Содержание к диссертации
Введение
1. Анализ существующих методов создания векторных моделей объектов 8
1.1 Натурные обмеры 8
1.2 Методы фотограмметрии 9
1.3 Наземное лазерное сканирование 11
1.4 Сравнение методов создания векторных моделей объектов 14
1.5 Совместное использование методов 21
1.6 Выводы 29
2. Описание алгоритмов совместного использования результатов лазерного сканирования и фотосъемки для целей создания трехмерных векторных моделей объекта 30
2.1 Предварительная обработка облака точек 31
2.2 Предварительная обработка фотоснимков 33
2.3 Формирование квазиснимка по облаку точек 35
2.4 Расчет статистических параметров 40
2.5 Привязка фотоизображений к облаку точек 45
2.5.1 Выделение опорных точек на снимке и облаке точек 45
2.5.2 Вычисление пространственных координат опорных точек 52
2.5.3 Определение элементов внешнего ориентирования фотоснимка 57
2.6 Векторизация объектов по фотоснимку в интерактивном режиме 63
2.7 Автоматическая векторизация 65
3. Экспериментальные исследования разработанной методики 69
3.1 Описание разработанного программного обеспечения 69
3.2 Результаты экспериментальных исследований 73
3.2.1 Проверка алгоритма на искусственных тестовых объектах 73
3.2.2 Обработка реальных объектов 78
Заключение 99
Список использованной литературы 101
- Наземное лазерное сканирование
- Совместное использование методов
- Формирование квазиснимка по облаку точек
- Проверка алгоритма на искусственных тестовых объектах
Введение к работе
Актуальность диссертационной работы:
В настоящее время активно развивается технология наземного лазерного сканирования. Постоянно развивается как механическая часть сканирующих систем, так и программная. Дальнейший прирост точности и скорости работы сканера более не дает значительного прироста производительности технологии, включающей в себя помимо сканирования камеральную обработку данных. Для реализации всех возможных преимуществ использования лазерных сканеров необходимо совершенствование методов обработки данных, получаемых в результате сканирования.
Камеральная обработка облака точек – сложный и кропотливый процесс. Это вызвано, в первую очередь, тем, что восприятие точечной модели затруднено в силу огромной избыточности информации.
Помимо совершенствования методов обработки данных сканирования непосредственно, эффективность метода можно повысить путем комбинирования его с существующими методами. Совместная обработка цифровых фотоизображений и облака точек может значительно повысить эффективность обработки данных, так как фотоизображения гораздо ближе к естественному восприятию объекта человеком, чем облако точек, а также позволяют получать информацию об объекте в «проблемных» для сканирования местах.
В данной работе рассматривается метод совместной обработки результатов наземного лазерного сканирования и результатов цифровой фотосъемки, позволяющий автоматизировать ряд процессов и сократить время выполнения камеральной обработки.
Цель диссертационной работы:
Разработка технологии совместного использования данных наземного лазерного сканирования и цифровых фотоизображений для создания векторной модели объекта.
Основные задачи исследования:
- изучение существующих методов совместной обработки результатов сканирования и фотосъемки;
- разработка алгоритма автоматизированной привязки снимков к облаку точек;
- разработка методики векторизации объектов по облаку точек и одиночному снимку и автоматизация этого процесса.
Научная новизна работы:
В данном исследовании предложен новый метод привязки фотоизображений к облаку точек путем построения виртуального фотоизображения (квазиснимка) облака точек и использования алгоритма масштабно-инвариантного преобразования SIFT. Разработан новый метод сегментации облака точек по величине кривизны в каждой точке облака. Предложен метод автоматической векторизации облака точек по квазиснимку и реальному снимку.
Практическая значимость:
Предложенные методы могут быть использованы для выполнения производственных работ. Создано программное обеспечение, позволяющее решать следующие задачи:
- классификация точек и сегментирование облака;
- формирование квазиснимка по облаку точек;
- автоматическая векторизация по квазиснимку;
- автоматизированное определение элементов внешнего ориентирования фотоснимка;
- векторизация облака точек по одиночному фотоснимку;
- визуализация облака точек, фотоизображения и результата векторизации.
Методы исследования:
В исследовании использованы численные методы, методы фотограмметрии, методы цифровой обработки фотоизображений.
