В курсе рассматриваются теоретические основы обработки материалов аэрофотосъемки. Приводятся основные зависимости, связывающие точки на снимках с точками на местности. Описываются основы теории построения модели местности по снимкам. Даются основные сведения по методам автоматического распознавания соответственных точек на снимка. Подробно объясняется: конфигурация воздушного судна, построение полетного задания, порядок обработки результатов аэрофотосъемки и возможные проблемы, возникающие при этом. Рассматривается практическая реализация обработки данных аэрофотосъемки с использованием коммерческого и открытого программного обеспечения. Основной упор в курсе делается на обучение практическим навыкам обработки данных с минимальным теоретическим экскурсом, необходимым для понимания процессов, происходящих на разных этапах.
1.5 «Основные методы и подходы»
Loading...
From the course by Saint Petersburg State University
Фотограмметрическая обработка материалов аэрофотосъемки с БПЛА
18 ratings
Saint Petersburg State University
18 ratings
From the lesson
Введение. Основные понятия.
Meet the Instructors
Казаков Эдуард ЭдуардовичНаучный сотрудник
«Международный центр по окружающей среде и дистанционному зондированию имени Нансена»
Мазурок Артём ВладимировичРуководитель проекта
компания "Геоскан"
Тюрин Сергей ВячеславовичДоцент
Кафедра картографии и геоинформатики
[МУЗЫКА]
[МУЗЫКА] [МУЗЫКА]
Существует два основных подхода к отождествлению точек на паре фотоснимков.
Первая группа методов называется методами площадными.
Это методы,
которые основаны на анализе значений пикселей и изображений в пределах области.
Эти методы делятся на корреляционные и на методы,
основанные на методе наименьших квадратов.
Вторая группа методов основана на выделении характерных элементов
изображения.
Начнем с площадных методов.
Их идея интуитивна и проста.
Она заключается в том,
что мы последовательно сравниваем фрагменты двух изображений,
определяя, какие из фрагментов на двух фотоснимках наиболее похожи друг на друга.
Давайте попробуем разобраться на простом примере.
Вы видите два фотоснимка, которые вам уже знакомы.
И поставим себе такую задачу: нам необходимо определить
на правом фотоснимке область, которая соответствует области,
которая сейчас выделена красным прямоугольником на левом фотоснимке.
Как это происходит при применении площадных методов?
Итак, мы начинаем работать с правым фотоснимком.
Мы для начала для наглядности увеличиваем фрагмент на левом фотоснимке,
чтобы вы видели, что там происходит,
и с левого верхнего угла правого фотоснимка мы начинаем сравнивать
фрагмент площади с нашим [НЕРАЗБОРЧИВО] фрагментом на левом фотоснимке.
Давайте посмотрим.
Увеличиваем первый фрагмент правого изображения и смотрим.
Человеку очевидно, что ничего общего между двумя этими фрагментами нет.
Они друг другу не соответствуют, и общие точки здесь искать нет смысла.
Очевидно это и для компьютера.
Правда, вместо умозрительных умозаключений компьютер будет использовать
математический аппарат и, например, рассчитает коэффициент корреляции
между двумя этими изображениями, он окажется равным, скорее всего, 0,
и компьютер сделает вывод, что ничего общего между этими фрагментами нет,
и перейдет к следующему фрагменту, как это показано на слайде.
Таким образом, и вы это видите сейчас на экране,
мы начинаем перебирать фрагмент за фрагментом на нашем правом фотоснимке.
Очевидно, что отождествить точки удастся в тот момент,
когда на правом фрагменте мы придем к выделенному сейчас участку изображения,
потому что на нем изображена та же местность, что и на левом фотоснимке.
Очень хорошо видно, что и визуально, и коэффициент корреляции то же самое
покажет, что эти два изображения, два этих фрагмента изображения тождественны друг
другу, наш коррелятор определит, что да, эти фрагменты друг другу соответствуют,
центральные точки будут признаны тождественными, задача решена.
Мы сможем переходить к следующему фрагменту левого изображения и искать
общие точки дальше.
Метод очень прост и интуитивен.
У него есть свои преимущества.
В частности, это, конечно,
относительная простота реализации на любом языке программирования.
скорость вычислений.
Поскольку вычислений не много, они не очень ресурсоемкие.
Это работает быстро.
И такой подход очень хорош в случаях, когда у нас качественная фотосъемка
при одинаковых условиях освещения, маршрутная, без сюрпризов.
Однако любой шум: поворот фотоснимков друг относительно друга,
разница в освещенности, угол наклона если разный и т.д., все
эти проблемы делают применение площадных методов практически бессмысленным.
Они просто не сработают.
На такой случай...
