技術メモ 遺物3D空間分析用geometry nodesの使いまわし方法

 Technical Note: Reusing Geometry Nodes for 3D Spatial Analysis of Artifacts

I have been making effective use of a Geometry Nodes setup to analyze 3D spatial data for approximately 56,000 artifacts from the shell midden on the northern slope of the Ariyoshi-Kitakaizuka Shell Mound. To enable the reuse of this setup across different Blender files, I have converted it into an asset.

有吉北貝塚北斜面貝層の遺物約56000件データを3D空間で分析するgeometry nodesを便利に使っています。このgeometry nodesを別Blenderファイルでも使えるようにアセットにして使いまわし出来るようにしました。

1　geometry nodesを使っている様子

geometry nodesを使ている様子

2　遺物3D空間分析用geometry nodesのイメージ

遺物3D空間分析用geometry nodesのイメージ

このgeometry nodesには次の機能が備わっています。

1）3D座標付遺物データの選択

このgeometry nodesでは有吉北貝塚北斜面貝層の全42属性、レコード数55892件のデータを選択してあります。

2）表示する属性の選択

属性bunruicodeを選択すれば、それは遺物台帳に紐づくデータで全遺物が1（土器）、2（石器）、…のように区分されています。

属性zinkotsuを選択すれば、それは発掘調査報告書に紐づくデータで、該当データだけ区分が1になっています。

3）表示する属性の区分の選択

属性bunruicodeの区分1は土器を、区分5は骨歯を選択します。

属性zinkotsuの区分1は発掘調査報告書掲載人骨データを選択します。

4）表現メッシュ形状の選択

vert（点[メッシュ]）の他、球、立方体など好みに合わせて表現メッシュ形状を選択できます。球や立方体は大きさや色なども設定できます。

3　geometry nodesの使い勝手

geometry nodesでノード（箱）の中の区分数値を変化させるだけで、表現内容が一瞬のうちに変化しますので、とても使い勝手がよいです。

しかし、このgeometry nodesのノード（箱）を一つ一つ組み立て、ラインで結ぶのは根気のいる作業です。

4　geometry nodesの使いまわし

別のBlenderファイルでも遺物3D空間分析用geometry nodesを使いまわす方法は幾つかありますが、これまではアペンドを使ってきました。しかしアペンドは遺物3D空間分析用geometry nodesが存在するBlenderファイルから持ってくる方法なので、このgeometry nodesが存在しているBlenderファイルを探さなければなりません。意外と手間取ります。

今回geometry nodesのアセット登録してみると、とても効率的にgeometry nodesを使いまわせることを確認しました。

アセットによるgeometry nodesの使いまわし方法

アセットによるgeometry nodesの使いまし方法の概要は以下のとおりです。

1）geometry nodesのグループ化

2）グループを「アセットとしてマーク」→これでアセットが使えるようになります。（※）

3）別Blenderファイルでplane追加

4）planeに新期geometry nodes作成して、そこにアセットをドロップして、グループとグループ出力をラインで結ぶ

これで遺物3D空間分析ができるようになります。（なお、アセットをドロップすると、元遺物データとvertが自動生成します。）

※　「アセットとしてマーク」を実行するファイルを事前に設定するアセット専用フォルダーに置いておく必要があります。

技術メモ BlenderPythonスクリプト資産の効率活用策

 Technical Note: Strategies for Efficiently Utilizing Blender Python Script Assets

As part of an effort to efficiently utilize the library of Blender Python scripts I have built up over time, I have adopted the practice of making appropriate use of the File Browser panel within the Blender interface. This has facilitated the efficient use of existing scripts.

これまでの活動で貯めてきたBlenderPythonスクリプト資産の効率的活用策の一環としてBlender画面でファイルブラウザーパネルを適宜使うようにしました。これにより既存スクリプトの効率的活用が進んでいます。

1　Blender画面におけるファイルブラウザーパネルの設置とBlenderPythonスクリプト資産の表示

BlenderPythonスクリプト資産を表示したファイルブラウザーパネル設置Blender画面

パソコンに整理されているBlenderPythonフォルダーをブラウザパネルに表示して、BlenderPythonスクリプトを選びやすくしています。

2　Blender画面テキストエディターにおけるBlenderPythonスクリプト説明文書の表示

BlenderPythonスクリプト説明文書を表示しているBlender画面

BlenderテキストエディターはBlenderPythonスクリプトだけではなく、説明文書も表示できますから、BlenderPythonスクリプト資産活用の際にスクリプト内容についてより深く確認できます。

