Anttoni Porri
Teknologian kehityksen myötä valokuvaukseen perustuva 3D-skannaus on yksinkertaisimmillaan toteutettavissa kamerallisella mobiililaitteella. Erilaisia skannaussovelluksia on saatavilla useita, ja optimaalisissa olosuhteissa niillä voidaan saada hyvinkin näyttäviä lopputuloksia aikaiseksi.
Lähtökohtana oli demonstroida digitointia Oulaisten vuoden 1950 pienoismallista, joka sijaitsee Wanhan Woiman perinnekeskuksen museossa. Digitoinnin työkaluiksi valikoituivat valokuvaukseen perustuvat 3D-mallinnustekniikat (fotogrammetria ja gaussian splatting).
Kyseiset tekniikat soveltuvat tämänkaltaiseen skannaukseen mainiosti, koska 3D-malli luodaan kohteesta otettujen valokuvien perusteella ja samasta kuvadatasta saadaan taltioitua korkearesoluutioinen väridata, jota voidaan hyödyntää 3D-mallin realistisessa värityksessä.
Toteutuksessa käytetyt 3D-skannaustekniikat
3D-skannaus tarkoittaa yksinkertaisuudessaan sitä, että 3D-mallin luomista varten kerätään tietoa alkuperäisen skannatun objektin 3D-muodoista (Sinivaara 2025). Kohteen muoto voidaan skannata useilla eri tekniikoilla, mutta tässä toteutuksessa käytetyt 3D-skannaustekniikat olivat fotogrammetria ja gaussian splatting.
Kumpikin tekniikka perustuu valokuvaukseen, ja sama datankeräysprosessi pätee kummassakin tapauksessa. Data kerätään ottamalla kohteesta useita valokuvia eri kohdista ja kulmista, jotta kuvien väliltä voidaan löytää tarpeeksi yhtenäisiä rakenteita myöhempää laskentaa varten.
Fotogrammetrian ja gaussian splattingin merkittävimmät erot ilmenevät siinä, miten 3D-malli rakentuu ja miten kuvasynteesi toteutetaan. Fotogrammetriassa 3D-malli muodostuu kolmioverkosta (mesh) ja mallin pinnalle projisoitavasta värityksestä (tekstuuri). Gaussian splattingissä 3D-mallin rakenne luodaan datapisteiden avulla perinteisen kolmioverkon sijaan. Tekniikka perustuu kuvien tai videon sisällön näkymän mallintamiseen reunoilta läpikuultavien, soikion mallisten datapisteiden eli gaussianeiden avulla (Sinivaara 2025).
Skannaustilan valmistelu
Valokuvaukseen perustuvat mallinnustekniikat vaativat hyvän, tasaisen valaistuksen, jotta 3D-mallista saadaan hyvälaatuinen. Tasaisen hajavalon käyttö on suositeltavaa (esimerkiksi ulkokuvauksissa pilvinen sää on hyvä), koska tällöin kuvattavaan kohteeseen ei muodostu kovia varjoja, jotka voivat aiheuttaa ongelmia 3D-mallin prosessoinnissa.
Pienoismalli sijaitsi vanhassa museorakennuksessa, jossa olosuhteet eivät olleet otolliset skannauksen suorittamiselle. Haasteita aiheuttivat kuvattavaa kohdetta ympäröivä ahdas tila sekä heikko valaistus. Pienoismallin siirtäminen ei ollut mahdollista, joten valaistusta pyrittiin parantamaan liikuteltavilla LED-valaisimilla. Valaisimet asemoitiin kolmijaloille siten, että ne muodostivat mahdollisimman vähän varjoja ja heijastuksia pienoismallin pinnalle. Valaisimien valotehoa ja värilämpötilaa säädettiin niin, että värit näyttäisivät mahdollisimman neutraaleilta kuvissa.
Ahtaaseen tilaan ei pystytty vaikuttamaan. Tämä vaikutti skannauksen toteutukseen siten, että kohdetta ei pystytty kuvaamaan samalta etäisyydeltä kaikista kuvakulmista. Siksi kuvat eivät olleet tasalaatuisia.
Pienoismallin skannaus
Skannausprosessi suoritettiin kuvaamalla pienoismalli kahdella eri mobiilisovelluksella ja järjestelmäkameralla. Mobiilisovelluksina käytettiin KIRI Engineä ja RealityScania Android-laitteella. Kummastakin sovelluksesta oli käytössä ilmaisversiot, jotka rajoittivat kuvienottomäärää (KIRI Enginessä 150 ja RealityScanissa 200 kuvaa). Järjestelmäkameralla (Sony α6600) pienoismallista otettiin noin 200 kuvaa.
