-óptimo a través de programación dinámica.
Este último método tiene la ventaja de ser mucho más rápido que el
anterior, además de que puede ser generalizable para problemas de
dos dimensiones.

5.4.3 Coeficiente de correlación

Como criterio para establecer correspondencias, MICMAC hace uso

del coeficiente de correlación ZNCC (Zero-mean Normalized Cross
Correlation). Este criterio se adapta bien a la generación de mapas,
debido a que entre las imágenes existe variación de intensidad y con-
traste. La correlación en el punto x = (x, y)T en un entorno de vecin-
dad △ = (△x , △y)T se define:

P ′ ′
(I(x + i) − Ī(x))(I (x + △ + i) − Ī (x + △))
Corrx (△) = P 1
( i (I(x + i) − Ī(x))2 i (I (x + △ + i) − Ī (x + △)2 ) 2
P ′ ′

(24)
′
donde Ī y Ī hace referencia al valor medio de la intensidad de la
ventana elegida y centrada en x.

Por último, la figura 29 muestra los mapas de correlación haciendo

uso de la aproximación multi-resolución mencionada anteriormente.

5.4.4 Procesado de la nube de puntos

Una vez tenemos el mapa 3D densificado, es necesario aplicar un

post-procesado a la nube de puntos obtenida con el objetivo de textu-
rizar y dar continuidad al mapa. El principal problema de las técnicas
de correlación es que no solucionan el problema de las occluded zones
o zonas oscuras. Este problema está presente debido a la presencia
de zonas homogéneas en la imagen las cuales poseen un coeficiente
de correlación ZNCC bajo. En vistas a obtener un modelo continuo,
se propone a continuación el uso de técnicas de interpolación 3D que
permitirá la obtención de un modelo triangular del mapa 3D.

5.4.4.1 Triangulación de Delaunay

La triangulación de Delaunay consiste en la creación de una red de
triángulos a partir de un set de puntos aislados los cuales cumplen la
condición de Delaunay.
48 algoritmos de mapeado 3d

(a) Mapa de correlación escalado 2k k=1. (b) Mapa de correlación escalado 2k k=3.

(c) Mapa de correlación escalado 2k k=5. (d) Mapa de correlación escalado 2k k=7.

Figura 29: Comparativa de diferentes sistemas de captación de imágenes.

Según la definición de Delaunay la circunferencia circunscrita es va-

cía, si no contiene otros vértices aparte de los tres que la definen. La
condición de Delaunay dice que una red de triángulos es una triangu-
lación de Delaunay si todas las circunferencias circunscritas de todos
los triángulos de la red son vacías. Esa es la definición original pa-
ra espacios bidimensionales. Sin embargo, es posible ampliarla para
espacios tridimensionales usando la esfera circunscrita en vez de la
circunferencia circunscrita.
En la figura 46 se puede observar un ejemplo de triangulación de
Delaunay

5.4.4.2 Reconstrucción de superficies de Poisson

El algoritmo de reconstrucción de superficies de Poisson es una apro-
ximación que permite el cálculo de superficies como una solución a
 5.4 mapas 3d densos 49

(a) Puntos iniciales. (b) Creación del mo- (c) Aplicación de la

delo triangular condición de De-
launay

Figura 30: Triangulación de Delaunay.

una ecuación de Poisson. De acuerdo con [23] primero se calcula el

indicador de función de la figura, definido como:


1 ifp ∈ M
χM (p) = (25)
0 ifp ∈
/M

Además se sabe que existe una relación entre los puntos muestrea-
dos de una superficie y el indicador de función del modelo. Más
específicamente, el gradiente del indicador de función es un campo
vectorial que es cero en casi todo el modelo excepto en los puntos
cercanos a la superficie, donde es igual a la normal en ese punto.
Entonces, el problema se resume en encontrar una función escalar χ
cuyo gradiente mejor se aproxime al campo vectorial V~ tal que:

~
minχ ▽χ − V (26)

Aplicando el operador de divergencia, este problema se transforma

en un problema de Poisson:

~ ⇔ ▽2 χ = ▽ · V
▽ · (▽χ) = ▽ · V ~ (27)

Existen varias implementaciones de estos algoritmos aunque la que

se ha hecho uso para este proyecto es la implementación en la librería
de tratamiento de nubes de puntos PCL [6]. La figura 31muestra el
modelo triangular haciendo uso de la implementación del algoritmo
de Poisson. Se ha realizado la triangulación sobre el modelo disperso
con vistas a observar mejor la interpolación realizada.
50 algoritmos de mapeado 3d

(a) Reconstrucción de superficies de Poisson sobre modelo 3D disperso

(b) Visualización octree del mapa 3D.

Figura 31: Ejemplo de técnicas de reconstrucción de superficies