مدل رقومی سطح

در سال های اخیر به دلیل برتری از نظر هزینه و زمان نسبت به سایر روش ها شاهد پیشرفت روزافزون کاربرد پرنده های بدون سرنشین در کاربردهای متنوعی از جمله علوم زمین، منابع طبیعی، مطالعات محیطی، برنامه ریزی شهری می باشیم. در کنار این مزایا، استفاده از پرنده های بدون سرنشین با چالش هایی مانند هندسه ناپایدار تصویربرداری، عدم استفاده از دوربین های متریک و متغیر بودن پارامترهای تصاویر همراه است. در این پژوهش تکنیک های علم بینایی کامپیوتر برای پردازش تصاویر تهیه شده توسط هواپیمای بدون سرنشین بررسی و کارایی این تصاویر و تکنیک ها برای تولید مدل رقومی ارتفاع با قدرت تفکیک مکانی بالا بررسی شده است. بدلیل وجود شرایط ذکر شده برای تصویربرداری و عدم وجود پارامترهای توجیه داخلی و خارجی از عملگر SIFT برای استخراج نقاط گره ای در مناطق مشترک تصاویر استفاده شده است. توجیه نسبی و مطلق تصاویر به ترتیب با استفاده از نقاط گره ای و نقاط کنترل زمینی انجام شده است. از الگوریتم تناظریابی سه بعدی متراکم، ابر نقاط متراکم ایجاد و با درونیابی به روش مثلث بندی نامنظم، سطح رقومی منطقه تشکیل شده است. در نهایت با استفاده از نقاط چک زمینی، دقت زمین مرجع کردن و مدل رقومی سطح نهایی ارزیابی شده است. تعداد 5853 نقطه گره ای به صورت اتوماتیک توسط عملگر SIFT استخراج و تصاویر با دقت مسطحاتی 12/21 سانتی متر زمین مرجع شدند. سپس با تولید میلیون ها نقطه و مثلث بندی نامنظم، مدل رقومی ارتفاعی با دقت ارتفاعی 25/19 سانتی متر تولید شد. نتایج این پژوهش نشان می دهد که بدلیل هندسه ناپایدار تصویربرداری و متغیر بودن پارامترها برای تصاویر، تلفیق الگوریتم SIFT با تکنیک های بینایی کامپیوتر در پردازش تصاویر پهباد برای استخراج نقاط گره ای و توجیه دقیق تصاویر ضروری است.

فیلترینگ مدل های رقومی سطح (DSM) برای برنامه های کاربردی مانند برنامه ریزی محیطی، به روزرسانی نقشه یا تشخیص ساختمان موردتوجه است . فیلتراسیون زمین، حذف نقاط متعلق به اشیاء بالاتر از سطح زمین به منظور بازیابی نقاط زمینی است که برای تولید مدل رقومی ارتفاع (DSM) استفاده می شود. ابرهای نقطه ای لایدار موفقیت های بسیاری در ارائه ی عوارض داشته اند اما از آنجا که اخذ داده های لایدار هنوز یک فرآیند پرهزینه است، استفاده از ابرهای نقطه تولیدشده از فرآیند فتوگرامتری برای تولید DEM یک راه حل مناسب است. بااین حال، بیشتر الگوریتم های فیلترینگ برای داده های لایدار طراحی شده و به تنظیم تعدادی از پارامترهای پیچیده برای دستیابی به دقت بالا نیاز خواهند داشت. درعین حال زمان پردازش، میزان تأثیرگذاری درصحنه های مختلف و میزان اتوماسیون این روش ها نیز حائز اهمیت است. پیچیدگی های صحنه و توپوگرافی، برای نمونه در مناطق شهری فرآیند فیلتراسیون زمین را با چالش بیشتری مواجه می کند. برای کسب نتایج بهینه کاربران باید پارامترهای مختلف را تا زمانی که نتیجه مطلوب فیلترینگ را پیدا کنند امتحان نمایند، که فرآیندی وقت گیر و پرهزینه است. به علت عدم وجود بررسی جامع از میزان کارایی، اتوماسیون و پیچیدگی های محاسباتی روش های فیلترینگ مختلف بر روی ابر نقاط حاصل از فتوگرامتری، در این پژوهش الگوریتم های مختلف مطرح و پرتکرار در این زمینه ی مطالعاتی با یکدیگر مقایسه شدند. درعین حال، روش های موردمطالعه از منظر کیفیت فیلترینگ کلاس ها، زمان پردازش ها (مدت زمان اجرایی)، پیچیدگی های صحنه و تعداد پارامترهای الگوریتم (بیانگر میزان دخالت کاربر در پردازش داده ها برای میزان اتوماسیون) مورد تحلیل قرار گرفت. نتایج این تحلیل می تواند در راستای شناخت بهتر عملکرد اجرایی روش های فیلترینگ بر روی ابر نقاط حاصله از تصاویر باقدرت تفکیک بالا (DSM های حاصله از تصاویر هوایی و پهپاد) مثمرثمر باشد و به عنوان یک راهنما در جهت کمک به محققان برای تصمیم گیری در انتخاب الگوریتم مورداستفاده با توجه به پارامترهای زمان، سخت افزار، منطقه و میزان دقت خروجی مفید باشد.