авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 ||

Разработка и исследование методики обработки и классификации трехмерных данных лазерного сканирования

-- [ Страница 2 ] --

Таблица 1. Статистика лидарных отражений для различных областей [5]

Первые три строки таблицы 1 соответствуют разным проектам, в которых использовались различные типы лидаров; размер участков в этих строках соответствует площади прямоугольных областей, на которые разбивался первоначальный массив данных. Проекты отличаются по типу лидара и по плотности данных: в горной местности плотность измерений составила 0.87 на кв. метр; на лесистой равнине – 3.58.

Таблица 1 показывает актуальность проблемы классификации данных: для получения модели «голой земли», используемой, например, при расчете наводнений, нужно удалить из данных от 20% до 76% отражений.

В разделе 1.2 рассмотрены существующие методы классификации. Воссельман (2000) разработал, а Ситхоул (2001) усовершенствовал алгоритм фильтрации лазерных данных, основанный на анализе наклона поверхности (slope-based filter или SB-фильтр). IPF-метод (1997) совмещает фильтрацию с интерполированием, строя по точкам отражений усредненную поверхность. Эти методы на практике демонстрируют существенные недостатки [7].

В разделе 1.3 излагается метод МООД – матричного описания процесса обработки данных лазерных отражений. Множество точек L в четырёхмерном пространстве координат X,Y,Z и интенсивности I, рассортировывается в три двумерные матрицы: – матрицу минимального значения высот отражений; – матрицу максимального значения высот; – матрицу среднего значения интенсивности отражения. Вся последовательность обработки данных в матричном виде описывается следующим уравнением

Zjik = Aj … A1 Zik, (1)

где каждой процедуре обработки данных соответствует оператор Aj. Можно показать, что точность модели не ухудшится при использовании МООД, если расстояние между ячейками матрицы удовлетворяет условию

, (2)

где – поверхностная плотность точек лазерных отражений, а – обратная площадь типичного пятна лазерного отражения.

Метод МООД позволяет использовать для обработки лидарных данных математические методы и алгоритмы, разработанные ранее в фотограмметрии для двумерных изображений. МООД был положен в основу созданных автоматизированных комплексов программных средств обработки лидарных и радарных данных.

Количество последовательных процедур обработки матрицы 3D данных может исчисляться десятками. Каждая процедура меняет значение элемента и, строго говоря, вносит ошибку в это значение. Метод МООД позволяет создать матрицу достоверности Eik, учитывающую историю преобразований каждого элемента матрицы (пиксела). Определим матрицу изменений при j-ом преобразовании данных

Djik = Aj … A1 Zik – Aj-1 … A1 Zik. (3)

Введем матрицу операций Pjik, элементы которой принимают значения 0, если Djik = 0 или 1, если Djik 0. Неравенство нулю элемента матрицы Pjik означает, что над i,k-элементом матрицы произведена j-операция обработки.

Введем вектор ошибки j, компоненты которого соответствуют средней ошибке, вносимой j-операцией. Зная матрицу операций и вектор ошибки, для каждого i,k-пиксела можно записать уравнение суммарной ошибки после n операций с вычислением матрицы достоверности

. (4)

Метод МООД эффективен и для фундаментальной задачи извлечения из данных и распознавания объектов или структур, которые отличаются от фона яркостью или высотой и представляют собой связные множества. В процедуре выделения всех непересекающихся связных подмножеств из элементов заданной матрицы, построчное сканирование совмещается с анализом всех соседних матричных элементов – для выяснения их принадлежности подмножеству. Списки элементов подмножеств дают его интегральные параметры: площадь, периметр, средние значения высот и яркости и их дисперсию. Это позволяет уверенно классифицировать подмножества пикселов на землю, здания и деревья, озера и дороги.

Если критерий гладкости, группирующий пикселы в кластеры, применить к , матрице минимального значения высот, то самый большой по площади кластер соответствует поверхности земли, а сумма всех выделенных непересекающихся связных подмножеств равна исходной матрице. Метод МООД полезен для извлечения зданий любого размера, которые выглядят как связные кластеры с градиентом высот на границе.

В разделе 1.4 детально описан метод виртуальной поверхности (МВП).

В статье [7] рассмотрен новый метод для фильтрации лидарных данных, который обладает положительными качествами SB-фильтра и его адаптивной версии, а также IPF-метода. При этом метод виртуальной поверхности избегает наиболее серьезных недостатков этих алгоритмов.

