CC BY
102
УДК 528.721
А.С. Ессин, Л.В. Быков, С.С. Ессин СибРКЦ «Земля», Омск
АВТОМАТИЗАЦИЯ СТЕРЕОСКОПИЧЕСКИХ ИЗМЕРЕНИЙ ПРИ ФОТОГРАММЕТРИЧЕСКОЙ ОБРАБОТКЕ МАТЕРИАЛОВ АЭРОВИДЕОСЪЕМКИ В ЦЕЛЯХ СОЗДАНИЯ ОРТОФОТОПЛАНОВ
В результате постоянных изменений на местности картографический материал стареет. Для сохранения его актуальности проводятся работы по обновлению планов и карт. Нормативные документы устанавливают сроки периодического обновления картографических материалов:
- Для важных обжитых районов этот период составляет 5-7 лет;
- На остальную территорию - 10-15 лет.
Существенные изменения на местности могут происходить гораздо быстрее в результате: активного освоения территории, при чрезвычайных ситуациях, стихийных бедствиях и т. д. В большинстве случаев площадь таких изменений не превышает нескольких квадратных километров. Поэтому необходимо выполнять оперативное выборочное обновление планов и карт. Кроме того, необходимость оперативного обновления возникает при ведении кадастрового мониторинга территорий, изменения состава собственников земли и т. д.
Для обновления локальных участков карты можно использовать материалы аэровидеосъемки [1]. По сравнению с наземной инструментальной съемкой стоимость получаемой картографической продукции ниже и продолжительность ее изготовления меньше. Производительность обновления планов по материалам аэровидеосъемки на площадь до 15 кв. км. выше, чем при использовании материалов аэрофотосъемки. Поэтому, технологическая ниша «видеотехнологии» -оперативное выборочное обновление планов и карт в период между периодическим обновлением на основе материалов аэрофотосъемки.
Одной из особенностей видеосъемки является низкая разрешающая способность видеоизображения, по сравнению с фотоизображением. Чтобы компенсировать этот недостаток приходится увеличивать масштаб съемки в 45 раз. В связи с этим, один видеоснимок покрывает на местности не значительную площадь. Это приводит к увеличению количества обрабатываемых снимков и увеличению объема стереоскопических измерений. Для создания ортофотоплана масштаба 1:2000 на площадь в 1 кв. км. требуется обработать около 300-350 снимков и измерить около 25-30 тыс. связующих точек. Очевидно, что измерение вручную такого большого количества точек на столь малую площадь не целесообразно. Поэтому цель работы состоит в максимальной автоматизации процесса измерения идентичных точек при обработке материалов аэровидеосъемки.
Автоматизация стереоизмерений одиночных точек.
Автоматизация процесса стереоскопических измерений выполнена на основе площадных алгоритмов поиска идентичных точек. Известны следующие алгоритмы идентификации одиночных точек:
- Алгоритм последовательной привязки [5];
- Алгоритм взаимной корреляции [3, 5, 6];
- Алгоритм, основанный на методе наименьших квадратов [8].
Последовательный алгоритм привязки обладает высокой
производительностью, но не имеет надежного критерия сравнения. Корреляционные алгоритмы выполняют обработку дольше, но имеют надежный критерий отбраковки ошибочных данных. Алгоритм, основанный на методе наименьших квадратов, эффективен в том случае, если приближенное положение искомой точки известно с достаточно высокой точностью. При увеличении области сопоставления эффективность алгоритма снижается. В данной работе, для измерения координат связующих точек использован метод взаимной корреляции.
Проведено исследование метода взаимной корреляции при обработке аэровидеоснимков. В результате исследования выявлены закономерности влияния параметров поиска на точность и количество найденных точек. Определены оптимальные параметры поиска идентичных точек на паре аэровидеоснимков:
- Размерность эталонного образа - 23х23 пикселя;
- Размерность образа низкочастотного фильтра - 3х3 пикселя;
- Размерность области поиска - 13х13 пикселей;
- Пороговая величина коэффициента корреляции - 0,80;
- Составной цвет, оптические плотности которого используются при анализе изображений - зеленый.
Метод взаимной корреляции позволяет выполнять измерения координат точек на изображениях с пиксельной точностью. Для фотограмметрической обработки материалов аэросъемки не всегда достаточно пиксельной точности измерений, поэтому возникает задача измерения координат точек с субпиксельной точностью.