3　テキストエディターのBlenderPythonスクリプトを走らせた様子

テキストエディターでBlenderPythonスクリプトを走らせた画面

パソコンフォルダーに格納してあるBlenderPythonスクリプトをファイルブラウザー経由で取り出しテキストエディターで走らせることによって、エクスプローラー経由よりも効率的に作業が進みます。

4　メモ

これまでWindowsのエクスプローラーを使って既存資産を取り出し、Blenderに貼りつけていましたが、それより、ファイルブラウザーを使う方が効率的であることを実感しています。効率化実感の一因はウィンドウ数減少にあります。

技術メモ pngファイルからヒートマップを作成するPythonスクリプトの改良

 Technical Notes: Improvements to a Python Script for Creating Heatmaps from PNG Files

I've been using a very convenient Python script to create heatmaps from dot distribution images (transparent background PNG files). However, I encountered some issues, so I've improved it. The resulting Python script is now more robust.

ドット分布画像（背景透明pngファイル）からヒートマップを作成するPythonスクリプトをとても便利に使っています。しかし、不都合が生じたので改良しました。より堅牢なPythonスクリプトとなりました。

この記事は2026.06.03記事「技術メモ　pngファイルから直接ヒートマップを作成するPythonスクリプト」の続きになります。

1　遭遇した不都合

遭遇した不都合

これまで順調にpngファイルからPythonスクリプトで直接ヒートマップを作成してきました。しかし、上記のような不都合に遭遇しました。

調べたところ、画像の透明部分にRGBの色が残っている部分が存在しているために生じた現象であることがわかりました。Pythonスクリプトは透明か否かではなく、色がある部分＝点群データとして扱っているので生じた不都合です。

2　不都合の解決策

この不都合の解決策として、次の2を執りました。

1　画像透明部から色を完全に除去する新たなPythonスクリプト作成。

2　色のある透明部を間違って拾わないヒートマップ作成Pythonスクリプトの作成。

それぞれのPythonスクリプトを作成しましたが、2の新たな改良ヒートマップ作成Pythonスクリプトを使う方が作業の手間がはぶけます。ヒートマップ作成Pythonスクリプトがより堅牢となりました。

3　改良Pythonスクリプト　（透明部に色が残っていても正常に作動する改良版）

from pathlib import Path

import cv2
import numpy as np
from PIL import Image
from matplotlib import cm

# =========================
# 設定
# =========================

input_path = r"G:/test/aaa.png"
output_path = r"G:/test/aaa_heatmap.png"

# 使用する単色グラデーション
# 例: "Blues", "Reds", "Greens", "Purples", "Oranges", "Greys"
color_map_name = "Reds"

# グラデーションの区分数
# 例: 5, 8, 10, 16, 32
gradient_steps = 10

# 密度計算のぼかし半径
# 大きいほど広くなめらかな密集度になる
blur_radius = 20

# 背景を透明にするか
transparent_background = False

# 点群抽出に使うアルファ閾値
# alpha > alpha_threshold のピクセルだけを点として扱う
# 0: わずかでも不透明なら点
# 10〜30: ほぼ透明なノイズを除外
alpha_threshold = 20

# ヒートマップの透明出力時、薄い密度部分を透明にする閾値
# 通常は 0.0 のままでOK
heat_alpha_threshold = 0.0

# =========================
# 処理
# =========================

input_file = Path(input_path)
if not input_file.exists():
    raise FileNotFoundError(f"画像が読み込めません: {input_path}")

# RGBAで読み込み、RGB値には依存しない
img = Image.open(input_file).convert("RGBA")
arr = np.array(img)

# アルファチャンネルだけで点群を抽出
alpha = arr[:, :, 3]
dot_mask = alpha > alpha_threshold

point_pixels = int(np.count_nonzero(dot_mask))
if point_pixels == 0:
    raise ValueError(
        "アルファ値から点を検出できませんでした。"
        f" alpha_threshold={alpha_threshold} を下げてください。"
    )

print(f"画像サイズ: {img.size[0]} x {img.size[1]}")
print(f"alpha min/max: {int(alpha.min())} / {int(alpha.max())}")
print(f"点として使うピクセル数: {point_pixels}")

# 密度画像を作成
density = dot_mask.astype(np.float32)

# ガウシアンぼかしで密集度を計算
density = cv2.GaussianBlur(
    density,
    ksize=(0, 0),
    sigmaX=blur_radius,
    sigmaY=blur_radius,
)