Метод виртуальной поверхности совмещает фильтрацию и интерполирование, получая в результате виртуальную поверхность земного рельефа, близкую к реальной. МВП использует фильтрующий элемент в виде поверхности шара. В отличие от SB-фильтра и IPF-метода, МВП применяется не к исходным точкам, а к данным, преобразованным в растровый вид, и работает, учитывая первые и последние отражения и автоматически варьируя степень фильтрации – в зависимости от количества растительности.

МВП в применении к файлу лидарных данных, прошедшему ряд предварительных процедур, состоит в следующих шагах [7]:

1. Для каждого пиксела строится сфера радиуса R (параметр метода), проекция центра которой на горизонтальную плоскость лежит в центре данного пиксела с координатами (Xi, Yj). Высота центра сферы Z0 определяется следующим образом:

- определяются все k пикселов, центры которых попадают в проекцию сферы на горизонтальную плоскость;

- для каждого такого пиксела с координатами (Xm, Yn, Zmn) строится сфера радиусом R и координатами проекции центра сферы в точке (Xi, Yj), так, чтобы поверхность сферы касалась данного пиксела снизу в точке (Xm, Yn, Zmn). Для такой сферы определяется высота центра сферы Zc (Zc < Zmn);

- минимальное значение из k величин Zc принимается за Z0.

Таким образом получаем формулу для нахождения центра сферы

. (5)

2. Набор из сфер, построенных для каждого пиксела, образует многослойную поверхность. Выберем для каждого пиксела высоту, равную максимальной высоте всех верхних полусфер, покрывающих данный пиксел. Образовавшаяся однозначная поверхность будет представлять виртуальную поверхность, близкую к искомой земной поверхности. Таким образом, Z-координаты точек земной поверхности можно получить так

. (6)

Сочетание методов МООД и МВП позволяет решить основную задачу классификации трехмерных данных: разделения множества точек L на подмножества точек отражения от земли G, растительности F и от зданий B

. (7)

Используя модель поверхности, полученную в (6), подмножества G, F и B можно определить как

, (8)

, (9)

где h ~ 15 см, а H ~ 30-50 м, в зависимости от начальной точности данных и предполагаемой максимальной высоты зданий в районе. При дальнейшем разделении подмножеств F и B используется условие гладкости связного множества пикселов, представляющих здание. Такие гладкие структуры отделены от фона градиентом высоты

, (10)

где H ~ 1 метр.

В разделе 1.5 сравнивается точность методов МООД-МВП и других подходов, в частности, SB-фильтра Воссельмана-Ситхоула [1]. Основные проблемы SB-фильтра показаны на рис. 1А: точки 7,8 на крутом склоне горы неверно исключены SB-фильтром из множества G точек земной поверхности, точки же 2 и 5 ошибочно включены в массив G – они принадлежат зданию и дереву возле водоёма.

 Сравнение методов SB-фильтра (А) и МООД-МВП (В). Тёмные крупные кружки – лидарные-7

Рис. 1. Сравнение методов SB-фильтра (А) и МООД-МВП (В). Тёмные крупные кружки – лидарные данные, классифицированные как земля, светлые кружки – как растительность или здания. Мелкие точки – реконструированные высоты.

Проведено количественное сравнение алгоритмов АКС-ЛИДАР-3D и растрового популярного метода, используемого компанией Intermap – на примере области, радарные данные для которой были обработаны как пакетом Intermap, так и пакетом АКС-ЛИДАР-3D. В пакете Intermap отражением от земли считается пиксел, близкий к наименьшему по высоте в некоторой области (метод применяется к радарным данным IFSAR, имеющим принципиально растровый характер). В окне, например, 2x2 находится средняя высота h0i. Считаются землей те пикселы окна, у которых высота hi удовлетворяет условию

. (11)

Выбор такого, близкого к наименьшему по сравнению с соседними, пиксела является в случае больших зданий или густого леса недостаточно эффективной процедурой, а в случае резких перепадов поверхности и узких русел рек – слишком агрессивной операцией, сглаживающей рельеф.

Благодаря набору контрольных геодезических точек для данной области – свыше 7 тысяч, проведено детальное исследование точности двух методов (таблица 2).

Среднеквадратичная ошибка (метры)
Тип области и её наклон ЦМР Intermap ЦМР АКС-ЛИДАР-3D
Вся область проекта 0-2 град. 2-5 град. 5-10 град. 10-15 град. 1.06 0.98 1.42 2.04 2.42 1.00 0.93 0.96 1.30 1.65
Лес, все углы 1.81 1.49
Горы, все углы Горы, 8-30 град. 1.45 2.43 1.29 1.69

Таблица 2. Сравнение точности по высоте моделей АКС-ЛИДАР и Intermap

В разделе 1.6 обсуждается экспериментальная проверка эффективности методов МООД и МВП для обработки трехмерных данных лазерного авиасканирования.

