Maa-57.220 Fotogrammetrinen kartoitus
(Alkuperäinen luento: Henrik
Haggrén, 11.10.2002
Muutoksia: Eija Honkavaara
25.9.2005)
Luento 6: Kolmiointi digitoiduin kuvin.
Liitospisteiden mittaus
Kuvien yhteensovitus
Korrelaatio
Liitospisteiden mittausohjelmia
OEEPE:n koetyöt
Tuotantojärjestelmiä Suomessa
Julkaisuja
- Kolmioinnissa on kyse kuvien
liittämisestä a) toisiinsa, b) kohdekoordinaatistoon. Yhteenliittymää
kutsutaan kuvablokiksi. Kolmioidussa kuvablokissa jokaisen kuvan
orientointi tunnetaan a) kuvablokin koordinaatistossa, b)
kohdekoordinaatistossa.
- Kolmiointiin osallistuvia pisteitä
kutsutaan liitospisteiksi. Tavanomaisessa, analogisin kuvin tehdyssä kolmioinnissa
liitospisteiden määrä on 15-20/kuva. Osa liitospisteistä toimii
liitospisteinä kohdekoordinaatistoon. Näitä kohdekoordinaateiltaan
tunnettuja pisteitä kutsutaan lähtöpisteiksi. Lähtöpisteiden määrä isossa,
esim. 200 - 300 kuvan blokissa on muutamia kymmeniä, GPS-tuetussa
kuvauksessa vielä huomattavasti vähemmän.
- Digitoitujen kuvien kanssa tehdyssä
kolmioinnissa liitospisteiden määrä voi nousta useisiin kymmeniin, jopa
satoihin yhdellä kuvalla.
- Liitospisteiksi valitaan kuvittain pisteitä,
pikemminkin kuvanosia, joiden harmaasävyjakautuma soveltuu tarkkaan
yhteensovitukseen. Valinnassa käytetään hyväksi ns. piirreoperaattoreita.
- Piirreoperaattorit määrittävät kullekin
liitospisteelle sen kuvakoordinaattien lisäksi tietoa sen ominaisuuksista.
Kolmioinnin kannalta tärkeitä ominaisuuksia ovat pisteen paikannettavuus,
tunnistettavuus, erottuvuus ympäristöstään, yksilöllisyys, jne. Nämä
tiedot kerätään pisteen ominaisarvoiksi. Kun liitospiste-ehdokkaat on
ensin valittu kuvilta, järjestetään ne vastinpisteryhmiin. Vastinpisteet
ryhmitellään likiarvoisten orientointien ja edellä kerättyjen
ominaisarvojen perusteella.
- Automaattiseen kuvablokin muodostamiseen ja
pisteiden yhteensovittamiseen liittyy hierarkinen hakustrategia. Yleensä
tämä toteutetaan moniresoluutioisen kuvapyramidin avulla.
- Kuvapyramidi muodostuu useista kuvatasoista.
Alinna on alkuperäinen kuva, ylinnä vaiheittain alipäästösuodatettu kuva
samasta alueesta. Kunkin välitason kuva on näytteistetty edellistä kuvaa
harvemmalla näytteenottovälillä. Kuvien ensimmäiset likiarvot voidaan
ratkaista ylimmällä pyramiditasolla, jolloin liitospisteet edustavat
kuvasisällöltään alkuperäisen kuvan kaikkein matalataajuisimpia kuvanosia
ja vastinpisteiden tunnistettavuus on hyvä. Kolmiointia jatketaan
laskeutumalla pyramidia vaiheittain alemmas. Kullakin välitasolla
edellisen kolmioinnin tulosta käytetään likiarvona. Lopulta kolmiointi
tehdään alimmalla tasolla eli alkuperäisellä ja parhaalla resoluutiolla.
- Kolmioinnin jälkeen pistetihennystä voidaan
jatkaa osamalleittain. Osamalli on joko kohdetilassa tai kuvatilassa
rajattu osa-alue. Osamallin tihennykseen osallistuvat kaikki sitä
vastaavat kuvat. Tihennys tehdään eteenpäinleikaten, eli ulkoiset
orientoinnit kiinnitetään.
- General
- Task
- Automatic
detection of conjugate points of a block of images
- Point
selection and transfer
- Point
selection
- Ensure
stable block geometry: manifold tie points, uniform distribution
- Find
good enough points for matching: well-conditioned image function,
suitable for multiple images
- By
measurement design and analysis of image contents
- Point
transfer
- By
image matching: matching method, matching strategy
- Approaches
- Measure
distinct tie points
- Reconstruct
whole object
- Questions
- Failures
in difficult conditions (occlusions, shadows, height differences,
)
- Manifold
tie points
- Parameter
settings
- Quality
control
- Properties
of tie point measurement task
- Variability
due to object
- Land
cover classes
- Agricultural
(mostly fields))
- Forest
(dense vs. sparse)
- Built-up
(dense/sparse, big/small)
- Open
swamps
- Dry
open terrain with vegetation
- Water
(e.g. small lake, sea)
- Topography
- Variability
due to imaging
- Scale
- Rotation
- Temporal
(e.g. illumination, scene)
- Spectral
- Image
quality
- Variability
due to requirements, e.g.
- high,
- medium
and
- low
accuracy tasks
- Tulevaisuudessa
- Automaattista
liitospisteenmittausta tarvitaan mm.
- GPS/IMU/kamera kalibrointi (Luento 4, 5)
- matriisisensorikuvien prosessointi (Luento 3)
- rivisensorikuvien prosessointi (Luento 3)
- integroitu sensoriorientointi (Luento 5)
- Suora sensoriorientointi helpottaa
liitospisteenmittaustehtävää (hyvät likiarvot, laaduntarkistus, pienempi
määrä liitospisteitä riittää)
- Digitaaliset fotogrammetriset
kamerat: automaattinen kuvansovitus helpottu ja tarkentuu kuvien paremman
radiometrisen laadun ansiosta






