Semi-automatische kartering in luchtfoto s

Transcriptie

1 Semi-automatische kartering in luchtfoto s George Vosselman Technische Universiteit Delft Faculteit Civiele Techniek en Geowetenschappen Thijsseweg 11, 2629 JA Delft g.vosselman@geo.tudelft.nl 1. Inleiding Sinds de intrede van de eerste digitale fotogrammetrische werkstations op het ISPRS congres in Kyoto in 1988 staat de automatisering van het fotogrammetrische productieproces volop in de belangstelling. In de afgelopen jaren is aangetoond dat taken als het inwendig en relatief oriënteren en de puntsoverdracht met behulp van matching methoden geheel automatisch verricht kunnen worden. Tijdwinst kan ook worden geboekt bij de productie van digitale hoogtemodellen. Voor deze onderdelen uit de fotogrammetrie is inmiddels commerciële software verkrijgbaar. Wanneer we kijken naar het gehele proces van de fotogrammetrische kaartvervaardiging moeten we echter vaststellen dat de bijdrage van deze software aan de efficiëntieverbetering vrij gering is. De grootste kostenpost bij deze processen is de eigenlijke kartering. Automatisering van de kartering is voorlopig niet aan de orde en het is de vraag of het ooit zover zal komen. De reden hiervoor is dat de kartering een interpretatie van een luchtfoto vergt. Op dit punt blijven de prestaties van computeralgoritmen ver achter bij die van een operateur. Computeralgoritmen kunnen het karteringswerk van de operateur echter wel ondersteunen. Met deze zgn. semi-automatische kartering wordt beoogd de betrouwbare interpretatie door een operateur te combineren met de precieze en snelle meting door een algoritme. Dit artikel geeft een overzicht over de verschillende methoden van semiautomatische kartering in luchtfoto s 1. Achtereenvolgens worden methoden voor de meting van punten, lijnen, vlakken en complexe objecten behandeld. Daarna wordt bekeken onder welke omstandigheden deze methoden kunnen worden toegepast. 2. Semi-automatische meting Semi-automatische kartering is een interactief proces. Voordat een meting door een algoritme kan plaatsvinden dient de operateur de volgende handelingen te verrichten: Interpretatie van een of meerdere foto s 1 Dit artikel is gebaseerd op een voordracht van de auteur gehouden op 13 februari 1998 ter gelegenheid van de 3 rd international course on digital photogrammetry bij het Landesvermessungsamt Nordrhein-Westfalen in Bonn.

2 Selectie van een algoritme voor de meting en eventueel de instelling van parameters van dit algoritme Selectie en identificatie van het object dat gemeten dient te worden. De benaderde positie van een object wordt aan het algoritme kenbaar gemaakt door met de muiscursor op het beeldscherm in de buurt van het object één of meerdere punten aan te wijzen. Tenslotte wordt bij de meting van complexere objecten door de operateur vaak een objectmodel geselecteerd. Na deze voorbereidingen worden beeldverwerkingsmethoden ingezet om de geselecteerde objecten nauwkeurig te meten. De meetresultaten worden vervolgens door de operateur gecontroleerd en indien nodig gecorrigeerd. Deze interactie tussen de operateur en de computer kan het karteerproces aanzienlijk versnellen. Methoden zijn ontworpen voor verschillende soorten metingen. 2.1 Meting van punten Semi-automatische meting van punten is ontwikkeld voor zowel de meting van hoogtepunten als de meting van hoeken van objecten (meestal van huizen). In beide gevallen komt de meting er op neer dat de operateur de muiscursor in een beeld of in een stereomodel in de buurt van het te meten punt plaatst. Een algoritme zorgt er dan voor dat het juiste punt wordt bepaald en de cursor daarheen wordt verplaatst. Voor de hoogtemeting werkt deze snap -functie met matching algoritmen. Deze algoritmen bepalen de corresponderende punten in overlappende beelden. Wanneer de operateur in een stereomodel de cursor op een bepaalde positie plaatst, wordt met matching algoritmen in de buurt van de cursorpositie een kleine stukje digitaal hoogtemodel berekend. Hieruit wordt de terreinhoogte op de XY-locatie van de cursor bepaald. De 3D-cursor wordt dan op het terrein gezet. Deze berekeningen kunnen voortdurend herhaald worden wanneer de operateur de cursor in X- en/of Y-richting verplaatst. Hierdoor lijkt het alsof de cursor zich steeds op de terreinhoogte bevindt. Een dergelijke cursor wordt dan ook een terreinvolgende cursor genoemd. Het voordeel is dat de operateur alleen maar de horizontale positie hoeft te bepalen en de hoogtemeting aan de computer kan overlaten. Vooral in vlak en glooiend terrein met textuur functioneert deze methode goed. Problemen treden echter op in de buurt van hoogtesprongen, zoals bij dakranden. Vanwege het contrast bij de dakrand wordt ook voor punten naast het gebouw de cursor vaak op de dakhoogte ingesteld. Hier dient de operateur dan een correctie uit te voeren. De semi-automatische meting van hoekpunten van objecten berust op kenmerkextractie. De positie van de 3D-cursor wordt eerst teruggeprojecteerd in de twee digitale luchtfoto s. In beide foto s wordt in een uitsnede rondom het teruggeprojecteerde punt met een interest-operator [Förstner and Gülch, 1987] gezocht naar een punt met een sterk verloop van grijswaarden in meerdere richtingen. Dit punt komt meestal overeen met de afbeelding van het te meten hoekpunt. Uit de punten die in beide foto s gevonden zijn, wordt door middel van een voorwaartse insnijding de drie-dimensionele positie van het

