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 методики создания векторных моделей объектов по результатам наземного лазерного сканирования и цифровой фотосъемки

-- [ Страница 2 ] --

- массив точек, отобранных для расчета,

- координаты «центра масс» (среднее).

Привязка фотоизображений к облаку точек осуществляется по опорным точкам, выделенным на облаке точек и опознанным на снимке. В качестве опорных точек могут быть использованы любые характерные точки, опознанные на облаке точек и на снимке. Для вычисления элементов внешнего ориентирования снимка используется обратная фотограмметрическая засечка.

Как уже отмечалось выше, отождествление соответственных опорных точек на снимке и облаке точек можно осуществить автоматически, используя квазиснимок облака точек.

В этом случае достаточно применить к квазиснимку и реальному снимку один из известных способов отождествления соответственных точек. Поскольку квазиснимок отличается от реального масштабом, сдвигом и угловой ориентацией, то в данной работе предлагается использовать известный алгоритм SIFT, который инвариантен к масштабу, сдвигу и повороту. Алгоритм SIFT выполняется в четыре этапа. Схема работы алгоритма SIFT приведена на рисунке 6.

  Схема работы алгоритма SIFT После выявления характерных точек на двух-25

Рисунок 6 – Схема работы алгоритма SIFT

После выявления характерных точек на двух изображениях выполняется их сопоставление. Таким образом, в результате обработки на фотоизображении и на облаке образуется набор отождествленных точек.

 Рисунок 7– Переход от пиксельных координат квазиснимка к пространственным-26

Рисунок 7– Переход от пиксельных координат квазиснимка к пространственным координатам

После нахождения соответственных точек на реальном и квазиснимке вычисляются пространственные координаты этих точек путем вычисления координат точки пересечения проектирующего луча с плоскостью, вписанной в отобранные из облака точки (рис. 7). Для вписывания плоскости используется метод наименьших квадратов, параметрический способ.

При отборе точек для аппроксимации плоскостью учитывается вычисленное значение кривизны – к расчету принимаются только те точки, для которых значение кривизны соответствует плоскостям.

Таким образом решается задача получения координат опорных точек, по которым решается обратная фотограмметрическая засечка для реального снимка.

Векторизация объектов в интерактивном режиме по одиночному снимку выполняется следующим образом. Оператор с помощью измерительной марки (курсора) обводит выбранный контур, фиксируя точки перегиба (узлы). Для каждого узла вычисляются пространственные координаты по облаку точек путем нахождения точки пересечения проектирующего луча с плоскостью, построенной по ближайшим к лучу точкам облака. Для ускорения процесса отбора ближайших к лучу точек, используя известные уравнения коллинеарности, все точки облака проектируются на снимок, то есть выполняется вычисление плоских координат xi yi в системе координат снимка. Отбор ближайших к измеренной точке точек облака выполняется по их плоским координатам xi yi, что значительно проще, чем осуществлять отбор точек по их пространственным координатам Xi, Yi, Zi,. Кроме того, осуществляется анализ выбранных точек на принадлежность их к плоскости. Для этого снимок, как и облако точек, сегментируются.

При отборе точек учитывается положение измеренного узла относительно сегментов изображения. Если узел расположен внутри сегмента или в пределах одного пикселя от него, то велика вероятность того, что узел принадлежит плоскому участку поверхности объекта или краю плоскости. Плоским участкам соответствует определенное значение статистического параметра. Таким образом, если узел расположен внутри сегмента, то для интерполяции следует отобрать N ближайших точек, имеющих соответствующее значение статистического параметра и расположенных в пределах сегмента на снимке.

  Вычисление пространственных координат узловых точек векторов В-27

Рисунок 8 – Вычисление пространственных координат узловых точек векторов

В отобранные точки вписывается плоскость. Затем вычисляются координаты точки пересечения прямой и плоскости.

Некоторые детали объектов, отображающиеся на фотоснимке прямой линией, могут иметь сложную пространственную форму.