Kuvapyramidi.







Kuvien resoluutio eri pyramiditasoilla.

Ilmakuvablokki, Montserrat. Kuvamittakaava 1 : 15'000, pituuspeitto 60 %,
sivupeitto 30 %. (Heipke, 1999)

Gruber-pisteet.

Kolmiointipisteet ensimmäisten likarvojen laskemiseen.

Kolmiointipisteiden tihentäminen.

Kolmiointipisteet lopulliseen blokkitasoitukseen.

Esimerkki pisteiden tihentämisestä.

Liitospisteet kuvalla. (Ilves, 2001)
- Liitospisteiden mittausohjelmille voidaan
asettaa vaatimuksia, joilla vaikutetaan mm. mitattavien pisteiden
lukumäärään, sijaintiin kuvilla, havaintojen tarkkuuteen, yhteensovituksen
kuvamäärään ja likiarvojen hyödyntämiseen mittausprosessin aikana.
- Ohjelman toimintaperiaate
- Liitospisteiden mittaus voidaan käynnistää
ilman korkeusmallia tai orientointihavaintoja.
- Mittausohjelma käyttää liitospisteiden
likiarvoja laskiessaan hyväkseen tiedot korkeusmallista ja kuvauslennon
orientointihavainnoista sekä toimii hierarkisesti kuvapyramidilla.
- Mittausohjelmaan sisältyy
'on-line'-blokkitasoitus ja sitä käytetään myös blokin geometrian
suunnittelussa (liitospisteiden määrä ja sijainti kuvilla) .
- Liitospisteet valitaan niiden
toiminnallisten piirteiden perusteella (hyvä yhteensovitettavuus).
- Epäonnistuneet liitospistehavainnot
korvataan tarpeen mukaan uusilla liitospisteillä.
- Yhteensovituksen ohjaustiedot sovitetaan
automaattisesti blokin ja kohteen ominaisuuksiin.
- Karkeat virheet ('outlier'-havainnot)
tarkastetaan havainnoista ja korvataan uusilla.
- Yhteensovitus
- Yhteensovitusta ohjataan tarkalla
kameramallilla (keskusprojektio tai rivikamera).
- Yhteensovitusta ohjataan kohteesta
käytettävissä olevalla pintamallilla.
- Yhteensovitusta ohjataan tarkoilla
kuvausyhtälöillä (kollineaarisuusehto).
- Yhteensovitukseen sisällytetään lineaarinen
radiometrinen malli.
- Yhteensovitus tehdään samanaikaisesti
jokaisen kyseiseen pisteeseen liittyvän kuvahavainnon välillä, ei
pareittain.
- Liitospisteet
- Mittaustarkkuuden vähimmäisvaatimuksena
voidaan pitää 10 µm.
- Liitospistehavainnot tehdään täydellisinä
eli liitospisteet havaitaan kyseiseen pisteen kaikilta kuvilta.
- Liitospisteiden lukumäärä ja jakauma
määritetään mittaustyön kuluessa niin, että blokin geometriasta tulee
hyvä.
- Kirjallisuutta:
- Honkavaara, E.,
2000. Automatic tie point measurement: On properties of tie points,
measurement methods and quality issues, Licentiate's Thesis, HUT, Espoo
2000
- Termiä "kuvien yhteensovitus" on
käytetty oikeastaan vasta puhuttaessa digitoiduista kuvista ja niiden
automaattisesta keskinäisestä orientoinnista. Esimerkkejä yhteensovituksen
