4.8 Построение цифровой модели поверхности.

На основе методов идентификации соответственных точек на соседних снимках, описанных выше можно получить трехмерную модель объекта в виде плотной сети точек покрывающую всю поверхность объекта, аналогично тому, как это получается в результате трехмерного лазерного сканирования (см. главы 8 и 9). Для этого на объекте задается плотная сетка с известными плановыми координатами XY и находятся соответствующие им координаты Z, используя методы, описанные выше. Однако, как известно, из-за различной перспективы снимков и рельефа объекта будут возникать проблемы при идентификации соответственных точек. Проблема может быть решена, если увеличить количество снимков объекта, полученных с различных точек фотографирования.

На рис. 4.22 видно, что изображения на парах перекрывающихся снимков S₁-S₂, S₃-S₄, S₁-S₄, S₁-S₃, S₂-S₃ вокруг интересующей нас точки различные, поэтому корреляция между ними будет низкая (коэффициент корреляции будет маленьким). Для пары снимков S₂-S₄ коэффициент корреляции будет максимальным, так как изображения вокруг интересующей нас точки идентичны. Этот вариант снимков используется для вычисления координаты Z данной точки.

Рис. 4.22

Для повышения надежности идентификации соответственных точек рекомендуется выполнять съемку с продольным и поперечным перекрытиями не менее 60%. В этом случае существуют много комбинаций пар снимков при анализе корреляции для каждой точки. Поэтому, например, в цифровой фотограмметрической системе INPHO (MATCH-T DSM) анализ корреляции для данной точки проводится по направлениям, указанным стрелками на рис.4.22

9. Методы автоматического отождествления соответственных точек, основанные на выделении элементов изображения

Сущность этих методов состоит в следующем: сначала выделяются элементы изображений, а затем они отождествляются. В качестве элементов изображения могут быть точки, линии, полигоны, и т.д. Для выделения этих элементов применяются различные операторы, с которыми осуществляется свертка изображений. Например, для точек существуют операторы Forstner, Moravic, Dreschler, Mar-Hildreth и SIFT . Задача этих операторов найти на изображении области с наибольшим изменением контраста, в которых затем получатся наилучшие результаты корреляции. Выделенные точки с помощью оператора Forstner инвариантны к поворотам и как следствие в этих точках корреляция получается более надежно. Оператор Moravic позволяет выделить точки с контрастом, превышающем некоторый порог. Оператор Dreschler вычисляет значение кривой Гаусса, которое позволяет определить точки принадлежащие перегибам линий. Эта характеристика линий не изменяется в зависимости от геометрических искажений, изменений масштаба и поворота изображения. Оператор Marr-Hildreth (или оператор LoG лапласиан гауссиана) фильтрует изображение и одновременно выделяет зоны изменений значений плотностей изображения. SIFT (масштабно инвариантное преобразование) это алгоритм, позволяющий описать точку снимка некоторыми локальными признаками, которые инвариантны к сдвигу, повороту и масштабу.

Существуют различные операторы (операторы Roberts, Prewitt, Sobel), которые позволяют выделить линии и полигоны. Эти операторы основаны на выделении границ изменений значений плотностей изображения.

Задача этих операторов выделить участки на изображениях с наибольшим контрастом, в которых можно получить наилучшие результаты при автоматизированных методах измерений. В результате также сужается область поиска одноименных точек на паре снимков, что позволяет резко сократить вычислительный процесс.

После выделения элементов изображений применяются площадные алгоритмы отождествления соответственных точек.

Ниже приводится краткое описание основных операторов.