И эти методы на сегодняшний день являются основой фотограмметрии,
существуют методы, которые называются методами,
основанными на выделении характерных элементов изображения.
Эти методы очень разнообразны,
но в целом могут быть описаны в некотором унифицированном сценарии.
Этот сценарий состоит из трех этапов.
Этап первый называется выделение точек,
выделение особых так называемых точек на всех изображениях.
Второй этап — это создание так называемых дескрипторов, описаний точек.
И третий этап — это сопоставление дескрипторов на разных фотоснимках и
такие отождествления, собственно говоря, этих точек.
Давайте попробуем разобраться с каждым из этих этапов немного подробнее.
Итак, первый этап — это определение особых точек.
Что в терминах фотограмметрии называется особой точкой?
Особой точкой называется...
ну, точного определения как бы нет общепринятого.
Под особой точкой, как правило, понимают точку, которая,
скажем так, значимо и однозначно отличается от фона и от соседних точек.
То есть это пиксель цифрового изображения,
который мы без труда идентифицируем относительно других пикселей.
Принцип может быть основан на разных идеях,
на разной математике.
Существуют так называемые операторы выделения особых точек,
их достаточно много: оператор Moravic, оператор Forstner, оператор SIFT.
Они все несут в себе несколько разный смысл, несколько разную математическую
нагрузку, вы можете с ними познакомиться при необходимости.
Ну, так или иначе, общая идея в том,
что особая точка должна значимо отличаться от фона и от соседних пикселей.
Как правило — давайте посмотрим на примерную картинку — это точки,
которые находятся на границе двух разных объектов, например, между цветом и тенью,
между краем крыши и, собственно говоря, поверхностью и т.д.
Современные фотограмметрические алгоритмы компьютерные позволяют на любых
фотоснимках автоматически определять, находить тысячи,
десятки тысяч и сотни тысяч таких точек, поскольку для компьютера особыми
точками является гораздо большее количество, чем для человеческого глаза.
Итак, если мы нашли с вами особые точки, определили их,
теперь мы должны их описать.
Описание, так называемое создание дескрипторов — это процесс,
когда мы пытаемся охарактеризовать точку и ее окрестность для того,
чтобы в будущем сопоставить их между собой.
Создание дескриптора — процесс тоже, который может быть очень разнообразно
построен, который может быть основан на большом количестве разных алгоритмов.
Эти алгоритмы могут быть основаны на градиентах яркостей,
на градиентных сигналах, на статистиках каких-то областей.
И для того, чтобы мы с вами в понятных терминах это описали, давайте
будем считать дескриптором некоторый уникальный образ точки или след точки,
отпечаток точки, то есть то, что нам позволит в будущем ее однозначно
идентифицировать и отличить от всех остальных.
Если мы с вами описали дескрипторы для всех особых точек,
которые мы нашли на первом этапе, у нас остается
последний этап — это сопоставление точек по дескрипторам на разных изображениях.
Задача может быть тоже не вполне тривиальная, и успешность ее решения
зависит от того, насколько удачно подобраны дескрипторы в конкретном случае,
насколько эти дескрипторы значимо друг от друга отличаются,
насколько они сложны и т.д.
Если нам удалось сопоставить большое количество дескрипторов на двух
изображениях, то задача считается решенной,
мы отождествили точки на двух изображениях.
В целом у этой задачи большое количество вариаций.
Она нетривиальна,
на каждом этапе возникает множество трудностей при разных условиях.
Например, если вы снимаете в условиях льда, снега, например,
вы снимаете ледник с беспилотного летательного аппарата,
то практически все эти этапы сильно усложняются,
потому что очень сложно описывать точки, искать особые точки, у вас снег, лед,
высокая отражательная способность, все очень похоже друг на друга и т.д.
Все эти проблемы так или иначе решаются как раз с помощью разных математических
подходов.
Если вам когда-нибудь захочется разобраться в математическом аппарате
современных методов отождествления особых точек,
то начать стоит с работы Дэвида Лоу, ссылку на которую вы видите на экране.
Это знаменитый SIFT алгоритм, который, не будет преувеличением сказать,
что изменил и компьютерное зрение, и фотограмметрию, и с 2004 года,
когда эта работа была опубликована, она набрала уже более 40000 цитирований.
Для научной работы это колоссальный результат.
Поэтому если у вас возникает необходимость по какой-то причине разобраться в
алгоритмических основах, например, для того,
чтобы запрограммировать, то начните знакомство с этой работы.
Explore our Catalog
Join for free and get personalized recommendations, updates and offers.
Coursera provides universal access to the world’s best education,
partnering with top universities and organizations to offer courses online.
© 2019 Coursera Inc. All rights reserved.