nykyisistä sovelluksista ovat liitospisteiden mittaus kolmioinnissa ja
korkeusmallin mittaus orientoidulta stereomallilta.
- Yhteensovituksen perustoiminto on
vastinpisteiden tarkka mittaus. Valmistavia toimenpiteitä ovat
yhteensovitukseen soveltuvien kuvanosien valinta ja vastinpisteiden
hakuavaruuden rajaus.
- Yhteensovituksen menetelmiä ovat
piirrepohjaiset, aluepohjaiset ja globaalit menetelmät.
- Piirrepohjaiset menetelmät perustuvat
kuvittain tapahtuvaan piirteiden tunnistamiseen ja paikantamiseen.
Piirteitä voivat olla mm. pisteet, viivat tai alueet. Nykyiset
kolmiointiohjelmistot perustuvat pistemäisiin piirteisiin. Esimerkkejä
hyvin tunnistuvista pistemäisistä piirteistä ovat nurkat ja
ympäristöstään erottuvat läiskät. Tunnistaminen perustuu harmaasävykuvan
gradienttien suuruuteen ja suuntautuneisuuteen. Piirrepohjaisen
yhteensovituksen operaattoreista on tunnetuin Förstnerin operaattori.
- Aluepohjaiset menetelmät perustuvat liitospisteiden
havaitsemiseen suoraan kahden tai useamman kuvan välillä. Liitospisteeltä
ei edellytetä geometrisia ominaisuuksia vaan ainoastaan hyvää
yhteensovittuvuutta. Yhteensovitus tehdään vertaamalla mallikuvan
harmaasävyjä kohdekuvan harmaasävyihin. Mallikuvaa siirretään
kohdekuvalla ja paras vastaavuus havaitaan likimäärin yhden pikselin
tarkkuudella laskemalla kuvasignaalien välisiä korrelaatioita. Tarkempi
kohdistus tehdään harmaasävyjen erojen neliösummaa minimoimalla. Tällä
yhteensovituksella on mahdollista päästä pikselin murto-osien
tarkkuuksiin (0,5..0,005 pikseliä).
- Korrelaatio
- PNS-yhteensovitus kuvatasolla
- Globaalilla yhteensovituksella sovitetaan
kuvanosia harmaasävyjen perusteella samoin kuin aluepohjaisissa
menetelmissä. Yhteensovituksessa ei kuitenkaan rajoituta vastaavuuksien
havaitsemiseen kuvien välillä vaan siinä pyritään rekonstruoimaan kohde.
Vastaavuudet lasketaan kuvien ja kohteen välillä. Yhteensovitusta
ei tehdä orientoinneiltaan tunnetuilla kuvilla vaan harmaasävyjen neliösummaa
minimoidaan suoraan vertaamalla kuvia samanaikaisesti geometrialtaan ja
radiometrialtaan ratkaistavaan kohteen pintamalliin.
- PNS-yhteensovitus kohteen pinnalla
- Kuvansovitusmenetelmien muuttujat
- Primitives
- area
(signal) or feature (point, line, polygon,
)
- local
or global support
- Geometric
and radiometric mappings between images
- 2D
or 3D
- pairwise
or arbitrary number of images
- Similarity
measure and search for optimum


Yksiulotteinen yhteensovitus.




Kaksiulotteinen yhteensovitus kahden kuvan välillä.