Skannauksen aikana kuvattavaa kohdetta kierrettiin ympäri, ja samalla otettiin kuvia eri kulmista ja etäisyyksiltä pienoismallin keskustaa kohden (kuva 1). Tavoitteena oli kuvata kaikki pienoismallin sisältämät objektit joka suunnasta niin, ettei mikään alue jäisi peittoon.
Skannaus tehtiin kolme kertaa, ensiksi mobiilisovelluksilla ja lopuksi järjestelmäkameralla. Mobiilisovelluksilla tehdyt skannaukset toteutettiin sovellusten oletusasetuksilla. Dataa ei tarvinnut prosessoida manuaalisesti, vaan kuvausten jälkeen sovellukset käsittelivät datan automaattisesti pilvipalveluiden kautta.
Järjestelmäkameralla tehty kuvaus suoritettiin samalla tavalla kuin mobiilisovelluksilla, mutta kameran asetukset säädettiin kuvaustilaan sopiviksi manuaalisesti. Varsinkin fotogrammetriassa kuvien laadun tulee olla hyvä, jotta 3D-mallista saadaan tarkka. Kuvien tulee olla korkearesoluutioisia, teräviä (ei tärinää, laaja terävyysalue) ja hyvin valaistuja.
Kameran asetuksista säädettiin suljinaika, syväterävyys, valkotasapaino ja ISO-arvo siten, että kuviin tulisi mahdollisimman vähän epäterävyyttä ja rakeisuutta ja että kenno saisi tarpeeksi valoa. Valkotasapaino määriteltiin tilan mukaan ja lukittiin, jolloin värit pysyivät samoina kuvien välillä.
Kamerassa käytettiin 16–50 millimetrin kittiobjektiivia 24 millimetrin polttovälillä, jotta ahtaassa tilassa saatiin otettua laajempia kuvia. Tilan ahtauden takia kolmijalkaa ei voitu käyttää kuvatessa, joten suljinajan piti olla nopea liike-epäterävyyden välttämiseksi. Käsivaralta suoritetun kuvauksen vuoksi syväterävyysaluetta jouduttiin kaventamaan ja ISO-arvoa kasvattamaan, jotta kenno sai enemmän valoa ja kuvat valottuivat paremmin.
Kuvamateriaalin prosessointi
Kuvauksen jälkeen järjestelmäkameralla otetut kuvat prosessoitiin fotogrammetriaohjelmistolla (RealityCapture) ja gaussian splatting -ohjelmistolla (Postshot). Ensimmäiseksi kuvat ladattiin RealityCaptureen, jossa kuva-aineisto analysoitiin ja luotiin tiheä pistepilvi. Pistepilveä siistittiin ohjelmiston työkaluilla erottelemalla skannaustilan epäoleelliset rakenteet, kuten seinät, lattia ja katto pois kokonaisuudesta. Pistepilven siistimisen jälkeen muodostettiin kolmioverkkomalli keskitason tarkkuudella.
Mallista tehtiin myös toinen versio korkealla tarkkuudella, mutta ero visuaalisuudessa oli minimaalinen, vaikka tiedoston koko kasvoi merkittävästi. Lopuksi kolmioverkkomallille luotiin väritys eli tekstuuri (kuva 3). Prosessoinnin jälkeen 3D-malli tallennettiin obj-tiedostomuotoon ja tekstuurit png-kuvaksi jatkokehitystä varten.
Kuva-aineiston prosessointi Postshotilla noudatti samaa kaavaa kuin RealityCapturessa. Ensimmäiseksi ohjelmisto analysoi kuva-aineiston, loi pistepilven sekä asetti kamerat oikeisiin asentoihin ja sijainteihin 3D-avaruudessa. Pistepilven muodostuksen jälkeen ohjelmisto teki 3D-mallin ”koulutuksen”, jossa optimoitiin gaussianeista koostuvia ”splatteja” tarkemman lopputuloksen saavuttamiseksi. 3D-mallin tarkkuus kasvoi sitä mukaa, mitä enemmän koulutukselle annettiin aikaa.
Johtopäätökset
Kummallakin tekniikalla on omat heikkoutensa ja vahvuutensa, mutta tässä projektissa pääpainona oli visuaalisuus. Samasta lähdemateriaalista visuaalisesti kokonaisvaltaisesti näyttävämpi lopputulos saatiin aikaiseksi gaussian splatting -tekniikalla.
Gaussian splattingilla toteutetussa 3D-mallissa rakennusten yksityiskohdat ja väritys näyttivät huomattavasti selkeämmältä kuin fotogrammetriaohjelmistoilla toteutetuissa (kuva 5). Kuitenkin joillain alueilla fotogrammetrialla toteutetussa mallissa tekstuurit näyttivät tarkemmilta varsinkin lähempää tarkasteltuna, mutta tällaiset alueet olivat hyvin harvassa.