# 0〜1に正規化
max_density = float(density.max())
if max_density > 0:
    density = density / max_density

# グラデーションを段階化
density_step = np.floor(density * gradient_steps) / gradient_steps
density_step = np.clip(density_step, 0, 1)

# カラーマップ適用
cmap = cm.get_cmap(color_map_name)
heat_rgba = cmap(density_step)

# 0〜255へ変換
heat_img = (heat_rgba[:, :, :3] * 255).astype(np.uint8)

# 密度ゼロ部分の処理
if transparent_background:
    out_alpha = (density > heat_alpha_threshold).astype(np.uint8) * 255
    output = np.dstack([heat_img, out_alpha])
    Image.fromarray(output, mode="RGBA").save(output_path)
else:
    # 背景は白
    heat_img[density <= heat_alpha_threshold] = [255, 255, 255]
    Image.fromarray(heat_img, mode="RGB").save(output_path)

print(f"ヒートマップを書き出しました: {output_path}")

技術メモ pngファイルから直接ヒートマップを作成するPythonスクリプト

 Technical Memo: Python Script to Create Heatmaps Directly from PNG Files

I created a Python script that directly outputs heatmaps from dot distribution images (PNG files). Previously, I used QGIS functions to create heatmaps, but this significantly improves work efficiency.

ドット分布画像（pngファイル）から直接ヒートマップをアウトプットするPythonスクリプトを作成しました。これまではQGIS機能を利用してヒートマップを作成していたのですが、それと較べると著しく作業効率が向上しました。

1　Pythonスクリプトによるヒートマップ作成

利用画像（ドット分布画像、背景が透明なpng画像）

ドット分布画像を用意します。背景が白地の場合は背景が透明なpngファイルにします。

ドットの色の面積をpixel単位に計測して、それによりヒートマップを作成するので、ドットが重なってつぶれていても、データは近似的に利用できます。

ヒートマップ

単色グラデーションによるヒートマップを作成します。

ヒートマップ作成は次の項目を変更して望みのイメージに合うまで試行できます。

色、グラデーションの区分、ぼかし半径

ヒートマップとドット分布図のオーバーレイ画像

2　使い勝手

これまではQGIS機能を利用してヒートマップを作成していたのですが、Pythonを使うと著しく作業効率が向上しました。

ドット分布図のドットが重なってつぶれているような場合でも、データとして近似的に利用できるので、ヒートマップの趣旨（分布概要をざっくり把握する）とも合います。

3　Pythonスクリプト

import cv2
import numpy as np
from PIL import Image
from matplotlib import cm

# =========================
# 設定
# =========================

# ドット分布図のパスとアウトプットのパス→変更してください
input_path = r"G:/test/aaa.png"
output_path = r"G:/test/aaa_heatmap.png"

# 使用する単色グラデーション
# 例: "Blues", "Reds", "Greens", "Purples", "Oranges", "Greys"
color_map_name = "Purples"

# グラデーションの区分数
# 例: 5, 8, 10, 16, 32
gradient_steps = 10

# 密度計算のぼかし半径
# 大きいほど広くなめらかな密集度になる
blur_radius = 50

# 背景を透明にするか
transparent_background = False

# =========================
# 処理
# =========================

# 画像読み込み
img = cv2.imread(input_path, cv2.IMREAD_COLOR)
if img is None:
    raise FileNotFoundError(f"画像が読み込めません: {input_path}")

# RGBへ変換
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 黒背景以外の点を抽出
# 青い点など、黒でないピクセルを遺物ドットとみなす
gray = cv2.cvtColor(rgb, cv2.COLOR_RGB2GRAY)
dot_mask = gray > 1

# 密度画像を作成
density = dot_mask.astype(np.float32)

# ガウシアンぼかしで密集度を計算
density = cv2.GaussianBlur(
    density,
    ksize=(0, 0),
    sigmaX=blur_radius,
    sigmaY=blur_radius
)

# 0〜1に正規化
if density.max() > 0:
    density = density / density.max()

# グラデーションを段階化
density_step = np.floor(density * gradient_steps) / gradient_steps
density_step = np.clip(density_step, 0, 1)

# カラーマップ適用
cmap = cm.get_cmap(color_map_name)
heat_rgba = cmap(density_step)

# 0〜255へ変換
heat_img = (heat_rgba[:, :, :3] * 255).astype(np.uint8)

# 密度ゼロ部分の処理
if transparent_background:
    alpha = (density > 0).astype(np.uint8) * 255
    output = np.dstack([heat_img, alpha])
    Image.fromarray(output, mode="RGBA").save(output_path)
else:
    # 背景は白
    heat_img[density <= 0] = [255, 255, 255]
    Image.fromarray(heat_img, mode="RGB").save(output_path)

print(f"ヒートマップを書き出しました: {output_path}")

