Zum Inhalt springen
bestand.digital

Punktwolke, Datenmenge und Performance: rechnen, ausdünnen, streamen

Stand November 2026 · Redaktion Bestandsdigital · Lesezeit ca. 7 min

Ein Rechner mit 32 GB Arbeitsspeicher, eine Wolke mit 500 Millionen Punkten, und das Programm bricht beim Laden ab. Wer die Zahlen aufschreibt, sieht den Grund meist sofort. Bei einer Annahme von 12 Byte für X, Y und Z als 32-Bit-Zahlen plus 3 Byte für Farbe sind es 15 Byte je Punkt, also 500.000.000 × 15 Byte = 7,5 Milliarden Byte, rund 7,5 GB. Das ist eigene Rechnung mit angenommenem Speicherlayout, kein Wert eines bestimmten Programms. Dazu kommen aber Hilfsstrukturen, Darstellungspuffer und das Betriebssystem. Das Thema Punktwolke Datenmenge Performance lässt sich also vor dem Öffnen abschätzen, und genau das sollten Sie tun.

Dieser Text zeigt die Überschlagsrechnung, die gängigen Ausdünnungsverfahren mit ihren Parametern und die Frage, wann Reduzieren dem Auftrag schadet.

Speicherbedarf überschlagen

Drei Größen bestimmen den Bedarf: Punktzahl, Bytes je Punkt und die Zusatzstrukturen des Programms. Die Bytes je Punkt hängen von der Genauigkeit der Koordinaten und den mitgeführten Attributen ab. Die Fälle, die Sie ausrechnen sollten:

Annahme je PunktBytes100 Mio Punkte500 Mio Punkte
XYZ als 3 × 32 Bit, ohne Farbe121,2 GB6,0 GB
XYZ 3 × 32 Bit plus RGB 3 Byte151,5 GB7,5 GB
XYZ 3 × 64 Bit plus RGB 3 Byte272,7 GB13,5 GB

Alle Zahlen sind Rechenwerte (Punktzahl × Bytes, 1 GB = 10⁹ Byte) mit angenommenem Layout. Reale Dateiformate packen anders und oft komprimiert. Das CloudCompare-Wiki erwähnt, dass 32 Bit gegenüber 64 Bit etwa die Hälfte des Speichers sparen, und dass beim Speichern Originalkoordinaten nur wiederhergestellt werden, wenn das Zielformat 64 Bit erlaubt. Wer Wolken in großen Koordinaten ablegt, hat also auch einen Genauigkeitsgrund für die 64-Bit-Variante, siehe Punktwolke und Koordinatensystem.

Der Datenmengen-Rechner auf dieser Seite nimmt Ihnen die Rechnung ab, wenn Sie Punktzahl und Attribute eingeben: Datenmengen-Rechner.

Zusätzlich kostet die Raumstruktur. CloudCompare nennt für seinen Oktree etwa 8 Byte je Punkt in der Standardversion, also rund 8 MB je Million Punkte, und der Speicher bleibt unabhängig von der Baumform konstant. Für 500 Millionen Punkte sind das weitere 500.000.000 × 8 Byte = 4,0 GB. Zusammen mit den 7,5 GB aus dem ersten Beispiel liegt der Bedarf bei rund 11,5 GB allein für Daten und Oktree, ohne Darstellung, ohne Zwischenergebnisse. Die Standardversion hat laut Wiki außerdem maximal 10 Ebenen bei 32-Bit-Codes, eine Sonderversion mit 64-Bit-Codes bis 21 Ebenen bei etwa 50 Prozent mehr Speicher.

Warum das Programm trotzdem ruckelt

Speicher ist die eine Grenze, Darstellung die andere. Das Wiki sagt über den Oktree: Er sei sehr effizient für die Extraktion nächster Nachbarn, aber nicht für die Darstellung, Level-of-Detail-Ansätze seien nicht seine Stärke. Für flüssiges Arbeiten braucht ein Programm eine Struktur, die zur Kameraposition passende Ausschnitte lädt. Potree etwa ist laut Projektseite ein freier, auf WebGL basierender Renderer für große Punktwolken. Die Quellen werden mit dem PotreeConverter in das Potree-Format gewandelt, und die Seite verweist auf Mehrfachauflösungs-Oktree-Algorithmen und ein Verfahren für die Erzeugung massiver Oktrees außerhalb des Hauptspeichers.