Глава 2 рассматривает методику создания и общую структуру автоматизированных комплексов программных средств для обработки больших объемов трёхмерных данных [2,4], которая позволяет разбить проблему обработки на ряд независимых подзадач и упростить ее решение.

В разделе 2.1 обсуждаются принципиальные особенности трехмерных геодезических данных и анализируются проблемы их обработки [2]. Имеющиеся решения для потоковой обработки и распознавания двумерных изображений малоприменимы из-за особенностей 3D-данных [2,4]. Трехмерные данные более информативны, чем их двумерные аналоги, однако их обработка связана с дополнительными сложностями и необходимы специальные алгоритмы, которые смогли бы максимально использовать имеющуюся информацию об объектах для их автоматической классификации.

В разделе 2.2 формулируются общие принципы создания автоматизированных программных средств обработки трехмерных геодезических данных лазерного сканирования, и строится схема конвейера из пяти стадий, который заложен в основу комплекса по обработке таких данных.

В разделе 2.3 анализируются требования, предъявляемые к программам по обработке трёхмерных лидарных данных и возможные пути их создания; обосновывается целесообразность получения базовой системы, состоящей из относительно простых в реализации компонентов, таких как растеризация или преобразование координат, которые могут быть использованы совместно для решения комплексных проблем обработки.

В разделе 2.4 описывается базовая архитектура комплексов по обработке 3D данных, включающая набор готовых системных и функциональных компонентов (рис. 2), позволяющая решать широкий круг задач по обработке трехмерных данных лазерного сканирования.

В разделе 2.5 рассмотрен один из вариантов схемы представления трехмерных лидарных данных, который сохраняет все дополнительные параметры измерений, такие как количество отражающих поверхностей на пути лазерного луча и их цвет в инфракрасном диапазоне, при этом позволяя эффективно упаковать эти данные в компьютерной памяти и использовать их для повышения точности классификации данных.

Рис. 2. Базовая архитектура комплекса по обработке 3D данных [4]

Глава 3 рассматривает программный комплекс обработки данных LIDAR (АКС-ЛИДАР). Комплекс АКС-ЛИДАР компенсирует неполноту данных и получает ИК-изображения высокого разрешения [3,5].

В разделе 3.1 обсуждается получение из лидарных данных инфракрасных изображений земной поверхности. Лазерное освещение в ближнем ИК-диапазоне 0.8-1.5 мкм дает черно-белое изображение, близкое к бестеневой фотографии видимого света. Инфракрасные лидарные изображения используются для картирования водоёмов, создания векторных моделей для дорог, построения характеристик растительности и строений.

В разделе 3.2 описывается архитектура автоматизированного комплекса обработки данных LIDAR для компенсирования неполноты данных и получения изображений высокого разрешения (комплекс АКС-ЛИДАР). Его архитектура – частный случай описанной в главе 2 общей архитектуры и включает в себя: калибровку интенсивности; сегментирование и преобразование координат; растеризацию изображений и обработку дефектов; интерполяцию и нормализацию.

В разделе 3.3 обсуждаются результаты тестирования комплекса АКС-ЛИДАР, который позволяет полностью автоматизировать процесс генерации ИК-изображений, начиная от «сырых» данных и заканчивая готовым к интеграции в ГИС продуктом. Он дает значительный выигрыш в скорости обработки и позволяет уменьшить требования к ресурсам системы.

За 2003-2009 годы с помощью АКС-ЛИДАР из лидарных данных было получено ~ 20 тыс. кв. км ИК-изображений с разрешением в 1 метр (рис. 3).

Глава 4 описывает комплекс программных средств для обработки и классификации геодезических данных LIDAR, созданный для генерации трехмерной цифровой модели поверхности земли [2,5,6].

В разделе 4.1 рассматриваются параметры лидарных данных, которые в оригинальном виде представляют собой набор координат и атрибутов общим объемом от десятков до сотен гигабайт. Для получения цифровой модели рельефа над данными необходимо произвести ряд операций: сортировку, интерполяцию, классификацию (выделение определенного типа объектов), визуализацию. Эффективная автоматизация таких операций является нетривиальной проблемой. Существующие программные средства не предусматривают комплексного подхода к этой проблеме, обеспечивая решение лишь некоторых распространенных задач.