Kolmiulotteinen yhtensovitus kohteen pinnan ja kuvablokin välillä.
Yhteensovitusmenetelmien vertailua
|
Piirteiden
sovitus
|
Korrelaatio
|
PNS kuvalla
|
PNS
kohteessa
|
Sovitettava
ominaisuus
|
Piste
|
Harmasävy
|
Harmaasävy
|
Harmaasävy
|
Geometrinen
malli
|
-
|
1D ja 2D siirto
|
1D ja 2D
siirto, kierto, mittakaava, vinous
|
3D
|
Radiometrinen
malli
|
-
|
Lineaarinen
|
Lineaarinen,
ym.
|
Lineaarinen,
ym.
|
Kuvien lkm
|
n
|
2
|
n
|
n
|
Pull-in range
[pikseliä]
|
suuri
|
suuri
|
3
|
3
|
Tarkkuus
[pikseliä]
|
0,3 - 0,5
|
0,1
|
0,1
|
0,1
|
Luotettavuus
|
huono
|
huono
|
kohtalainen
|
hyvä
|
Käytettävyys
|
edellyttää
piirteiden määrittämistä ja irroittamista
|
hyvä
|
hyvä
|
edellyttää
kohteen rekonstruoimista
|
Häiriösietoisuus
|
huono
|
huono
|
kohtalainen
|
hyvä
|
- LDIP Inter is an
educational program which runs on the Internet by means of a browser.

Mallikuva ja hakuikkuna. Esimerkki kuvaa reunamerkistä tehtyä mallinetta ja
vastaavaa kohtaa kuvalta.

1-D yhteensovituksen lähtötilanne.

Paras korrelaatio saadaan x-koordinaatin arvolla x = 80. PNS-yhteensovitukseen
perustuva paras vastaavuus on kohdassa x = 75,5.

Malli- ja kohdesignaali parhaan korrelaation mukaisesti kohdistettuina.

Malli- ja kuvasignaali PNS-yhteensovituksen mukaisesti kohdistettuina.
Signaalit on vertaistettu skaalaamalla ja tasoa muuttamalla.

Kaksiulotteinen ristikorrelaatio. (Heipke, 1996)
- Least squares image
matching

Kuvafunktio kuvaikkunalle, jota siirretään koordinaattierojen xo ja yo
verran. Muuttujat xo ja yo ratkaistaan, suure n(x,y) on kohinaa.

Linearisoidut virheyhtälöt.

Normaaliyhtälöt.

Förstnerin operaattorin virhe-ellipsejä eri tilanteissa. (Heikkilä,
1989)
- Julkaisuja
- Christian
Heipke, 1996. Overview of
Image Matching Techniques, Application of Digital Photogrammetric
Workstations, OEEPE, Official Publications No 33, IfAG, Frankfurt am Main
1996.
- Petri Rönnholm, 1998. Förstnerin operaattori, fotogrammetrian erikoistyö, TKK,
Espoo, 1998.
- Liitospisteiden mittausohjelmia
- Kaupallisia järjestelmiä
- Leica
Photogrammetry Suite, Leica Geosystems
- Match-AT, Inpho
GmbH
- ISAT, Intergraph
- Tutkimusjärjestelmiä
- OSU, Ohio State University
- FGI, Finnish
Geodetic Institute
- TUM, Technical
University of Munich
- Tsingas: Ensimmäinen toimiva
liitospisteiden mittausjärjestelmä, joka esiteltiin syksyllä 1991 ja
julkaistiin sittemmin väitöskirjana (Tsingas, 1992).
- Esimerkki ohjelmiston toiminnasta: HATS /
Socet Set 3.1.4 (Helava)
1)
Alustus
·
Määritellään
blokin geometria eli kuvaindeksi ja lähtöpisteet.
·
Määritellään
kameran kalibrointitiedot.
·
Valitaan
tasoitusmenetelmä: sädekimppukolmiointi mittakuville, muille DLT- tai
polynomimalliin perustuva kolmiointi.
2)
Automaattinen
liitospisteiden mittaus
·
Määritellään
liitospistemalli eli liitospisteiden määrä ja sijainti kuvilla sekä
liitospisteiden yhteensovituksessa käytettävä korrelaatioalgoritmi.
·
Automaattinen
pisteenhaku tehdään toistavin havainnoin. Kullekin liitospistehavainnolle
lasketaan yhteensovituksessa myös keskivirhe.
·
Automaattisen
pisteenhaun ja yhteensovituksen jälkeen liitospisteiden mittaus voidaan
tarkistaa visuaalisesti ja sitä voidaan täydentää interaktiivisesti. Myös
yhteensovitus voidaan haluttaessa tehdä manuaalisesti kursorilla osoittaen.
Tällöin kuvahavainnon keskivirhe on 0.5 pikseliä tai toistavista havainnoista
laskettuna niiden keskihajonta.
·
Kun
havainnot on tehty, blokki tasoitetaan, aluksi osablokein, lopuksi yhtenä.
Tällä tavalla pyritään blokista eliminoimaan karkeat ja puolikarkeat virheet.
3)
Interaktiivinen
lähtöpisteiden mittaus
·
Määritellään
kunkin lähtöpisteen tyyppi (taso-, korkeus-, XYZ-piste, jne..) ja arvioidaan
kunkin lähtöpisteen koordinaattien tarkkuus.
·
Kukin
lähtöpiste havaitaan kuva kuvalta komparaattorimittauksena.
4)
Blokkitasoitus
·
Liitospisteiden
havaitsemisen jälkeinen blokkitasoitus toistetaan.
·
Havaintojen
tarkkuusarvoja käytetään blokkitasoituksen aikana painotettaessa yksittäisiä
havaintoja toistensa suhteen. Myös lähtöpisteiden koordinaatit käsitellään havaintoina.
·
Laskennan
jälkeen voidaan tulosta tarkastella pistekohtisesti. Samalla voidaan arvioida
blokin ja lähtöpisteiden yhteensopivuutta, ja toistaa epävarmoiksi
osittautuneita havaintoja.
·
Sen jälkeen,
kun blokin tasoitus on hyväksytty, kuvaorientoinnit ja liitospisteiden
koordinaatit dokumentoidaan.