Was folgt für die Praxis? Die Programmwahl entscheidet, ob eine große Wolke nutzbar bleibt. Ein Betrachter mit Streaming lädt nur, was im Bild steckt. Ein Programm, das alles in den Speicher holt, stößt bei 500 Millionen Punkten an Grenzen. Mehr dazu in Punktwolken-Viewer im Vergleich. Für CAD-Programme gibt es eigene Grenzen, nachzulesen in ArchiCAD: maximale Größe von Punktwolken und Punktwolke bleibt in Revit unsichtbar.

Ausdünnen: drei Verfahren, drei Eigenschaften

Es gibt mehrere Arten, Punkte zu reduzieren, und sie unterscheiden sich in dem, was sie mit der Geometrie machen.

Voxel-Raster. Der Raum wird in gleich große Würfel geteilt, aus jedem besetzten Würfel bleibt ein Punkt. Open3D (Version 0.19.0) mittelt dabei alle Punkte eines Voxels, im Beispiel mit voxel_size=0.05. PDAL arbeitet mit filters.voxeldownsize: Laut Dokumentation nimmt die Stage den ersten Punkt, der in ein Voxel fällt, und verwirft den Rest. Die Option cell hat die Vorgabe 0,001, mode kennt center und first. Im Modus center werden die Koordinaten des behaltenen Punktes auf die Voxelmitte gesetzt, was laut Seite andere von der Lage abhängige Dimensionen entwerten kann. Wer Originalpunkte behalten will, nimmt first.

Poisson-Disk-Stichprobe. filters.sample in PDAL hält einen Mindestabstand (radius) zwischen den behaltenen Punkten ein. Anstelle von radius kann cell gesetzt werden, nicht beides. Die Stage arbeitet streamend und behält im Allgemeinen den ersten Punkt in einem Voxel, deshalb beeinflusst die Reihenfolge der Punkte das Ergebnis. Die Dokumentation merkt an, dass Daten in Scan-Reihenfolge zuverlässig sind und ein vorheriges Sortieren das Streaming bricht. Der Speicherbedarf wächst mit der Ausdehnung und kleineren Zellen.

Zufällige Auswahl. Jeder n-te Punkt oder ein Zufallsanteil. Das ist das schnellste Verfahren, hat aber den Nachteil, dass dichte Zonen dicht bleiben und dünne lückenhaft werden. Für Bestandsarbeit ist ein gleichmäßiger Abstand fast immer die bessere Wahl. In CloudCompare liegt das Werkzeug laut Wiki unter Edit > Subsample (Seite vom 4. Februar 2024); die Methoden heißen dort Random, Random (percentage), Spatial und Octree.

Die Rechnung hinter dem Rastermaß

Wie stark ein Voxel-Raster reduziert, lässt sich für Flächen leicht rechnen. Eigene Überlegung: Auf einer ebenen Fläche liefert ein Voxel der Kantenlänge a höchstens einen Punkt je a × a Fläche, also 1 / a² Punkte je Quadratmeter. Bei a = 5 mm sind das 1 / (0,005 m)² = 40.000 Punkte je m², bei a = 10 mm genau 10.000 je m², bei a = 20 mm 2.500 je m². Eine Wand von 4 m × 3 m = 12 m² enthält dann höchstens 480.000, 120.000 oder 30.000 Punkte. Das Verhältnis zwischen den Rastermaßen ist jeweils 4 zu 1.

Zwei Einschränkungen. Das Ergebnis ist eine Obergrenze: Hat die Wolke vorher schon weniger als 40.000 Punkte je m², bringt das Raster dort nichts. Und die Rechnung gilt für Flächen, die das Voxelgitter etwa parallel schneidet. Bei schrägen Flächen belegen sie ein paar Voxel mehr.

