Ракурс
English info@racurs.ru

Статьи и презентации

Библиография PHOTOMOD

Опыт пользователей

Учебные материалы

Материалы конкурса PHOTOMOD Lite

Вики — фотограмметрия

 НОВОСТИ  О КОМПАНИИ  ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ  ДАННЫЕ ДЗЗ  УСЛУГИ  ОБУЧЕНИЕ  ПОДДЕРЖКА  БИБЛИОТЕКА  КОНТАКТЫ  ЛИЧНЫЙ КАБИНЕТ 
 Статьи и презентации  Вики — Фотограмметрия 

Алгоритмы автоматического расчета связующих точек в PHOTOMOD 4.0

Дракин М.А., Зеленский А.В., Елизаров А.Б., Сечин А.Ю., (Ракурс, Москва, Россия)

Скачать эту статью (PDF, 15 MB)

Введение

Одним из трудоемких процессов в цифровых фотограмметрических системах является процесс измерения связующих точек, необходимых для уравнивания блоков аэро и космических снимков. Для повышения точности и скорости обработки измерения точек традиционно используется площадной коррелятор. Главной проблемой использования стандартного площадного коррелятора является необходимость задания приближения положения связующей точки на разных снимках, что и производится оператором. Другим подходом к поиску связующих точек является нахождение одноименных особенностей на снимках — "особых" точек, линий, фигур. Такие алгоритмы называются обычно "feature based" [1]. В цифровой фотограмметрической системе PHOTOMOD 4.0 реализован следующий подход, состоящий из 5 этапов:

  1.  Производится сегментация всех изображений — разбиение изображений на области с примерно одинаковыми фотометрическими характеристиками.
  2.  Выделенные на предыдущем этапе области ("фигуры") переводятся в векторное представление — у фигур выделяется граница, имеющая векторное представление.
  3.  Для каждой пары перекрывающихся изображений вычисляются коэффициенты корреляции определенным образом выбранного подмножества пар фигур. Для вычисления коэффициента корреляции используется метод преобразования Фурье.
  4.  С помощью оптимизированного переборного алгоритма, использующего рассчитанный коэффициент корреляции, а также дополнительные геометрические особенности расположения фигур, производится окончательное сопоставление фигур пары снимков и вычисление приблизительного соответствия точек на паре изображений.
  5.  Результаты этапа 4 поступают на вход иерархическому площадному коррелятору, с помощью которого полностью автоматически вычисляется необходимое число точек. После этого применяются различные критерии отбраковки (остаточный поперечный параллакс, контроль по триплетам и т. п.) и исключаются потенциально ошибочные точки.

Рассмотрим перечисленные этапы более подробно.

1. Сегментация

На первом этапе производится автоматическая сегментация (частичная векторизация) изображений, то есть нахождение на растре границ отдельных объектов, наиболее легко поддающихся оконтуриванию, таких как крыши домов, поляны, частично дороги и т. п.

Вначале производится разбиение изображения на области примерно одинаковой окраски, исходя из заданного порога сравнения. Цветное RGB-изображение лучше всего разбивать на области, сравнивая точки по всем трем каналам RGB, например, сравнивая с порогом сумму модулей разностей по каждому каналу, хотя можно использовать только яркостной канал или другие комбинации.

Улучшить качество разбиения, уменьшив количество областей при данном пороге, можно также, увеличив резкость изображения. Довольно неплохой результат получается при применении к изображению градиентного оператора Собеля и сложении его с оригинальным изображением. Сегментация такого изображения дает более правдоподобный результат.

Оригинальный снимок Результат сегментации

После предварительной сегментации имеется множество растровых изображений, по одному для каждой области. Так как границы найденных областей чрезвычайно неровные и внутренности содержат множество мелких исключений, изображения областей сначала сглаживаются, чтобы устранить все неоднородности, после чего строятся границы в векторном виде.

Размытая область Растровая граница области
и точки излома
Финальная ломаная —
граница области
в векторном виде

2. Выделение соответствующих фигур на паре снимков

После разбиения каждого снимка на области и нахождения границ этих областей в векторном виде на каждой паре соседних снимков производится сопоставление фигур и отбор кандидатов на соответствие.

Пара соседних снимков с выделенными на них границами фигур

На каждом снимке для сопоставления отбирается некоторое заданное число фигур наибольшей площади, поскольку в большинстве случаев наиболее характерным деталям изображения соответствуют наиболее крупные фигуры. Затем в пределах отобранного подмножества для каждой фигуры одного снимка находятся максимально подобные ей фигуры второго снимка. После чего на основе этих данных вычисляется примерная ориентация изображений друг относительно друга.

Формально решение задачи может быть описано следующим образом. Пусть на двух снимках (один из них будем называть левым, а другой — правым) выделены множества фигур: на левом снимке (L), на правом (R). Для каждой фигуры на левом снимке находится множество наиболее "похожих" фигур на правом снимке:
,
где R1, φ2) — коэффициент корреляции фигур,ε — некоторое задаваемое значение порога корреляции. Дополнительно вводится ограничение на количество найденных фигур во множестве  — как правило от 1 до 3 фигур с максимальным коэффициентом корреляции. Коэффициент корреляции фигур зададим формулами:
,
,
где ri=ri(α) — расстояние от точки контура i -й фигуры до её центра масс.