3 hoekpunt berekend. Terwijl de operateur de muiscursor slechts in de buurt van een hoekpunt heeft geplaatst kunnen op deze manier toch de precieze coördinaten van het hoekpunt worden bepaald (zie figuur 1). Op deze manier kan er sneller worden gemeten. Firestone et al. [1996] hebben deze methode toegepast op het meten van huizen. Zij concluderen dat de meetsnelheid hiermee wordt verdubbeld en stellen bovendien vast dat de operateur minder snel vermoeid raakt. Net als bij alle andere vormen van semiautomatische kartering blijft de controle door de operateur belangrijk. Vooral wanneer meerdere hoekpunten dicht bij elkaar liggen kan het voorkomen dat het algoritme een verkeerd punt selecteert. Figuur 1. : Links: De hoekpunten van een gebouw zoals die door een operateur bij benadering zijn aangewezen. Rechts: De hoekpunten die na toepassing van de interestoperator worden geregistreerd. 2.2 Meting van lijnen Al enkele decennia wordt onderzoek verricht naar het geheel automatisch extraheren van lijnen uit digitale beelden [Rosenfeld, 1969, Davis 1975]. Wanneer deze technieken worden toegepast of luchtfoto s blijken de resultaten vaak zeer teleurstellend. In het algemeen is het verbeteren van de resultaten vaak meer werk dan het opnieuw verrichten van een geheel handmatige meting. Daarom worden ook voor de extractie van lijnvormige structuren uit luchtfoto s semi-automatische methoden ontwikkeld. Deze methoden vallen in twee groepen uiteen: de zgn. slangen en de wegvolgers Slangen