技術メモ 型式別土器3D分布モデルの改善

 Technical Memo: Improvement of the 3D distribution model of Pottery by Type

The 3D distribution model of pottery by type was created in 2023 when the technology was still immature, resulting in data that was difficult to use. Therefore, I spent a day refining the old data to make it usable with Blender's geometry nodes. Simultaneously, I created a Blender Python script to project the point cloud data selected in geometry nodes onto a neighboring cross-section.

型式別土器3D分布モデル作成は技術が未熟であった2023年作業であるため、使い勝手の悪いデータとなっていました。そこで古いデータを1日かかりでBlenderのgeometry nodesで使えるデータに仕立て上げました。同時に、geometry nodesで選択した点群データを近傍断面図に投影するBlenderPythonスクリプトを作成しました。

1　型式別土器3D分布モデル（点群データ）の改善

旧データは土器片1件1件が独立したCUBEオブジェクトとなっています。型式別に分けて整理していますが、1件1件のデータには土器型式情報が含まれていません。

CUBEオブジェクトを球にしたり、大きさを変更したり、型式別に色を付けるなどの操作ができないことはないのですが、操作自由度がとても低くなっています。

今回、ID、XYZ座標のほか、土器型式分類の属性を加えたcsvファイルを作成し、属性を含めてBlenderにとりこみました。

csvファイルの項目：ID、X、Y、Z、bunrui（型式区分　1～9）

土器型式区分は次の通りです。

1　早期土器

2　前期土器

3　阿玉台式土器

4　中峠式土器

5　加曽利EⅠ式土器

6　加曽利EⅡ式古段階土器

7　加曽利EⅡ式中段階土器

8　加曽利EⅡ式中～新段階土器

9　加曽利EⅡ式新段階土器

2　属性（型式区分）を保持してBlenderにインポート

属性（型式区分）を保持してcsvファイルをBlenderにメッシュオブジェクト（点群）としてインポートしました。インポートはPythonで行いました。このインポートした点群データはgeometry nodesで、土器型式区分別に表現したり、表現するオブジェクトの形・大きさ・色などを自由に変更できます。

geometry nodesの様子

Blender画面

3　遺物投影断面図作成Pythonスクリプトの作成

既にBlender3Dビューポートに配置されている断面図を軸に前後0.5ｍのボックスを設定し、そのボックス内の遺物を抽出し、抽出遺物と断面図をオーバーレイして画像としてエクスポートするBlenderPythonスクリプトを作成しました。

対象となる遺物はgeometry nodesで抽出した遺物も対象にすることができます。

従って、このBlenderPythonを使うことにより、次のような遺物投影断面図を作成することができます。

型式別土器3D分布モデルからgeometry nodesで「7　加曽利EⅡ式中段階土器」だけの3D分布が表現されている状況があるとします。その「7　加曽利EⅡ式中段階土器」を特定断面に投影した投影断面図を作成することができます。投影する幅や投影断面図の表現（ドットの大きさや色）は自由に設定できます。

このBlenderPythonスクリプトを使うことにより、土器型式と貝層分層の関係把握を前進させることができると期待します。

第6断面に全遺物を投影させた様子（点メッシュを投影）

同部分拡大図

第6断面に「7　加曽利EⅡ式中段階土器」を投影させた様子（球を投影）

同部分拡大図

技術メモ QGISの疑似座標GIS解析を使った等高線からの標高点群生成

 Technical Memo: Generating Elevation Points from Contour Lines Using QGIS's Pseudo-Coordinate GIS Analysis

I have noted down a technique for generating elevation points from contour lines drawn on a plan view of the shell bed on the north slope of the Ariyoshi Kita Shell Mound. This technique utilizes QGIS's pseudo-coordinate GIS analysis function.