Ilmakolmiointia työasemalla, Swissphoto Vermessung AG. (Kersten,
1999)

Ilmakolmiointijärjestelmiä. (Heipke, 1999)
http://www.ifp.uni-stuttgart.de/publications/phowo99/heipke.pdf
- References
- Thomas Kersten, 1999. Digital Aerial Triangulation
in Production - Experiences with Block Switzerland, Photogrammetric Week
'99, Wichman, p. 193-204.
- OEEPE (Organisation Europeenne d'Etudes
Photogrammetriques Experimentales) on selvittänyt koetöiden avulla
digitoitujen ilmakuvien käyttöä kolmiointiin. Geodeettinen laitos järjesti
1992-1993 koetyön, jossa selvitettiin digitoitujen kuvien soveltuuvuutta
yleensä ilmakolmiointiin. Toisessa koetyössä (Heipke et al. 1997-1998)
verrattiin kolmiointikäytäntöjä toisiinsa ja erityisesti automaattisen
pisteenhaun vaikutusta kolmioinnin tuloksiin.
- Geodeettinen laitos: Kolmiointi digitoiduin
kuvin
- Blokki: Forssa, 3.5.1989
- 1.5 x 2.5 km2
- h = 600 m => 1 : 4 000
- 4 jonoa, 7 kuvaa/jono
- peitot 60 % / 35 %
- Tuloksia
- Digitoidun kuvan pikselikoolla (15 µm vai
30 µm) ei käytännössä ollut juurikaan vaikutusta kolmioinnin
tarkkuuteen.
- Pistemittauksen tarkkuuteen vaikutti
käytetty yhteensovitusalgoritmi. Aluepohjaisella yhteensovituksella
Z-koordinaattien mittaustarkkuus parani, kun käytettiin 30 µm
pikselikokoa.
- Kolmioinnin tarkkuus uusien pisteiden
osalta riippui lähinnä lähtöpisteiden jakautumisesta blokin alueella.
- Lisäparametreilla kyettiin parantamaan
tarkkuutta vain, mikäli käytettiin tiheätä lähtöpisteistöä.
- Signaloitujen lähtöpisteiden pisteenhakuun
tulisi kehittää mallineita.
- Lisäparametrien käyttäytymistä tulisi
selvitettää blokeissa, joissa kuvien välisiä liitospisteitä on kuvittain
pikemminkin satoja kuin kymmeniä.
- Julkaisuja
- Jaakkola J.,
Sarjakoski T., Experimental Test on Digital Aerial Triangulation, Application
of Digital Photogrammetric Workstations, OEEPE, Official Publications No
33, IfAG, Frankfurt am Main 1996.