Стереоизмерения координат точек с субпиксельной точностью.
Известно два подхода к измерению координат точек с субпиксельной точностью [3, 8]. Один подход заключается в анализе композиции цветов. Примером является алгоритм идентификации точек с использованием метода наименьших квадратов. Суть второго подхода состоит в нелинейной аппроксимации функции сравнения в пределах глобального максимума. Установив максимум этой функции, определяется положение точки с субпиксельной точностью. Оба подхода позволяют определять координаты точек с достаточной точностью. Так как в работе, для измерения координат точек с пиксельной точностью используется метод взаимной корреляции, то при измерении координат с субпиксельной точностью используется подход, основанный на аппроксимации функции корреляции.
Аппроксимация функции сравнения может выполняться любыми функциями, например полиномами различных порядков. При использовании полиномиальной аппроксимации значение функции корреляции,
вычисленное в твердых точках, будет отличаться от коэффициента
корреляции, полученного для этих точек на этапе пиксельных измерений.
Для сглаживания функции корреляции используется аппроксимация
поликвадратическими функциями [4]. При построении сглаживающей
функции используется зависимость п п
Рк(х,у-)= ^ +кср (1)
где Бк(х,у) - значение функции корреляции в точке с координатами
(х,у);
Су - неизвестные поликвадратические коэффициенты;
-у)2 +(у - Уул 2
= д/ (х - ху) + (У - Уу) - расстояния между определяемой и твердыми
точками;
п - размерность области, в пределах которой выполняется аппроксимация;
к
ср - среднее значение коэффициента корреляции.
Вычисленное по поликвадратическим коэффициентам значение коэффициента корреляции в твердых точках будет равно коэффициенту корреляции, полученному в этих точках на этапе пиксельных измерений.
Максимальная точность измерений координат точек ограничивается изобразительными свойствами снимка. Поэтому, при субпиксельных измерениях на цифровых изображениях достаточно разделять пиксель на конечное число частей. Функцию сглаживания можно строить в не явном виде и выполнять дискретную аппроксимацию функции корреляции.
Для проверки правильности работы предложенного алгоритма проведено исследование. Результаты стереоскопических субпиксельных измерений сравнивались с результатами аналогичных измерений в цифровой фотограмметрической системе (ЦФС) Фотомод. Из анализа результатов установлено:
- Точность измерения координат точек предложенным алгоритмом и алгоритмом, применяющимся в ЦФС Фотомод, практически одинаковая;
- Установлена зависимость точности взаимного ориентирования снимков от точности стереоскопических измерений;
Установлено, что при точности измерений координат точек равной 1
пикселя достигается максимальная точность взаимного ориентирования. При повышении точности стереоизмерений ошибка взаимного ориентирования не снижается.
Таким образом, разработан алгоритм, позволяющий выполнять субпиксельные стереоизмерения путем дискретной аппроксимации функции корреляции с заданной точностью.
Описанные алгоритмы предназначены для идентификации одиночных точек. При этом приближенные координаты идентичных точек должны быть
известны с достаточно высокой точностью. Для установления приближенных координат точек или приближенной связи координатных систем снимков требуется участие оператора. Это не позволяет выполнять стереоизмерения автоматически.
Автоматические стереоизмерения.
Существует иерархический метод поиска идентичных точек [7], предназначенный для идентификации группы точек и автоматизированного ориентирования снимков стереопары. Иерархический алгоритм основан на обработке уменьшенных изображений. В этом случае приближенные координаты идентичных точек должны быть известны с не высокой
точностью. Измерение точек выполняется итерационно, постепенно
увеличивая масштаб изображения и уточняя координаты точек.
Если при проведении аэросъемки регистрируются элементы внешнего ориентирования (ЭВО) снимков, то приближенные координаты точек вычисляются по измеренным ЭВО снимков.
При выполнении аэровидеосъемки ЭВО видеоснимков определить с достаточной точностью не удается. Поэтому нет возможности эффективно использовать иерархический алгоритм. Известные алгоритмы
автоматизированных стереоизмерений не позволяют выполнять измерения на видеоснимках автоматически. Применение этих алгоритмов без
дополнительной модификации малоэффективно.
Решение проблемы автоматических стереоизмерений по аэровидеоснимкам выполнялось в несколько этапов.