4 Bij het gebruik van slangen geeft de operateur met enkele punten grofweg het verloop van een weg, wegrand of andere lijnvormige structuur aan (figuur 2, links). In een iteratief proces wordt de vorm van deze polygoon aangepast aan de vorm van de weg. Hierbij wordt een combinatie van twee criteria geoptimaliseerd: Punten op de polygoon worden verschoven naar posities in het beeld met een sterke grijswaardegradiënt of kromming. Deze posities komen in het algemeen overeen met de rand of het midden van de weg. De gemeten weg dient een relatief glad verloop te hebben. Dit wordt bereikt door voorwaarden op te leggen aan de krommingen van de polygoon. Hiermee wordt een realistischer resultaat verkregen (figuur 2, rechts). Verdere ontwikkelingen op het gebied van de slangen worden gepresenteerd in [Neuenschwander et al., 1995] en [Fua, 1996]. In het eerste artikel wordt onderzocht hoe het aantal punten dat de operateur dient te meten verder gereduceerd kan worden. Het tweede artikel beschrijft een slang-algoritme dat gelijktijdig de twee randen van een weg meet. Hierbij kan ook de voorwaarde van een constante wegbreedte worden meegenomen, zodat wegen waarvan één wegrand door begroeiing plaatselijk verdekt is, toch gemeten kunnen worden. De naam van het slang-algoritme komt van het gedrag dat de polygoon vertoont. In de loop van de iteraties kronkelt de polygoon als een slang om de weg heen. Figuur 2.: Meten met slangen. Links: Met een paar punten geeft een operateur het verloop van de weg aan. Na enige iteraties wordt een nauwkeurigere wegbeschrijving verkregen. (Overgenomen uit [Trinder and Li, 1995].) Wegvolgers In tegenstelling tot de slangen-methode wordt bij het gebruik van wegvolgers alleen het begin van een wegstuk door de operateur gemeten. Dit wordt gedaan door met de muiscursor twee punten in het midden of op een rand van het wegdek te plaatsen.

5 Loodrecht op het gemeten stukje weg wordt nu uit het beeld een dwarsprofiel afgeleid, waarin de grijswaarden als een functie van de afstand tot het gemeten lijnstukje worden beschreven. In het wegvolg-algoritme wordt aangenomen dat dit grijswaardeprofiel karakteristiek is voor de gemeten weg. Er wordt vanuit gegaan dat de grijswaardeprofielen op andere plaatsen langs de weg er ongeveer hetzelfde uitzien. Op basis van deze aanname wordt het gemeten lijnstukje nu een paar pixels geëxtrapoleerd. Op deze positie wordt uit het beeld een dwarsprofiel met grijswaarden afgeleid. Door dit profiel met dat van het beginstukje te matchen wordt de verschuiving tussen de twee profielen bepaald. Hieruit kan de richtingsverandering van de weg worden afgeleid [Vosselman en de Knecht, 1995]. Is er geen verschuiving, dan gaat de weg rechtdoor. De weg kan verder gemeten worden door dit proces van extrapolatie, matching en berekening van de richtingsverandering steeds te herhalen (figuur 3). Op sommige plaatsen zal de aanname dat het dwarsprofiel overal langs de weg hetzelfde is niet juist zijn. Dit is vooral het geval bij kruisingen van wegen, overhangende bomen en (grotere) voertuigen. Op dergelijke plaatsen in het beeld zal de matching mislukken. Dit is in figuur 3 met rood aangegeven. Wanneer de matching mislukt kan geen richtingsverandering worden berekend. De volgende wegpositie is dan alleen gebaseerd op extrapolatie van vorige berekeningen. Wanneer de matching meerdere malen achter elkaar mislukt, is de wegvolger blijkbaar de weg kwijt en dient de operateur in te grijpen. Figuur 3: Links: De originele luchtfoto. Rechts: De resultaten van een wegvolger. De zwarte stukjes zijn gemeten door een operateur. Groene delen konden goed door de wegvolger worden gemeten. In de rode delen is de matching mislukt en is de wegpositie gebaseerd op extrapolatie.

6 2.3 Meting van vlakken Terwijl bij de meting van punten en lijnen gebruik wordt gemaakt van grijswaardegradiënten, wordt bij de meting van vlakken gezocht naar gebieden met homogene grijswaarden (of textuurmaten). De operateur identificeert met de muiscursor één pixel in het te meten vlak. Hiermee wordt een vlak van één pixel gevormd. Vervolgens wordt door een zgn. region growing algoritme geverifieerd of de naastliggende pixels een vergelijkbare grijswaarde hebben. Is dat voor een of meerdere pixels het geval, dan worden deze aan het vlak toegevoegd en wordt rondom deze pixels verder gezocht naar andere pixels met dezelfde grijswaarde. Op deze manier ontstaat een gebied van pixels met homogene grijswaarden. In figuur 4 is deze methode toegepast voor de meting van een wateroppervlak. Door speculaire reflecties op het water zijn in eerste instantie nog kleine gaten in het vlak aanwezig. Deze zijn in dit voorbeeld met operatoren uit de mathematische morfologie weggewerkt. Ook bij dit soort metingen dient de operateur de resultaten te controleren en te corrigeren. In het voorbeeld zijn twee soorten fouten te zien. Linksboven is de rand van de overhangende begroeiing gekarteerd en rechtsonder is de schaduw van de bomen op het water gekarteerd. Wanneer de meting in een stereomodel wordt verricht, kan ook de hoogte van de waterrand worden bepaald. In dat geval kunnen de eerstgenoemde fouten automatisch worden geconstateerd, omdat de begroeiing hoger ligt dan het waterniveau. Het meetalgoritme kan de operateur dan op deze fout opmerkzaam maken. De schaduwrand ligt echter op het wateroppervlak en blijft bij deze controle dus onopgemerkt. Figuur 4.: Links: De operateur wijst met één punt het wateroppervlak aan. Rechts: De randen die na toepassing van region growing en mathematische morfologie worden gevonden. 2.4 Meting van complexe objecten