有吉北貝塚北斜面貝層の平面図に記入されている等高線から標高点群を生成する技術をメモしました。QGISの疑似座標GIS解析機能を利用したものです。

1　有吉北貝塚北斜面貝層平面図のQGISジオリファレンス

有吉北貝塚北斜面貝層平面図（QGISジオリファレンス用メモ記入）

1-1　QGISで使うEPSG

QGISのEPSG6677（日本測地系2011（JGD2011）[平面直角座標系]のⅨ（9）系（東京都 福島県 栃木県 茨城県 埼玉県 千葉県 群馬県 神奈川県）を利用しました。

1-2　座標変換

平面図にはもともとBlender投影用の座標が設定されています。Blender座標体系とQGIS座標体系は異なるので、またQGIS仕様に対応するため、今回次の座標変換等の対応と操作をしました。

・Blender用座標原点（0，0）とQGIS（EPSG6677）原点（0、0）を一致させる。

・Blender用座標X軸の値を正負逆転させてから1000倍して、QGIS座標Y軸に変換する。

・Blender用座標Y軸の値を1000倍して、QGIS座標X軸に変換する。

値を1000倍したのは、Blender用座標値そのままでは値が小さすぎてQGISが動かないためです。

1-3　ジオリファレンス

今回は5座標の値（-2000,0）（ 0,0）（ 40000,0）（ -20000,-20000）（ 40000,-20000）でジオリファレンスしました。

有吉北貝塚北斜面貝層平面図のQGISジオリファレンス結果（背景マップは作業と無関係です）

2　等高線トレース

2-1　新規シェープファイル作成

新規シェープファイルレイヤをファイル名とともに、ジオメトリ型：ラインストリング、追加次元：Z値、新規属性名称：elev、新規属性型：倍精度不動小数点型で作成します。

2-2　トレース

編集モードに入り、等高線をトレースします。1本1本についてトレース完了後、ID（通し番号）とelev（標高値）を記入します。

等高線トレース結果（背景マップは作業と無関係です）

3　標高点群生成とcsvファイル出力

3-1　標高点群生成

等高線レイヤを選択の上、プロセッシングツールボックスから「ジオメトリに沿った等間隔点群」を起動します。

ここでは距離を1000ｍ（間隔）にしました。（平面図上では1ｍ間隔に該当します。）

実行すると標高点群が生成します。

生成した標高点群（背景マップは作業と無関係です）

3-2　XYZフィールドの生成

生成した標高点群には標高はelevフィールドで表現されていますが、XY座標フィールドがありません。そこで、フィールド計算機を起動して、XYZフィールドを作成します。

Xフィールドは式に$Xを、Yフィールドは式に$Yを、Zフィールドは式に"elev"を入力してそれぞれのフィールドを生成します。

XYZフィールドが作成された属性テーブルの様子

3-3　csvファイル出力

XYZフィールドが作成された標高点群レイヤをcsvファイルで出力します。

4　標高点群からBlender用地形3Dモデル作成

4-1　csvファイルの調整

csvファイルをBlender用座標に戻します。

・Y座標を正負逆転させてから1/1000倍してX座標とする。。

・X座標を1/1000倍してY座標とする。

4-2　Blender用地形3Dモデル作成

今回は等高線から作成した標高点群を既存標高点群とマージして、それからBlenderPythonで地形3Dモデルを作成しました。

過去には、疑似座標GIS解析でトレースした等高線や標高点群からQGIS機能（v.surf.rstツール）で地形3Dモデルを作成したこともあります。

等高線や標高点群から地形3Dモデルを作成する方法はさらにいろいろあるので、それぞれを試して、使い勝手の良いものを見つけることにします。

技術メモ 貝層剥取断面と二枚貝（ハマグリ）の交線描画原理

 Technical Memo: Principle of Drawing Intersection Lines Between Shell Layer Cross-Sections and Bivalve Shells (Clams)

To measure the inclination between shell layer cross-sections and bivalve shells (clams), it is necessary to draw the intersection lines between the cross-section and the shell. This memo illustrates the principle of this drawing method.

貝層剥取断面と二枚貝（ハマグリ）の傾斜を計測するためには断面と貝殻の交線を描く必要があります。その描画方法の原理を図解でメモしました。

1　検討例

検討例

上凸で傾いたハマグリと下凸で傾いたハマグリの2例について、貝層剥取断面（鉛直平面）とハマグリの交線描画法原理を以下にメモします。

2　上凸で傾いたハマグリの貝殻傾斜線描画原理

上凸で傾いたハマグリ例

貝殻縁に密着する仮想平面をここでは殻縁平面と呼ぶことにします。殻縁平面と鉛直平面の交線が貝殻傾斜線となります。貝殻傾斜線と水平面との成す角度が貝殻傾斜となります。貝殻傾斜線描画後の傾斜角度計測はアプリ（自作Pythonスクリプト）が自動で行います。