Сопоставление фигуры на двух снимках

В результате построения указанным образом множеств , для каждой фигуры , получается множество всех возможных пар "похожих" фигур , где .

Далее в процедуре обработки в качестве начального приближения для взаимного расположения снимков используется аффинное преобразование. В системе PHOTOMOD 4.0 такое аффинное преобразование строится следующим образом. Рассматривается множество , где каждый элемент состоит из трех пар фигур. Для каждого элемента tn существует единственное (в невырожденном случае) аффинное преобразование с левого на правый снимок , переводящее центры масс трёх фигур tn с левого снимка в центры масс соответствующих фигур на правом снимке. Для каждого tn строится такое Θn и находится множество пар фигур
,
где  — центр масс фигуры, ρ — некоторый порог. Наиболее правдоподобным преобразованием Θnmax считается то, которое соответствует множеству Gnmax максимальной мощности. Это преобразование принимается в качестве начального приближения для последующего применения площадного коррелятора.

3. Площадная корреляция

После вычисления преобразования, задающего приблизительное соответствие точек на паре снимков, для нахождения связующих точек используется иерархический площадной коррелятор [2]. Как показывает реальный опыт, использование найденных на предыдущем этапе характерных точек растра (углы фигур) в качестве входных данных коррелятора на самом деле не является наилучшим выбором по двум причинам.

Во-первых, при сегментации производится предварительная обработка исходных растров с целью сглаживания, после чего при расчете векторной границы производится сглаживание уже этой границы. В результате векторные области, пригодные для сопоставления фигур, реальным деталям исходных снимков соответствуют весьма неточно. Во-вторых, при выделении фигур используются, как правило, наиболее контрастные линии и точки на растре. Довольно часто в эту категорию попадают тени от деревьев, углы и края крыш домов и т. п., плохо подходящие для площадного коррелятора и для использования в качестве связующих точек.

Таким образом, из данных, полученных на этапе сопоставления фигур, для окончательного измерения связующих точек предпочтительно использовать только вычисленное преобразование с одного снимка на другой, задающее соответствие точек снимков. Непосредственно точки для корреляции можно подбирать, например, случайным образом с равномерным распределением по области перекрытия, что при использовании соответствующих алгоритмов отбраковки дает достаточно качественный для дальнейшей работы результат.

4. Результаты использования

Алгоритм автоматических измерений связующих точек был протестирован на блоках аэрофотоснимков, различных по масштабу залета и количеству изображений. Оценки производительности выглядят следующим образом.

 

Размер блока(общее количество снимков / количество маршрутов) Масштаб залета Время на построение фигур Время на создание накидного монтажа вручную Время на автоматическое измерение связующих точек Время на дополнительные ручные измерения и конечное уравнивание
6/2 5000 1 мин  — 2 мин 2 мин
14/2 12000 2 мин  — 5 мин 2 мин
35/5 30 000 3 мин  — 7 мин 2 мин
290/10 30 000 4 ч  — 5 ч 6 ч
777/34 30 000  — 1 ч 7 ч 30 мин 8 ч

При тестировании использовался компьютер с процессором 2,4 ГГц и памятью 1 ГБ. Следует отметить, что помимо автоматического создания схемы блока с использованием "фигур" в системе предусмотрено создание накидного монтажа "вручную" — путем перемещения изображений и маршрутов либо путем выбора идентичных точек на изображениях. Процесс автоматического измерения связующих точек не требует высокоточного накидного монтажа, поэтому он может быть создан достаточно быстро (см. нижнюю строку таблицы). Возможно также использование комбинированной технологии — часть блока связывается по фигурам, а часть вручную.

Отметим, что все вышеприведенные примеры относятся к слабозалесенной местности. Наличие значительных областей, покрытых лесом или застройкой, приводит к затруднениям работы коррелятора и соответственно к большим временным затратам на дополнительные ручные измерения. Без использования алгоритмов автоматических измерений квалифицированный оператор обрабатывает 5–6 снимков за час. Таким образом, разработанные алгоритмы многократно повышают производительность труда при уравнивании блоков аэро и космических снимков.

Литература

[1] Manual of Photogrammetry. Fifth Edition. Ed. J. Chris McGlone. ASPRS, 2004.

[2] Adrov V.N., Chekurin A.D., Sechin A.Yu., Smirnov A.N., Adam-Guillaume J.-P., Quessete J.-P., "Program PHOTOMOD: digital photogrammetry and stereoscopic image synthesis on a personal computer", in Digital Photogrammetry and Remote Sensing'95, Eugeny A. Fedosov, Editor, Proc. SPIE, 2646, pp. 89-96, 1995.

Подписка на новости 129366, г. Москва
ул. Ярославская, д. 13А, офис 15
Tel   (495) 720-51-27 (многоканальный)
Fax   (495) 120-40-17
Последнее обновление: 16.05.2019© Ракурс, 2004-2019