Апробация работы:
Основные положения и результаты исследования представлены на Международной научно-технической конференция «Фотограмметрия - вчера, сегодня, завтра», посвященной 85-летию кафедры фотограмметрии МИИГАиК (Москва, 21-22 октября 2010 года), на 6-й Всероссийской научно-практической конференции "Перспективы развития инженерных изысканий в строительстве в Российской Федерации" (Москва, 16-17 декабря 2010 года), на XXII конгрессе международного общества фотограмметрии и дистанционного зондирования ISPRS (Мельбурн, 25 августа – 1 сентября 2012 года), на конференции геодезия и картография для природных ресурсов и окружающей среды (Вьетнам, Ханой, октябрь 2012 года).
Публикации:
По материалам диссертации опубликовано 3 работы на русском языке в журналах «Известия вузов. «Геодезия и аэрофотосъёмка» (МИИГАиК) и «Инженерные Изыскания» (ПНИИС), включенных ВАК в перечень рецензируемых научных журналов и изданий для опубликования основных научных результатов диссертаций, а также одна работа на английском языке, опубликованная в сборнике статей международного конгресса ISPRS в Мельбурне в 2012 году, а также в сборнике статей конференции геодезия и картография для природных ресурсов и окружающей среды в Ханое в 2012 году.
Структура и объем диссертации:
Наземное лазерное сканирование
Метод съемки фасадов зданий с помощью электронного тахеометра получил широкое распространение в силу того, что электронные тахеометры и программные средства в последнее десятилетие достигли необходимого уровня развития и стали доступны в ценовом отношении. Кроме того, такой способ нагляден и привычен и не требует значительного времени на его освоение исполнителями, имеющими опыт работы с электронным тахеометром. Это означает, что любая организация, занимающаяся выполнением геодезических работ и использующая электронный тахеометр, в состоянии выполнить и съемку фасада здания. Основной недостаток данного метода - большая зависимость конечного результата от квалификации исполнителя и практическая невозможность построения точных подробных векторных моделей сложных фасадов зданий. Довольно часто электронный тахеометр используется для определения координат опорных точек, которые затем используются для привязки фотоснимков или облаков точек.
Следует отметить, что после внедрения технологии лазерного сканирования стала незаслуженно снижаться значимость технологии фотограмметрической обработки фотосъемки. В последние годы с развитием методов обработки цифровых изображений, увеличением производительности персональных компьютеров и благодаря внедрению технологий компьютерного зрения в процесс фотограмметрической обработки, снова начинает возрастать роль фотограмметрии. Выполнено довольно много работ, позволяющих сравнить методы и оценить качество результатов. В работах [66] и [58] выполнено сравнение фотограмметрической обработки фотоснимков и наземного лазерного сканирования.
В работе [66] описывается метод создания модели надгробия королевы Элисенды в монастыре Педралбес, Барселона. Работы включали в себя несколько процессов: - прокладка ходов электронным тахеометром и съемка характерных элементов, фотографирование объекта; - построение фотограмметрической модели с привязкой по опорным точкам, полученным электронным тахеометром, формирование облака точек по фотограмметрической модели с учетом структурных линий, заданных оператором; - лазерное сканирование поверхности памятника; - привязка сканерного облака точек по опорным точкам, построение модели поверхности по точкам; - текстурирование построенной поверхности фотоснимками.
После завершения работ был произведен анализ построенных моделей и их сравнение. Результат сравнения показал, что лазерный сканер позволил получить более плотное облако точек (разрешение сканерного облака точек 2 мм против 1 см у фотографического облака). По созданым моделям были построены сечения. Сравнение сечений показало, что фотограмметрическая модель дает более аккуратные и ровные линии сечения, а сканерное облако точек дает волнистую линию, проходящую через все, в том числе и зашумленные, сканерные точки. Кроме того, в фотофамметрической модели треугольники лучше соответствовали форме объекта, так как они были построены с учетом структурных линий, созданных оператором.
В работе [58] описывается процесс создания модели теламона в храме Зевса, Агридженто (Италия). Для создания модели были независимо использованы два метода: наземное лазерное сканирование и фотограмметрическая обработка цифровых фотоизображений.
Для привязки облаков точек и фотоизображений было выполнено определение координат характерных элементов статуи, так как закрепить специальные мишени не имелось возможности. По облаку точек, полученному в результате сканирования, была построена триангуляционная модель поверхности.
Во время фотографирования камера закреплялась на базисе, что позволило получить элементы взаимного ориентирования снимков стереопар. С помощью программы ZScan по стереопарам было сгенерировано облако точек (более двух миллионов точек). На обработку каждой из 18 стереопар уходило не более 10 минут. По фотографическому облаку точек была также создана триангуляционная модель поверхности.