Выполнена адаптация иерархического алгоритма для обработки аэровидеоснимков. Область поиска расширена на всю площадь правого снимка и исключено уточнение точек на промежуточных иерархических уровнях. Идентификация точки осуществляется в два этапа: выполняется поиск точки по уменьшенному изображению в пределах всей площади правого снимка; затем полученные координаты уточняется на снимке исходных размеров.
Совместное использование адаптированного иерархического алгоритма и метода взаимной корреляции позволяет выполнять стереоизмерения автоматически. Однако, использование метода взаимной корреляции не всегда удовлетворяет требованиям оперативности.
Разработан комбинированный алгоритм поиска точек, принцип работы которого заключается в следующем. Первоначально координаты соответственных точек находятся с использованием метода последовательной привязки изображений с высокой скоростью, а для проверки правильности поиска вычисляется коэффициент корреляции. Исследование алгоритма показало, что по сравнению с методом взаимной корреляции комбинированный алгоритм выполняет измерения в 2,5-3 раза быстрее. При этом сохраняется равная точность измерений. Автоматические измерения выполняются путем совместного использования адаптированного иерархического и комбинированного алгоритмов.
Проведено исследование [2] в результате которого определены оптимальные параметры для автоматической идентификации точек на аэровидеоснимках:
- Алгоритм автоматического поиска идентичных точек -иерархический совместно с комбинированным алгоритмом;
- Составной цвет, оптические плотности которого используются при анализе изображений - зеленый;
- Коэффициент уменьшения исходных снимков - 12;
- Размерность эталонного образа - 11;
- Пороговая величина коэффициента корреляции - 0,80.
Таким образом, разработан алгоритм автоматического поиска идентичных точек на паре аэровидеоснимков. При его использовании появляется возможность автоматической обработки большого объема информации, которая формируется в процессе аэровидеосъемки. Становится возможной оперативная обработка материалов аэровидеосъемки и получение обработанных данных в приемлемые сроки.
Внедрение результатов работы позволяет многократно повысить производительность стереоизмерений. Кроме того, при использовании автоматических стереоизмерений достигается существенный технологический эффект: стереоизмерения не требуют участия оператора, поэтому могут выполняться в не рабочее время.
Решение ключевых вопросов автоматизации стереоизмерений позволило усовершенствовать технологию создания ортофотопланов по материалам аэровидеосъемки и эффективно использовать ее на практике. Технологию рекомендуется использовать для оперативного обновления выборочных участков карты в период между периодическим обновлением по материалам аэрофотосъемки. Технология эффективна при создании ортофотопланов на площади до 15 кв. км.
На сегодняшний день по данной технологии в различных субъектах федерации выполнено выборочное обновление планов масштаба 1:2000 на общую площадь более 100 кв. км.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Быков Л.В. Опыт и перспективы обновления кадастровых планов с применением материалов аэровидеосъемки местности / Л.В. Быков, А.П. Макаров // Информ. бюл. ГИС-Ассоциации. - 2001. - №2(29)-3(30). - С. 7-9.
2. Ессин А.С. Исследование алгоритмов автоматической идентификации точек на паре видеоснимков / А.С. Ессин // Изв. ВУЗов. Геодезия и аэрофотосъемка. - 2003. - №3. - С. 79-89.
3. Лобанов А.Н. Автоматизация фотограмметрических процессов / А.Н. Лобанов, И.Г. Журкин - М.: Недра, 1980. - 240 с.
4. Малявский Б.К. Аналитическая обработка фотограмметрической информации в целях инженерных изысканий / Б.К. Малявский, А.А. Жарновский - М.: Недра, 1984. -220 с.
5. Прэтт У.К. Цифровая обработка изображений / У.К. Прэтт - М.: Мир, 1978. -
384 с.
6. Фу. К. СБИС для распознавания образов и обработки изображений. Пер. с англ. / К. Фу. - М.: Мир, 1988. - 247 с.
7. An Integral Approach to Automatic Aerial Triangulation and Automatic DEM Generation / P. Krzystek, T. Heuchel, U. Hirt, F. Petran // IAPRS. XVIII ISPRS Congress. -Vienna, 1996. - V. 31, P. B3. - P. 405-414.
8. Berger M. The framework of least squares template matching / M. Berger. - Technical Rep. № 180, Fachgruppe Bildwissenschaften. - ETH Zurich. - 1998. - 11p.
© А.С. Ессин, Л.В. Быков, С.С. Ессин, 2005