 Лидарное ИК-изображение размером 900х494 м, разрешение 1м; возле аэропорта видны-9

Рис. 3. Лидарное ИК-изображение размером 900х494 м, разрешение 1м; возле аэропорта видны самолеты класса «Цессна», размещённые на стоянке [5]

В разделе 4.2 описываются архитектура и программные компоненты автоматизированного комплекса для классификации данных лазерного сканирования и моделирования трехмерных поверхностей (комплекс АКС-ЛИДАР-3D). Архитектура комплекса АКС-ЛИДАР-3D является частным случаем общей архитектуры, описанной в главе 2.

Комплекс АКС-ЛИДАР-3D предоставляет оператору широкие возможности визуализации 3D поверхности для проверки качества обработки и интерактивного исправления локальных недостатков ЦМР. Разработанные автором оригинальные алгоритмы классификации рассмотрены в [1-7].

В разделе 4.3 обсуждаются результаты тестирования комплекса АКС-ЛИДАР-3D и приведены примеры генерируемых им высокоточных трехмерных моделей земного рельефа.

Разработанный автоматизированный комплекс по мере своего усовершенствования в 2003-2009 годах прошел тестирование на большом объеме лидарных данных. За указанный срок было обработано несколько сот кв. км, измеренных с горизонтальным шагом от 20 до 50 см, и свыше 20 тыс. кв. км земной поверхности, сканированной с горизонтальным шагом в 1-2 метра (рис. 4). Средняя скорость полного цикла обработки составляла 500 кв. км в неделю, и точность полученной ЦМР значительно превосходила стандартные требования, согласно которым среднеквадратичная ошибка по высоте должна быть меньше чем 18.5 см.

Типичная ошибка по высоте составляла 11-14 см при горизонтальном шаге в 1-2 метра (по данным независимой экспертизы). В проекте с горизонтальным шагом 50 см среднеквадратичная ошибка была 6-8 см.

На рис. 5 приведен результат работы классифицирующих алгоритмов комплекса АКС-ЛИДАР-3D в сравнении с модулем RASCOR, созданным в Ганноверском университете (Германия). Видно, что RASCOR не смог полностью извлечь растительность и здания, оставив многочисленные пики, в то время как МВП построил достаточно гладкую модель рельефа, убрав всю растительность.

Комплекс АКС-ЛИДАР-3D также был апробирован в ходе обработки 22 тыс. кв. км радарных данных (IFSAR), при создании трехмерной модели земной поверхности с 5-м шагом по горизонтали и точностью по высоте ~ 1 м (см. таблицу 2). Комплекс продемонстрировал высокий уровень автоматизации (минимальное вмешательство оператора) и эффективность.

Глава 5 посвящена интерфейсу и программным средствам для эффективной визуализации и активной коррекции лидарных данных в ходе их обработки [2].

 а) Лидарные данные для опушки леса; б) Рельеф со старыми, заросшими лесом,-10

 а) Лидарные данные для опушки леса; б) Рельеф со старыми, заросшими лесом,-11

Рис. 4. а) Лидарные данные для опушки леса; б) Рельеф со старыми, заросшими лесом, выемками, полученный после обработки комплексом АКС-ЛИДАР-3D

Рис. 5. Работа алгоритмов классификации: (1) и (2) – исходные данные и результат работы немецкого пакета RASCOR; (3) и (4) – исходные данные и результат работы комплекса АКС-ЛИДАР-3D [4]

В АКС-ЛИДАР-3D разработан удобный интерфейс, позволяющий за 1-2 минуты пересчитать участок с новыми параметрами алгоритмов классификации.

В разделе 5.1 рассмотрены средства визуализации трехмерных данных, разработанные для комплекса АКС-ЛИДАР-3D. Качество и скорость полученной визуализации (рис. 6) сравнимы с популярными коммерческими ГИС. Производительности графического модуля хватает для работы с рельефом, состоящем из более чем 4 миллионов точек.

Рис. 6. Трехмерное изображение вытянутого карьера километровой длины [5]

Основным преимуществом визуализационного модуля АКС-ЛИДАР-3D перед ESRI ArcGIS и Quick Terrain Modeler является возможность оперативно исправлять рельеф и на месте оценивать результаты работы алгоритмов классификации.

В разделе 5.2 описаны методы активной коррекции получаемых трехмерных моделей. После визуализации полученной ЦМР и выявления ошибки в рельефе, оператор может воспользоваться одним из инструментов активной коррекции трехмерных данных.

В разделе 5

Pages:     | 1 ||
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.