После построения моделей было выполнено сравнение полученных результатов. Результат сравнения поверхностей показал, что они очень близки друг к другу. Это свидетельствует о сравнимой точности наземного лазерного сканирования и фотограмметрической обработки фото изображений. Проблемы выявлены на фотографической модели в затемненных местах фотоизображения, где недостаточно точно был измерен продольный параллакс.
В [66] и [58] сравнивались результаты фотограмметрической обработки фотоизображений и результат сканирования. Логичным выглядит оценка точности результатов с помощью третьего метода - съемка с помощью электронного тахеометра. В работе [48] выполнено не только сравнение моделей, полученных по фотоизображениям и облакам точек, но и выполнен контроль точности с помощью электронного тахеометра. В качестве эталона были приняты координаты специальных мишеней, полученные с помощью высокоточного электронного тахеометра. Мишени были закреплены на кирпичной стене.
В сравнении участвовали данные, полученные с помощью импульсного лазерного сканера, триангуляционного лазерного сканера, цифровой фотокамеры. Результат работы лазерного сканера - набор пространственных координат. Для получения пространственных координат по цифровым фотоизображениям необходимо создание стереопар снимков и измерение координат точек на каждом из снимков стереопары. Было создано несколько стереопар с разным продольным перекрытием. Точечные модели, полученные разными методами, были использованы для создания триангуляционной модели поверхности. Построенные поверхности участвовали в сравнении.
Во-первых, была выполнена проверка точности облака точек, полученного импульсными лазерным сканером, путем сравнения координат маркированных контрольных точек с их координатами, полученными с помощью высокоточного электронного тахеометра. Среднее расхождение составило 1.25 мм, а среднее квадратическое - 2.24 мм.
В следующем сравнении участвовала фотограмметрическая модель, сканерная модель и контрольные точки. Отклонения координат контрольных точек от фотограмметрической модели составили порядка 1 мм.
Сравнение фотограмметрической модели со сканерной показало отклонения преимущественно в затененных областях, а также в тех областях, где затруднено измерение соответствующих точек на снимках стереопары. Среднее квадратическое отклонение составило 3.7 мм.
В конце было выполнено сравнение облака точек, полученного триангуляционным лазерным сканером и импульсным. Среднее квадратическое отклонение зафиксировано на уровне 2.45 мм.
Эти и многие другие работы позволяют выявить основные недостатки и достоинства методов.
Снимки содержат значительные перспективные искажения, особенно в том случае, если объект фотографирования имеет большие размеры, и нет возможности ориентировать плоскость фотоснимка параллельно плоскости фасада для того, чтобы соблюсти нормальные условия фотографирования. Несомненным достоинством метода является сравнительно не высокая стоимость современных цифровых фотокамер и наглядность материалов, получаемых при их обработке. Основной причиной того, что данный метод не применяется для моделирования простых объектов, несмотря на то, что он эффективнее простой съемки электронным тахеометром, являются высокие требования к квалификации исполнителя. Кроме того, стоит отметить, что зачастую для привязки опорных точек и объединения их в одну общую систему координат, а также для дополнительной съемки отдельных деталей требуется использовать электронный тахеометр, что связано с дополнительными финансовыми затратами. Довольно часто приходится комбинировать натурные обмеры с методами фотограмметрии для того, чтобы получить высокую точность и детальность создаваемой модели при достаточно высокой скорости обработки данных. Особенно это актуально в том случае, если требуется создание комплексной модели сложного объекта. Следует отметить также, что измерить можно только те точки, которые выделяются на изображении. Если поверхность объекта однородна, то измерение продольного параллакса с необходимой точностью выполнить невозможно, как это было показано в работе [58]. Затруднены измерения тех элементов, которые, имея сложную форму, отображаются на плоскости прямой линией.
Совместное использование методов
Пиксель считается точкой минимума или максимума (экстремум) только в том случае, если все соседние с ним пиксели содержат значения больше или меньше, чем в проверенных соседних пикселях.
Следующий шаг после выявления локальных экстремумов - детальная проверка найденных пикселей, вычисление подпиксельных координат экстремума, направления и масштаба локального градиента. Эта информация позволяет отсеять точки, имеющие малый контраст (например, шум), либо ненадежные точки, расположенные на гранях. Для вычисления подпиксельных координат экстремума, используется следующая функция, смещенная так, что начало её совмещено с элементом выборки:
Если смещение X более 0.5 в любом направлении, то экстремум находится ближе к другому элементу выборки. В таком случае происходит переход к другому элементу выборки и повторно выполняется расчет. В конце смещение X прибавляется к положению элемента выборки для локализации экстремума. Значение функции в точке экстремума D(X) может быть использовано для отбраковки нестабильных экстремумов с небольшим контрастом:
Как правило, в качестве допуска можно устанавливать значение г = 10. При превышении этого допуска точки будут исключены из списка найденных экстремумов.