実際例

実際の貝殻傾斜線描画は上記原理モデルを念頭に直観的に傾斜線を想定して、その端点2ヶ所をクリックして行います。

なお、傾きの状況が判りずらい場合は3Dモデルを観察して確かめてから描画します。

3　下凸で傾いたハマグリの貝殻傾斜線描画原理

下凸で傾いたハマグリ例

実際例

4　メモ

ここで求める貝殻傾斜はあくまでも剥取断面に対する傾斜であり、地山地形最大傾斜に対応する断面に対する傾斜ではないので、利用上注意が必要です。

また描画原理に基づくとはいえ、実際の作業は直観的な作業になりますから、精度の点では期待度の低いデータとなります。しかし、このようなデータは他にないので、貴重なデータとなります。

技術メモ 貝層剥取断面画像に見える地物大きさの視認性を向上させる画像処理

 Technical Memo: Image Processing to Improve the Visibility of Surface Object Size in Shell Layer Cross-Sectional Images

Through trial and error, I have acquired an image processing technique that significantly improves the visibility of surface objects such as seashells in shell layer cross-section images. This allows for intuitive understanding that, within the same shell layer, surface objects are larger at the lower part of the slope and smaller at the upper part.

貝層剥取断面画像に見える貝殻など地物大きさの視認性を大幅に向上させる画像処理技術を試行錯誤のなかで獲得しました。同一貝層で、斜面下部では地物大きさが大きく、斜面上部では小さいことを直観的によく理解できます。

1　貝層剥取断面画像

貝層剥取断面画像　（3Dモデルのオルソ投影画像）

貝層分層線は有吉北貝塚北斜面貝層セクション図分層線を画像に合わせて投影トレースしたものです。

2　地物大きさの視認性向上画像

地物大きさの視認性向上画像

貝層剥取断面画像をPhotoshopで「輪郭検出」したものです。

3　参考　セクション図における貝層分層

参考　セクション図における貝層分層

有吉北貝塚北斜面貝層セクション図の貝層分層記号です。分層記号の記述（説明）は掲載されていません。

4　メモ

地物大きさの視認性向上画像のC(2)層を見ると、斜面下部では地物大きさが大きく、斜面上部では小さいことを直観的によく理解できます。

C層（上）、C(2)層は二枚貝（ハマグリ）をメインとする貝層、C層（下）、C(3)層はイボキサゴをメインとする貝層です。

技術メモ 展示物の3Dモデル作成用撮影について

 Technical Note: Photographing Exhibits for 3D Modeling

When I photographed a double-mouthed pottery vessel on display in the special exhibition "The Mysterious Late Jomon Period" and created a 3D model, the 3D model completely failed. However, after reworking it with just one additional photograph, I was able to create a satisfactory 3D model. I investigated the reasons for this and made notes.

特別展「謎多き縄文晩期」で展示されている双口土器を周回撮影し、3Dモデルを作成したところ、3Dモデルが完全に破綻しました。しかし、たった1枚の写真を追加して再作業すると、立派な3Dモデルができましたので、その理由を検討し、メモしました。

1　3Dモデル作成　ケース1

千葉市埋蔵文化財調査センター特別展「謎多き縄文晩期」で展示されている弥生前期双口土器の3Dモデルを作成しました。170枚の写真を多段（6段）周回撮影しました。

多段周回撮影の様子

撮影は双口土器が画面の中央にくるように撮影しました。

双口土器撮影写真例

撮影写真

フォトグラメトリソフト3DF Zephyr Liteで3Dモデルを作成したところ、完全に破綻した3Dモデルとなりました。

完全に破綻した3Dモデル

3DF Zephyr Liteがはねた写真は9枚です。

2　3Dモデル作成　ケース2

ケース1で使った170枚写真の先頭に次の展示台全体が写る写真1枚を加えました。

ケース1の170枚に加えた1枚

3DF Zephyr Liteで同じ作業をしたところ、次の完全に正常な3Dモデルができました。

正常に造形された3Dモデル

3DF Zephyr Liteがはねた写真は1枚です。

3　写真1枚で3Dモデル造形が劇的に改善した理由

ケース1に写真1枚を加えたケース2で、3Dモデル造形が劇的に改善した理由について、ChatGPTの支援をうけて検討し、次のように想定しました。

3-1　ケース1で3Dモデルが破綻した理由

・土器が黒く微細テクスチャに乏しく、土器以外がほぼ白く無地で安定した特徴点（対応点）が得られない。

・そのため誤対応が混ざり、誤った姿勢推定となり、メッシュ化で破局して、紙が剥がれたようになった。

3-2　1枚の写真で造形が劇的に改善した理由

・加えた1枚の写真には展示台、壁の継ぎ目、説明板、他遺物、ラベルなど形がはっきりした特徴点が大量に増え、カメラ姿勢が一気に安定した。これは結果として「はねられる写真」が 9→1 に減ったこととも整合する。