Daraus folgt eine Entscheidungshilfe. Fragen Sie nicht, wie viel Daten Sie loswerden wollen, sondern welche Auflösung der Zweck braucht. Für einen Grundriss im Maßstab 1:50 reichen Rasterweiten, bei denen die Linienführung auf dem Plot noch erkennbar bleibt; für das Mauerwerk eines Denkmals nicht. Die Wahl gehört in die Leistungsbeschreibung, wie man solche Anforderungen formuliert, zeigt der Beitrag zur Millimeter-Genauigkeit.

Zuschneiden vor Ausdünnen

Der wirksamste Schritt bei großen Datensätzen ist oft der einfachste: Alles entfernen, was nicht zum Auftrag gehört. Außenbereiche, Nachbargebäude, Himmel, Straße, Räume anderer Geschosse. Ein Zuschnitt auf eine Box kostet nichts an Genauigkeit, ein Ausdünnen schon. Reihenfolge deshalb: zuschneiden, bereinigen, dann ausdünnen, wie in Punktwolke bereinigen begründet.

Ebenso hilft eine Aufteilung nach Geschoss oder Raumgruppe. Eine Wolke mit 500 Millionen Punkten für ein Gebäude mit fünf Geschossen lässt sich in fünf Teile zu je rund 100 Millionen zerlegen, und für jede Aufgabe laden Sie nur das passende Geschoss. Die Gesamtwolke bleibt als Archivstand erhalten.

Wann Reduzieren schadet

Ausdünnen ist ein Eingriff in die Messdaten. Er schadet, wenn:

  • die Wolke als Nachweis des Ist-Zustands dienen soll: Die unveränderte Rohwolke ist das Beweismittel, die ausgedünnte nicht.
  • feine Details gebraucht werden: Risse, Profile, Werkzeugspuren, Fugen. Mit 20 mm Raster sind sie weg.
  • später eine Abweichungsanalyse gegen ein Modell folgt: Dann kommen Sie mit einem gleichmäßigen Raster aus, aber das Rastermaß geht als Unsicherheit in die Auswertung ein.
  • Kanten und Ecken analysiert werden: Im Modus center werden Punkte auf die Voxelmitte gesetzt, womit sich Kanten um bis zu eine halbe Voxeldiagonale verschieben können. Das ist eine geometrische Überlegung, keine Angabe der Dokumentation: Die halbe Raumdiagonale eines Würfels der Kantenlänge a beträgt a × √3 / 2, bei 10 mm also etwa 8,7 mm.

Die letzte Zahl überrascht manchen: Ein Raster von 10 mm verändert Lagen um bis zu knapp 9 mm, wenn Sie den Modus center verwenden. Wer Millimetergenauigkeit verspricht und so ausdünnt, bricht sein Versprechen im Arbeitsschritt, nicht im Messgerät.

Praktische Reihenfolge für große Projekte

  1. Datenmenge vor dem Auftrag überschlagen, mit dem Datenmengen-Rechner.
  2. Rohdaten unverändert archivieren.
  3. Auf den Auftragsumfang zuschneiden.
  4. Fremdkörper und Rauschen entfernen.
  5. Je Verwendungszweck eine Arbeitsversion erzeugen, mit dokumentiertem Rastermaß.
  6. Für die Betrachtung durch Dritte ein Streaming-Format oder einen Viewer mit Oktree verwenden.
  7. Im Übergabeprotokoll Punktzahl und Rastermaß je Version aufführen.

Mit dieser Reihenfolge bleiben Rohdaten, Arbeitsfassung und Betrachtungsfassung getrennt, und niemand muss raten, welche Datei er in der Hand hält.

Quellen

  • CloudCompare-Wiki zum Oktree: Speicher je Punkt, Ebenenzahl, Eignung für Nachbarsuche statt Darstellung.
  • PDAL-Dokumentation zu filters.voxeldownsize: cell, mode, Verhalten je Voxel.
  • PDAL-Dokumentation zu filters.sample: radius, cell, Reihenfolgeabhängigkeit, Speicherhinweis.
  • Open3D-Tutorial zu Punktwolken in Version 0.19.0: Voxel-Downsampling durch Mittelung.
  • Potree-Projektseite: WebGL-Renderer, Konvertierung, Oktree-Verfahren für große Wolken.

Quellen

Weiterlesen

Die Beiträge ersetzen keine Fachplanung und keine Rechtsberatung. Fehler gefunden? Melden Sie ihn der Redaktion.