Для решения этой проблемы на этапе создания линий автоматически проводится проверка промежуточных точек между узловыми точками. Если отклонение промежуточных точек превышает заданный предел, то они автоматически фиксируются новыми узлами.

Автоматическая векторизация выполняется по квазиснимку. Для этого на квазиснимке, цвет пикселям которого назначен в соответствии со значением кривизны, выполняется выделение граней, а затем грани из плоскости квазиснимка переносятся на поверхность облака точек. В дальнейшем планируется развитие метода автоматизированной векторизации путем сравнения выделенных на квазиснимке граней с гранями, выделенными на реальном фотоизображении. В результате сравнения должны отбраковываться ложные грани, а также должна проводиться корректировка выделенных по квазиснимку граней с целью повышения точности модели.

  Автоматически выделенные грани В третьей главе описываются созданные-30

Рисунок 9 – Автоматически выделенные грани

В третьей главе описываются созданные программные средства и опыт практического применения предложенной методики.

  Реализованные программные средства Программное обеспечение,-31

Рисунок 10 – Реализованные программные средства

Программное обеспечение, реализующее разработанные методы и алгоритмы написано на языке C++ и MATLAB (рис. 10).

На этапе отладки отдельных частей алгоритма тестирование выполнялось на идеальных тестовых объектах. Проверка алгоритма на идеальных тестовых объектах позволила убедиться в том, что теория методов верна, а программное обеспечение работает корректно.

Экспериментальные исследования разработанных методов и алгоритмов обработки облаков точек и одиночных снимков осуществлены на двух реальных объектах.

Первый объект представляет собой простой фасад здания с элементами правильной формы. Этот объект отсканирован с помощью наземного лазерного сканера Topcon GLS-1000 с шагом 1 см на поверхности объекта, точность определения координат точек облака 1 мм. Во время сканирования было выполнено фотографирование объекта камерой Canon EOS 400D с объективом, имеющим фокусное расстояние 24 мм. Размер пикселя фотоизображения составляет 0,003 м на поверхности объекта.

Данные были загружены в программу ImageMaster Pro, где выполнена привязка фотоизображений к облаку точек и выполнена интерактивная векторизация по стереопарам фотоизображений. Точность привязки фотоизображений 1 пиксель, точность созданной векторной модели 1 см.

После этого выполнена обработка данных в созданном программном обеспечении. Точность привязки фотоизображения к облаку точек составила 1 пиксель, на этапе отождествления пар точек потребовалось вмешательство оператора для отбраковки ложных отождествлений. Создано две векторных модели: в полностью автоматическом режиме и в интерактивном режиме пользователем. В автоматически созданной модели отбраковано более 50 % линий.

Выполнено сравнение этих двух моделей с моделью, созданной классическим методом.

Векторизация по стереопаре Автоматическая векторизация Интерактивная векторизация

Рисунок 11 – Результат векторизации первого объекта.

На рисунке 11 показаны результаты векторизации, выполненной по стереопарам снимков в программе ImageMaster Pro и в разработанном программном обеспечении по облаку точек и одиночному снимку. В таблице 1 приведены результаты оценки точности созданных векторов (в проверке участвовало более 200 пар точек), а в таблице 2 – затраты времени на создание этих векторов.

Таблица 1.

Результат контрольной проверки положения созданных векторов.

Отклонение Автоматическая векторизация Интерактивная векторизация
Максимальное 0.029 м 0.026 м
Минимальное 0.003 м 0.003 м
Среднее квадратическое 0.018 м 0.018 м

Таблица 2.

Сравнение затрат времени на обработку первого объекта.

Этап обработки Затраты времени
Обработка в Image Master Обработка по предложенной методике
Привязка снимка к облаку точек ~1 час ~40 мин
Векторизация ~20 мин ~10 мин
Всего: 1 час 20 мин 50 мин

Второй объект - сложный фасад здания с простыми и сложными элементами разного размера, преимущественно правильной формы, регулярно и нерегулярно расположенными по фасаду. Этот объект отсканирован с помощью наземного лазерного сканера Z+F Imager 5010 с шагом 0,6 см - 1 см на поверхности объекта (плотность облака точек на поверхности объекта при удалении от сканера снижается), точность определения координат точек облака менее 1 мм. Во время сканирования было выполнено фотографирование объекта камерой Canon EOS 400D с объективом, имеющим фокусное расстояние 24 мм. Размер пикселя фотоизображения составляет 0,003 м на поверхности объекта.