Gaussian splattingin vahvuutena on, että se ei ole yhtä herkkä epätäydellisille kuvadatoille kuin fotogrammetria ja pystyy renderöimään monimutkaisia kohteita, kapeita rakenteita (esimerkiksi kasvillisuutta) sekä kiiltäviä ja läpinäkyviä materiaaleja. Visualisointiin gaussian splatting on hyvä vaihtoehto, koska prosessointi on nopeaa ja lopputulos realistinen.
Heikkoutena on 3D-mallin volumetrinen rakenne, joka ei muodostu fotogrammetrialla tuotetun 3D-mallin tavoin polygonirakenteesta vaan datapisteistä (kuva 6). Mallin muokattavuus on tämän vuoksi matala.
Kaikki fotogrammetrialla toteutetut 3D-mallit olivat jollain tapaa epäonnistuneita vääristyneen geometrian tai tekstuureiden osalta. Paras tulos fotogrammetrialla saatiin aikaiseksi järjestelmäkameralla kuvatusta ja RealityCapturella prosessoidusta aineistosta. Mobiilisovelluksilla (KIRI Engine ja RealityScan) skannatut mallit olivat selkeästi heikkolaatuisimmat.
KIRI Enginellä toteutetussa mallissa geometrian kulmikkaat rakenteet olivat hyvin pehmeitä ja muistuttivat palanutta kynttilää. RealityScanilla toteutetussa mallissa geometria oli röpelöinen ja piikikäs, ja joillekin alueille oli muodostunut reikiä. Kumpikin sovellus tuotti kellertävän tekstuurin 3D-mallin pinnalle. Myös järjestelmäkameralla kuvatussa ja RealityCapturella prosessoidussa 3D-mallissa oli selkeitä häiriöitä, mutta ei niin silmiinpistäviä kuin mobiilisovelluksien tuotoksissa (kuva 7).
Fotogrammetrian etu on se, että optimaalisissa olosuhteissa sillä voidaan luoda mittatarkkoja, teksturoituja kolmioverkkomalleja. Kolmioverkkomallien käsittely on helpompaa, koska niiden muotoja ja tekstuureita pystytään tarvittaessa muokkaamaan useilla eri ohjelmistoilla jälkikäteen. Perinteiset kolmioverkkomallit ovat myös monikäyttöisiä, ja niitä voidaan käyttää useissa eri sovelluksissa ja medioissa, kuten animaatioissa, pelikehityksessä ja 3D-tulostuksessa.
Fotogrammetrian heikkouksiin voidaan laskea valaistuksen ja skannattavan kohteen pintamateriaalien merkitys. Kovat varjot skannattavan kohteen pinnalla sekä läpinäkyvät, kiiltävät ja yksiväriset materiaalit aiheuttavat usein vääristymiä 3D-mallin laskennassa. Myös monimutkaisten ja ohuiden rakenteiden skannaus voi tuottaa ongelmia.
Paremman lopputuloksen saavuttamiseksi pienoismallista olisi pitänyt ottaa huomattavasti enemmän kuvia ja pienet yksityiskohdat olisi pitänyt kuvata tarkemmin eri suunnista. Myös kapeampi syväterävyysalue aiheutti pientä epäterävyyttä kauempana näkyviin objekteihin, koska pienoismalli oli pinta-alaltaan melko kookas, arviolta 180 x 180 senttimetriä ja pienimmät objektit parin senttimetrin kokoisia. ISO-arvon kasvatus lisäsi hieman digitaalisen kohinan määrää kuviin, mikä saattoi vaikuttaa 3D-mallin röpelöiseen rakenteeseen.
Tämä teknologiakokeilu on tehty Euroopan unionin Interreg Aurora -ohjelman rahoittamassa SUMMATION-hankkeessa, jonka tavoitteena on edistää innovaatiovalmiuksia ja kehittyneiden teknologioiden käyttöönottoa eri kohderyhmien keskuudessa. Käytännön käyttötapauksia käytetään inspiraation lähteinä näille ja muille kohderyhmille. Hanke päättyy joulukuussa 2025.
Lähteet
Sinivaara, S. 2025. 3D Gaussian Splatting -tekniikan hyödyntäminen 3D-mallinnuksessa. Saatavissa: https://urn.fi/URN:NBN:fi:amk-202504176825. Viitattu 10.9.2025.
Anttoni Porri
TKI-asiantuntija
Centria-ammattikorkeakoulu
p. 040 729 9935