Для достижения инвариантности к развороту изображения, создание описания характерной точки выполняется относительно направления, заданного в соответствии с параметрами изображения. В соответствии с масштабом характерной точки (уровень пирамиды изображений, на котором она была выявлена) выбирается сглаженное Гауссианом изображение L наиболее близкого масштаба. Это позволяет проводить расчеты независимо от масштаба исходного изображения. Для каждого пикселя вокруг характерной точки производится вычисление величины т{х, у) и ориентации 0(х,у) градиента по разностям плотностей пикселей:
Формируется ориентационная гистограмма, содержащая направления градиентов в пикселях вокруг характерной точки. Гистограмма состоит из 36 групп, охватывающих все направления в пределах 360 градусов. Каждому описанию, добавленному в гистограмму, присваивается вес в соответствии с величиной градиента.
Пики в ориентационной гистограмме соответствуют основным направлениям. Выполняется поиск самого высокого пика гистограммы и составляется описание, а затем выполняется поиск всех пиков до 80% от высочайшего пика, для которых также создаются дополнительные характерные точки. В итоге, если для одной характерной точки есть несколько основных равнозначных направлений градиентов, то имеется несколько ключевых точек в одном месте, но с разными направлениями. В конце парабола вписывается в триплеты значений гистограммы для интерполяции положения пика для большей точности.
Все предыдущие операции позволили назначить положение, масштаб и ориентацию каждой характерной точки. Эти параметры задают локальные системы координат, в которых будут создаваться описания характерных точек.
Создание описания характерной точки начинается с расчета направлений и величин градиентов вокруг найденной характерной точки. Для достижения инвариантности к развороту координаты дескриптора и направления градиентов вращаются относительно направления градиента в характерной точке. Для повышения эффективности градиенты рассчитываются для всех уровней пирамиды.
Дескриптор формируется из вектора, содержащего значения всех составляющих ориентационной гистограммы. После формирования дескриптора выполняется его нормализация. Это позволяет снизить влияние различий освещенности.
После выявления характерных точек на двух изображениях необходимо выполнить их сопоставление. Для каждой характерной точки находится точка, описание которой максимально соответствует её собственному описанию. При таком сопоставлении появится много ложных пар отождествленных точек. Требуется введение дополнительного критерия отбраковки ложных пар точек. В качестве такого критерия задается сравнение расстояния до ближайших соседних характерных точек. То есть правильно можно считать ту точку, рядом с которой на обоих изображениях есть другие характерные точки, которые находят соответствие на обоих изображениях.
Оператор SIFT применяется к реальному фотоснимку и к сформированному квазиснимку. В результате формируется два массива характерных точек, автоматически выявленных на фотоснимке и квазиснимке. Для характерных точек выводятся пиксельные координаты. От пиксельных координат квазиснимка необходимо перейти к пространственным координатам облака точек. На этапе формирования квазиснимка помимо пространственных координат записываются пиксельные координаты точек, соответствующих пикселям. Это упрощает переход от координат точек в плоскости квазиснимка к пространственным координатам точек в системе координат облака точек.
Разработан метод автоматизированной привязки одиночных снимков к облаку точек, основанный на формировании квазиснимка по облаку точек и отождествлении соответственных точек реального и квазиснимков. Для этого использован известный алгоритм SIFT, инвариантный к масштабу, сдвигу и повороту одного снимка относительно другого.
Формирование квазиснимка по облаку точек
Первый тестовый объект представляет собой простой фасад здания с элементами правильной формы.
Облако точек получено с помощью импульсного наземного лазерного сканера Торсоп GLS-1000. Разрешение сканирования составляет 1 см на поверхности объекта. Точность определения координат точек облака у данной модели в данных условиях составляет 1 мм.
Для фотографирования объекта использована цифровая фотокамера Canon EOS 400D с объективом, имеющим фокусное расстояние 24мм. Камера предварительно откалибрована в лаборатории МИИГАиК. Результат калибровки камеры приведен в приложениях А, Б. Разрешение полученных снимков составляет 0.003 м в плоскости фасада здания.
После сканирования и фотографирования была выполнена векторизация объектов в программе Image Master Pro. Обработка облаков точек и снимков выполнялась в несколько этапов.