7 Een belangrijke trend bij de meting van 3D objecten is het gebruik van CAD-achtige modellen. Het voordeel van de meting met deze modellen is dat de topologie van de te meten objecten al in het model zijn opgenomen. Bovendien kunnen in het model allerlei voorwaarden met betrekking tot de vorm zijn opgenomen. Bij de meting van gebouwen kan bijvoorbeeld al zijn vastgelegd dat het dak symmetrisch is, de muren rechte hoeken maken en de hoekpunten bij de dakgoten op dezelfde hoogte liggen. Vanwege deze vormvoorwaarden kan de operateur het gebouw reconstrueren door slechts enkele punten te meten [Lang en Förstner, 1996]. Deze meting kan nog verder worden versneld wanneer een zgn. fittingalgoritme wordt toegepast [Lowe, 1991]. De werkwijze is dan als volgt: De operateur selecteert uit een database een objectmodel. Dit model wordt in één of meerdere foto s geprojecteerd. Door de hoeken van dit draadmodel in de foto te verslepen wordt het model bij benadering op de juiste plaats gezet (figuur 5, links). Hierna zorgt een fittingalgoritme voor een betere positionering van het objectmodel (figuur 5, midden). Dit algoritme past de parameters die het objectmodel beschrijven zodanig aan dat de lijnen van het model zo goed mogelijk samenvallen met pixels die hoge gradiënten hebben. Een correctie van de resultaten is vaak nodig wanneer er meerdere randen met hoge gradiënten bij elkaar in de buurt liggen. Dit is ook in het voorbeeld het geval. De randen van de ramen in de voorgevel hebben een hoger contrast dan de dakrand. De fout kan echter hersteld worden door de handmatige meting van slechts één punt. Figuur 5.: Meting van complexe modellen. Links: Objectmodel dat door de operateur ongeveer op de juiste plaats is gezet. Midden: De resultaten van een fitting algoritme. Rechts: De verbeterde resultaten na één meting door de operateur. 3. Conclusies