・加えた1枚の写真を先頭に入れることによって、スコアの高い特徴点が採用され、初期解が最適化した。3DF Zephyr LiteのようなSfMでは、最初の数枚で作る骨格が悪いと、その後ずっと悪い解を引きずる。

・結果として1枚で劇的に改善された。

・加えた1枚の写真は構図が広いので、画面全域に直線や構造物が入りやすく、歪み推定の手掛かりが増えるため、内部パラメータが安定→姿勢推定も安定、につながった。

4　メモ

展示物3Dモデル作成では150枚程度撮影するとそれなりの品質のものができることを経験的につかんできています。しかし、今回のように真っ黒で表面テクスチャに特徴がなく、かつ周辺に別の地物がないと、3Dモデルが破綻することを改めて理解しました。

今後、展示物3Dモデル作成用撮影では構図の広い写真を数枚以上必ず意識的に追加することとします。

この双口土器は次の記事で説明してます。

2026.02.17記事「弥生時代前期　双口土器（富岡市上高田社宮子原遺跡）観察記録3Dモデル」

技術メモ GigaMesh Software FrameworkにおけるNon-Photorealistic Renderingの表現工夫

 Technical Note: Techniques for Using Non-Photorealistic Rendering in the GigaMesh Software Framework

When creating 3D models of Jomon pottery, I usually use the GigaMesh Software Framework to flatten the image so that the patterns can be observed at a glance. When using non-photorealistic rendering for these flattened images, I found that adding coloring made them more visible.

縄文土器3Dモデルを作成する時は、ほとんどの場合GigaMesh Software Frameworkで平面展開して、文様を一覧的に観察できるようにしています。この展開画像としてNon-Photorealistic Renderingを使う場合、彩色することでより見やすくできることがわかりました。

この記事は2026.01.30記事「浅鉢（成田市大原野貝塚）観察記録3Dモデル」の続きです。

1　GigaMesh Software FrameworkによるNon-Photorealistic Rendering表現

GigaMesh Software Frameworkへの土器3Dモデルのインポート

GigaMesh Software Frameworkでの展開（Solid)

GigaMesh Software Frameworkでの展開（Non-Photorealistic Rendering)

線分成分だけを彩色（ここでは赤色）し、他の成分は除去しました。

2　表現工夫

Solid画像

Non-Photorealistic Rendering画像

Solid画像とNon-Photorealistic Rendering画像の乗算ミックス画像

Solid画像とNon-Photorealistic Rendering画像の乗算ミックス画像を作成すると、文様の様子が一段と強調され、判りやすくなります。

3　メモ

Non-Photorealistic Rendering画像は世間一般では漫画に使ったり、キャラクター表現に使ったりなど、正確性・写実性から退化させるための用途で使われています。しかし、GigaMesh Software Frameworkでは正反対に、粘土板の象形文字とか土器の文様分析など表面の細かいディテールを可視化する手法として用いられています。今後縄文土器文様や縄文施文のディテール分析に有効なツールとして使っていくことにします。

技術メモ Blenderに配置した平面画像の視認性向上

 Technical Note: Improving the Visibility of Planar Images Placed in Blender

I investigated ways to improve the visibility of planar images placed in the Blender 3D viewport and found that color inversion made them easier to see. I decided to display planar images for analysis and consideration in Blender using color inversion.

Blender3Dビューポートに配置した平面画像の視認性向上について検討し、カラー反転により見やすくなることに気が付きました。分析検討素材としての平面画像は、Blenderでカラー反転表示することにします。

1　Blender3Dビューポートに配置した平面画像の視認性向上策検討

1-1　Blender3Dビューポートに配置した平面画像（有吉北貝塚セクション図）

40年前に作成された有吉北貝塚セクション図は方眼紙に鉛筆書きした資料ですが、著しく劣化が進んでいました。スキャナーで得た画像を活用できる状態にするためにPhotoshopで調整して、解読できる状態にまで持ち込みました。その結果本来水色の方眼が黄色くなり、通常資料と比べ視認性が劣っています。