На первом этапе в программу было загружено облако точек. Из этого облака точек были отобраны точки, расположенные в характерных, легко дешифрируемых местах. Для выбора характерных точек приходилось постоянно устанавливать ограничение на отображение точек облака (установление границ видимости с помощью контуров правильной и неправильной формы). Наиболее характерные элементы на тестовом объекте -оконные проемы, а также декоративные элементы фасада. Точки на этих элементах распределены таким образом, что выбрать нужную довольно сложно. Более того, часть сигнала отразилась от элементов, находящихся внутри здания, что приводит к ошибочному выбору точек, расположенных глубже внутри здания, чем требуемые.
Все выбранные точки были сохранены для последующего использования в качестве опорных точек. На втором этапе были введены параметры камеры и загружены фотоизображения. Для построения модели тестируемой части объекта была использована одна пара фотоснимков. На каждом из этих снимков были измерены опорные точки, ранее выделенные из облака точек, а также дополнительные опорные точки, использованные для формирования стереопары. На нанесение опорных точек ушло довольно много времени (не менее 1 часа чистого рабочего времени), так как отождествление точек осуществляется по имени и постоянно приходилось согласовывать положение точки на фотоизображении и её имя. Это осуществлялось сопоставлением текущей выбранной точки с точками, выбранными из облака и точками, измеренными на другом изображении. Многие точки приходилось измерять повторно и выполнять повторное уравнивание. Зачастую точка облака, которой нужно было сопоставить точку на фотоснимке, была смещена относительно той детали, на которой, как предполагалось, она должна лежать. Это происходит из-за отсутствия избирательности в процессе сканирования и из-за присутствия шумов в облаке точек.
После измерения опорных точек было выполнено уравнивание и образована стереопара фотоизображений. Точность привязки фотоизображений составила 1 пиксель. Среднее квадратическое отклонение пространственных координат опорных точек при контрольном вычислении по стереопаре составило 0.01 м (определено как ms = фпх2 + т,2 + т2 ), максимальное отклонение при этом не превышает 0.030 м (определено как dS = 4dX2 + dY2 + dZ2). Эти данные, а также проверка нанесения векторов по облаку точек позволяют сделать заключение о том, что точность нанесения векторов по этой стереопаре составляет 0.01 м.
Результат выполненных в Image Master Pro вычислений приведен в приложении А.
На построение векторов затрачено около 30 минут. Рисунок 32 - Созданные по стереопаре вектора
После создания контрольной модели с использованием традиционной технологии первый тестовый объект был обработан с использованием предложенного метода.
На первом этапе была осуществлена загрузка облака точек в созданную программу. В программе для точек облака был произведен расчет значений статистического параметра. На основе полученных значений облако точек было сегментировано. На расчет значений статистического параметра затрачено 2 минуты машинного времени.
Сканер, который был использован для получения облака точек, содержит встроенную фотокамеру. Для формирования квазиснимка использованы реальные цвета. Элементы ориентирования квазиснимка были заданы следующим образом: центр проекции совмещён с началом СК облака точек, углы поворота заданы так, чтобы облако точек было вписано в кадр. Размер пикселя квазиснимка соответствует 1 см в плоскости фасада. На создание квазиснимка затрачено 3 минуты машинного времени.
Сформированный квазиснимок, цвета в соответствии с оптическими плотностями (слева) и с кривизной (справа)
Квазиснимок был обработан с помощью оператора Канни [41]. Оператор позволил выделить грани на квазиснимке. Результат автоматического выделения граней приведен на рисунке 35. Затрачена 1 минута времени. При этом требуется вмешательство оператора для удаления некорректно созданных векторов. Количество удаленных пользователем векторов составляет более 50% от общего количества. Рисунок 35 - Выделенные на квазиснимке грани
После автоматического выделения граней было выполнено их сравнение с созданными вручную по стереопарам. При проверке более 200 пар узловых точек получено среднее квадратическое отклонение 0.018 м (определено как ms; =у]тх2 +mY2 + mz2), максимальное отклонение (определено как dS = VdX2 + dY2 + dZ2 ) при этом составило 0.029 м, а минимальное отклонение составило 0.003 м
После проверки автоматически выделенных граней была выполнена обработка реального фотоснимка и квазиснимка с помощью SIFT.
На реальном снимке выделено 360 характерных точек, на квазиснимке 158. После выделения характерных точек выполнено автоматическое их отождествление. На выделение характерных точек и вычисление пространственных координат точек квазиснимка затрачена 1 минута машинного времени.