8 In hoeverre de beschreven semi-automatische technieken bijdragen aan het versnellen van de kartering hangt sterk af van het contrast in de luchtfoto s, de dichtheid van de objecten en de gestelde precisie-eisen. Voor alle metingen is een goede doortekening van de luchtfoto s van belang. Een sterker contrast tussen een object en de omgeving resulteert in een nauwkeurigere meting van de objectrand. Ook bij het gebruik van de terreinvolgende cursor zijn duidelijke grijswaardeverschillen nodig. In gebieden zonder textuur, zoals op zandvlakten, kan een matchingalgoritme geen corresponderende punten vinden en kan de terreinhoogte dus niet bepaald worden. Een goed contrast is echter nog geen garantie voor een goede meting. Een storende factor is de aanwezigheid van andere punten of randen met een hoog contrast in de buurt van het te meten object. Hoe kleiner de afstand tot de naburige objecten en hoe sterker het contrast van deze objecten, des te groter de kans dat een algoritme het verkeerde object zal meten. Vooral bij een hoge objectdichtheid dient de operateur alert te zijn op dergelijke identificatiefouten. De bruikbaarheid van de resultaten hangt verder de gestelde precisie-eisen. Vegetatie, die over een weg- of waterrand heen hangt, leidt tot een systematische fout. Wanneer de eisen, die aan de kartering worden gesteld, niet al te hoog zijn, kunnen dit soort fouten wellicht nog worden geaccepteerd. Dit hangt vaak mede af van de gewenste kaartschaal. De effecten van deze fouten nemen af naarmate de kaartschaal kleiner wordt. Ondanks de beperkingen van de semi-automatische karteermethoden en de altijd aanwezige noodzaak van controle en correctie door een operateur kunnen deze methoden leiden tot een efficiëntere kartering. Dit geldt vooral voor de relatief eenvoudige methoden waar elk te meten punt bij benadering wordt aangewezen. Bij de iets moeilijkere meting van lijnen met een wegvolger en vlakken met region growing worden sterk vereenvoudigde aannamen gemaakt: de weg heeft een constant grijswaardedwarsprofiel en het vlak een constante grijswaarde. Deze aannamen zijn vooral in stedelijk gebied vaak onvoldoende om een acceptabele kartering te verkrijgen. Betere resultaten kunnen alleen worden verwacht wanneer de algoritmen gebruik kunnen maken van meer algemene kennis over de karteren objecten. Hierop richt zich veel internationaal onderzoek [Kraus en Waldhäusl, 1996]. In de gemodelleerde kennis wordt bijvoorbeeld vastgelegd dat wegen vaak beperkte hellingspercentages hebben en de hoogte van rivieren alleen stroomopwaarts toeneemt. Ook de omgeving van de te meten objecten dient gemodelleerd te worden. Zo moet een algoritme voor de kartering van wegen weten dat er op- en afritten en kruisingen voorkomen en dat een wegrand af en toe door bomen verdekt kan zijn. Dergelijke kennis blijkt zeer moeilijk te modelleren. Het is dan ook de verwachting dat óók op de lange termijn de operateur een belangrijke rol blijft toebedeeld voor de controle en correctie van de semi-automatische karteringen.

9 Literatuur Davis, L.S. [1975]: A Survey of Edge Detection Techniques. Computer Graphics and Image Processing, vol. 4, pp Firestone, L., S. Rupert, J. Olson, en W. Mueller [1996]: Automated Feature Extraction: The Key to Future Productivity, Photogrammetric Engineering and Remote Sensing, vol. 62, no 6, pp Förstner, W. en E. Gülch [1987]: A Fast Operator for Detection and Precise Location of Distinct Points, Corners and Centers of Circular Features. In: Proceedings ISPRS Intercommission Workshop on "Fast Processing of Photogrammetric Data", Interlaken, juni Fua, P. [1996]: Model-based Optimization: Accurate and Consistent Site Modeling, International Archives for Photogrammetry and Remote Sensing, vol. 31, deel B3, pp Kraus, K. and P. Waldhäusl (Eds.) [1996]: International Archives of Photogrammetry and Remote Sensing, vol. 31, part B3. Lang, F. en W. Förstner [1996]: 3D-City Modelling with a Digital One-Eye Stereo System. International Archives of Photogrammetry and Remote Sensing, vol. 31, deel B3, pp Lowe, D. [1991]: Fitting Parameterized Three-Dimensional Models to Images. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13, no. 5, pp Neuenschwander, W., P. Fua, G. Székely en O. Kübler [1995]: From Ziplock Snakes to Velcro Surfaces. Ascona Workshop on Automatic Extraction of Man-Made Objects from Aerial and Space Images, Birkhäuser Verlag, pp Rosenfeld, A. [1969]: Picture processing by computer. Computational Surveys, vol. 1, no. 3, pp Trinder, J. en H. Li [1995]: Semi-Automatic Feature Extraction by Snakes. Ascona Workshop on Automatic Extraction of Man-Made Objects from Aerial and Space Images, Birkhäuser Verlag, pp Vosselman, G. en J. de Knecht [1995]: Road Tracing by Profile Matching and Kalman Filtering. Ascona Workshop on Automatic Extraction of Man-Made Objects from Aerial and Space Images, Birkhäuser Verlag, pp