この平面画像をBlender3Dビューポートに配置して観察するととても見ずらい資料となっています。

平面画像を配置したBlender画面1

平面画像を配置したBlender画面2

1-2　平面画像の視認性向上策

Blender3Dビューポートに配置された平面画像の視認性向上策として次のマテリアルノードでの試みをしてみました。

いずれもシェーダーエディターで「Image Texture」ノードと「Principled BSDF」ノードの間に別のノードを挿入する試みです。

【画像を濃くする】

・「RGBカーブ」ノード挿入（カーブをS字にする）

・「HSV（色相/彩度/明度）ノード挿入（明度、彩度の調整）

・「輝度-コントラスト」ノード挿入（輝度、コントラストの調整）

【画像カラーを反転させる】

・「カラー反転」ノード挿入

このうち、「カラー反転」ノード挿入が視認性向上策として最も効果的であることに気が付きました。

平面画像を配置したBlender画面1（画像はカラー反転）

平面画像を配置したBlender画面2（画像はカラー反転）

Blenderに置ける分析作業では必要に応じて平面画像をカラー反転表紙することにします。

2　Blender3Dビューポートに配置された「a–c–b 連続断面を1枚の横長画像にする方法」開発（非採用）

Blender3Dビューポートに配置されたa/c/b断面

a：13断面（横断面）

b：20断面（縦断面）

c：14断面（横断面）

a/c/b断面で囲まれる空間の内部に視点を移動して、その視点から見ることができる「a–c–b 連続断面を1枚の横長画像にする方法」の開発に取組みました。

具体的には空間内部にオルソ投影カメラを設置して3枚の写真を撮影してつなげる方法です。作業のなかで次の点で手間が必要であり、現状の方法（原図をPhotoshopで切り抜き、Illustratorで貼り付け）と比べてメリットがないので、非採用としました。失敗したということです。

1　カメラ撮影画像（レンダリング画像）が暗く、調整に手間取ります。。この記事のBlender画像はすべてスクリーンショット画像です。光源を配置しても、レンダリングするとスクリーンショット画像より暗くなります。

2　カメラの調整作業が必要であり、さらに撮影画像の貼り付け操作が必要で、かかる手間が現状方法とくらべ効率化が図れません。

ただ、上図のような「a/c/b断面で囲まれる空間」のわかるスクリーンショット画像を作成すると、現状作業をする際に、どの部分を切り抜いたら良いかを確認する参考資料となることに気が付きました。これは検討副産物として採用します。

3　貝層断面原図（集成セクション図）の視認性向上策としてのカラー反転図活用（非採用）

貝層断面原図（集成セクション図）

貝層断面原図（集成セクション図）（カラー反転図）

Blender操作ではなく、Illustratorを使う一般作業でも、貝層断面原図（集成セクション図）は視認性が良くありません。そこで視認性向上策案としてのカラー反転図を作成してその有効性を検討しました。

分層線などの視認性はよくなりますが、それ以外が黒くなり、文字をはじめとする書き込みがしにくく、全体としてみずらい図面になることがわかりました。従って、一般図におけるカラー反転図利用は非採用としました。

技術メモ 断面幅20㎝スリットから出土した遺物の分層別集計方法

 Technical Note: A method for counting artifacts by layer excavated from a 20cm-wide slit.

I developed a method for counting artifacts by layer excavated from a 20cm-wide slit. I used layer lines from Illustrator and Blender Python to count the artifacts.

断面幅20㎝スリットから出土した遺物の分層別集計方法を具現しました。Illustrator由来の分層線を利用してBlenderPythonで集計します。

1　断面幅20㎝スリットから出土した遺物

断面幅20㎝スリットから出土した遺物（11断面）

2025.12.06記事「11断面幅20㎝スリットから出土した遺物抽出」参照

2　断面幅20㎝スリットから出土した遺物の分層別集計方法

2-1　分層別集計用メッシュオブジェクト作成

分層と遺物分布

分層線はIllustrator由来のカーブ

遺物は点群で2つの属性（id,bunruicode）を具備しています。

S3混土貝層の集計用メッシュオブジェクト

分層線（カーブ）から押し出しと面貼りを利用して、遺物を完全に内包するメッシュオブジェクトを作成します。

2-2　BlenderPythonによる分層内遺物集計

集計用BlenderPythonをChatGPT支援で作成しました。集計は分層毎に行い、遺物リストと分類コード別集計（統計）の2つのcsvファイルを生成します。

集計と統計のcsvファイル

3　メモ

少し前まで、手にカウンターを持って、画面を見ながら数えるようなこともあったのですが、そうした活動はようやく過去のものとなりました。