Данные по второму объекту также были загружены в программу ImageMaster Pro. Точность привязки фотоизображений 1 пиксель, точность созданной векторной модели 1 см.

После этого выполнена обработка данных в созданном программном обеспечении. Точность привязки фотоизображения к облаку точек составила 1 пиксель, на этапе отождествления пар точек потребовалось вмешательство оператора для отбраковки ложных отождествлений. Создано две векторных модели: в полностью автоматическом режиме и в интерактивном режиме пользователем.

В автоматически созданной модели отбраковано более 55 % линий.

Выполнено сравнение этих двух моделей с моделью, созданной классическим методом.

Векторизация по стереопаре Автоматическая векторизация Интерактивная векторизация

Рисунок 12 – Результат векторизации второго объекта.

На рисунке 12 показаны результаты векторизации, выполненной по стереопарам снимков в программе ImageMaster Pro и в разработанном программном обеспечении по облаку точек и одиночному снимку. В таблице 3 приведены результаты оценки точности созданных векторов (в проверке участвовало более 200 пар точек), а в таблице 4 – затраты времени на создание этих векторов.

Таблица 3.

Результат контрольной проверки положения созданных векторов.

Отклонение Автоматическая векторизация Интерактивная векторизация
Максимальное 0.029 м 0.029 м
Минимальное 0.003 м 0.006 м
Среднее квадратическое 0.020 м 0.020 м

Таблица 4.

Сравнение затрат времени на обработку второго объекта.

Этап обработки Затраты времени
Обработка в Image Master Обработка по предложенной методике
Привязка снимка к облаку точек ~1 час ~40 мин
Векторизация ~30 мин ~15 мин
Всего: 1 час 30 мин 55 минут

Заключение:

В работе выполнен анализ существующих методов создания векторных моделей по результатам наземного лазерного сканирования и фотосъемки, на основании которого сделан вывод о необходимости разработки технологии совместного использования одиночных снимков и облака точек для создания векторных моделей объектов.

Разработан алгоритм оптимизации структуры хранения облака точек в виде блоков (вокселей) определенного размера. Это позволило повысить скорость обработки облака точек в десятки раз.

Разработан метод автоматизированной привязки одиночных снимков к облаку точек, основанный на формировании квазиснимка по облаку точек и отождествлении соответственных точек реального и квазиснимков с использованием SIFT.

Разработана методика интерактивной векторизации объектов по одиночному снимку. Пространственные координаты узловых точек полилиний получаются автоматически по облаку точек в реальном масштабе времени. В процессе построения векторов 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 узловая точка по середине 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 Canny.

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.

Публикации по теме диссертации

1. Чибуничев А.Г., Галахов В.П. Автоматическая привязка снимков к облаку точек, полученному с помощью наземного лазерного сканера. // Изв. Вузов «Геодезия и аэрофотосъемка», Москва, 2011, №2, стр. 84-89.

2. Чибуничев А.Г., Галахов В.П. Разработка автоматизированной технологии создания векторной модели объекта по результатам трехмерного лазерного сканирования и цифровой фотосъемки. // Изв. Вузов «Геодезия и аэрофотосъемка», Москва, 2011, №2, стр. 89-92.

3. Чибуничев А.Г., Галахов В.П. Технология совместной обработки результатов наземного лазерного сканирования и цифровой фотосъемки. // Инженерные изыскания, Москва, 2011, №2, стр. 32-36.

4. Chibunichev A.G., Galakhov V.P. IMAGE TO POINT CLOUD METHOD OF 3D MODELLING // SPRS Archives – Volume XXXIX-B3, 2012, XXII ISPRS Congress, Technical Commission III, Australia, Melbourne, 2012, 25 August – 01 September.



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.