Проверка алгоритма на искусственных тестовых объектах
Процесс построения векторов прост и быстр. В режиме реального масштаба времени выводится индикация интерполированных координат точки, что позволяет контролировать процесс построения векторов. Время, затраченное на построения контрольных векторов, составило не более 15 минут.
После создания векторы были переданы для оценки точности, которая заключалась в сравнении их положения с векторами, полученными по стереопаре снимков.
Максимальное расхождение составило 0.029 м, минимальное расхождение составило 0.006 м, среднее квадратическое отклонение составило 0.020 м. В сравнении участвовало 50 точек.
Выполнены экспериментальные исследования предложенных методов и алгоритмов, на основании которых можно сделать следующие выводы: а) Метод автоматизированной привязки одиночного снимка к облаку точек позволяет существенно сократить время, по сравнению с полностью ручным выбором опорных точек, однако, этот метод требует дальнейшей доработки и исследований, особенно в части автоматической отбраковки грубых ошибок отождествления соответственных точек, добавления недостающих. Один из путей решения задачи отбраковки грубых измерений это применение робастного способа уравнивания при решении обратной засечки. б) Методика интерактивной векторизации показала свою эффективность с точки зрения простоты работы оператора и точности выполнения работ. в) Автоматическая векторизация объектов по облаку точек показала достаточно высокую точность по сравнению с векторизацией по стереопаре. С целью повышения надежности алгоритма выявления контуров следует продолжить исследования. Один из путей решения задачи - выделить контуры (например, с помощью оператора Канни) на реальном снимке по фототонам и наложить их на квазиснимок с выделенными контурами. Заключение. В работе выполнен анализ существующих методов создания векторных моделей по результатам наземного лазерного сканирования и фотосъемки, на основании которого сделан вывод о том, что для повышения производительности создания таких моделей целесообразно разработать технологию совместного использования одиночных снимков и облака точек для создания векторных моделей объектов.
Разработан метод автоматизированной привязки одиночных снимков к облаку точек, основанный на формировании квазиснимка по облаку точек и отождествлении соответственных точек реального и квазиснимков. Для этого использован известный алгоритм SIFT, инвариантный к масштабу, сдвигу и повороту одного снимка относительно другого.
Разработана методика интерактивной векторизации объектов по одиночному снимку. Отличительной особенностью данной методики является то обстоятельство, что 1) пространственные координаты узловых точек полилиний получаются автоматически по облаку точек в реальном масштабе времени на любом компьютере; 2) выполняется автоматический анализ принадлежности к прямой линии участка объекта между двумя соседними узловыми точками, измеренными оператором на снимке. Если на объекте это не прямая линия, то автоматически добавляется новая узловая точка между измеренными узловыми точками.
Предложен алгоритм автоматической векторизации объектов по облаку точек, основанный на вычислении для каждой точки облака статистического параметра в виде так называемой «кривизны». Затем облако сегментируется по значениям этой кривизны и формируется квазиснимок, на котором выделяются контуры с помощью оператора Канни.
Разработан алгоритм оптимизации структуры хранения облака точек в виде блоков (вокселей) определенного размера. Это позволило повысить скорость обработки облака точек в десятки раз. Разработано программное обеспечение, реализующее предложенные методы и алгоритмы обработки облака точек и одиночных снимков.
Выполнены экспериментальные исследования предложенных методов и алгоритмов, на основании которых можно сделать следующие выводы: а) Метод автоматизированной привязки одиночного снимка к облаку точек позволяет существенно сократить время, по сравнению с полностью ручным выбором опорных точек, однако, этот метод требует дальнейшей доработки и исследований, особенно в части автоматической отбраковки грубых ошибок отождествления соответственных точек, добавления недостающих. Один из путей решения задачи отбраковки грубых измерений это применение робастного способа уравнивания при решении обратной засечки. б) Методика интерактивной векторизации показала свою эффективность с точки зрения простоты работы оператора и точности выполнения работ. в) Автоматическая векторизация объектов по облаку точек показала достаточно высокую точность по сравнению с векторизацией по стереопаре. С целью повышения надежности алгоритма выявления контуров следует продолжить исследования. Один из путей решения задачи - выделить контуры (например, с помощью оператора Канни) на реальном снимке по фототонам и наложить их на квазиснимок с выделенными контурами.
Похожие диссертации на Разработка методики создания векторных моделей объектов по результатам наземного лазерного сканирования и цифровой фотосъемки