Forssa. Blokki ja sen lähtöpisteet sekä uudet pisteet. (Jaakkola et al.,
1996)

Forssa, painoyksikön keskivirheet tasoituksen jälkeen. (Jaakkola et al.,
1996)

Forssa, kolmiointipisteiden jäännösvirheet XYZ-koordinaateissa, kun
digitoinnin pikselikoko oli 15 µm. (Jaakkola et al., 1996)

Forssa, kolmiointipisteiden jäännösvirheet XYZ-koordinaateissa, kun
digitoinnin pikselikoko oli 30 µm. (Jaakkola et al., 1996)
·
Remarks from OEEPE/ISPRS-test Performance of tie-point
extraction in automatic aerial triangulation
o
All the commercial and many of the empirical systems
were able to give good results.
o
Good quality by using
§
high redundancy,
§
good connections within and between the strips,
§
good tie point geometry and
§
robust block adjustment.
§
When these conditions are met, no remarkable
differences in the quality results of different systems seem to exist.
o
Poor quality when using
§
a small number of tie points (<50) or
§
loose connections between the strips.
o
Accuracy
§
Pixel size 20-30 mm
·
Good conditions: s0 was 3-4 mm
·
Difficult conditions: s0 was 4-9 mm
o
Problems
§
In mountainous and forested terrain (some systems)
§
Sensitivity to initial values of exterior orientation
and terrain (some systems)
§
Sensitivity to parameter settings
o Julkaisuja
§
Christian
Heipke, 1999. Automatic aerial triangulation: results of the OEEPE-ISPRS
test and current developments, Photogrammetric Week '99, Wichmann, p. 177-191.
§
Christian Heipke, K. Eder, 1998. Performance of
tie-point extraction in automatic aerial triangulation. OEEPE Official
Publication 35. ISBN 3-88648-075-5

OEEPE:n koetyön tuloksia. Blokki
Montserrat. Blokki oli kooltaan 3 x 3 kuvaa, kuvamittakaava on 1:15'000 ja
kuvat on digitoitu 30 µm pikselikoolla. Blokkitasoituksen jälkeen verrattiin
XYZ-koordinaatteja testipisteissä. Suureella
kuvataan tässä testipisteiden
jäännösvirheitä kuvalla, RMS-arvoilla eroja koordinaateissa. (Heipke,
1999)
- Maanmittauslaitos : LH Systems Socet Set and
Orima
- Block setup with
GPS/IMU data
- Automatic point
measurement
- image correlation
- twice -> maximize
six ray points
- Interactive point
measurement
- ground control
points, water points
- blunders in APM
- Final block
adjustment in Orima
- optimized for
aerial photography
- GPS/IMU-integration
- additional
parameters
- quality control
- ASPRS, Manual of
Photogrammetry, Fifth Edition, 2004. Chapter 12: Automation and Digital
Photogrammetric Workstations p. 949-981.
- Friedrich Ackermann,
1996. Some
Considerations about Automatic Digital Aerial Triangulation,Application
of Digital Photogrammetric Workstations, OEEPE, Official Publications No
33, IfAG, Frankfurt am Main 1996.
- Christian Heipke,
1999. Automatic
aerial triangulation: results of the OEEPE-ISPRS test and current
developments, in: Photogrammetric Week '99, Wichmann, p. 177-191.
- Christian Heipke, K.
Eder, 1998. Performance of tie-point extraction in automatic aerial
triangulation. OEEPE Official Publication 35. ISBN 3-88648-075-5
- Eija Honkavaara, 2000.
Automatic tie point measurement: On properties of tie points,
measurement methods and quality issues, Licentiate's Thesis, HUT, Espoo
2000
- Jaakkola J.,
Sarjakoski T., Experimental Test on Digital Aerial Triangulation,
Application of Digital Photogrammetric Workstations, OEEPE, Official
Publications No 33, IfAG, Frankfurt am Main 1996.
- Vesa Roivas, 1998. Automaattinen ilmakolmiointi Maa-57.270 Fotogrammetrian,
kuvatulkinnan ja kaukokartoituksen seminaari, Espoo 1998
- Mostafa Madani, 2001. Importance
of Digital Photogrammetry for a complete GIS. 5th Global Spatial Data
Infrastructure Conference, Cartagena, Columbia May 21-25, 2001 http://codazzi4.igac.gov.co/gsdi5/documentos/M_Madani.pdf
- Yandong Wang, Mostafa Madani, 2004.
Automatic Detection of Shadow Points in Digital Images for Automatic Triangulation.
In: Internation Archives of Photogrammetry, Remote Sensing and Spatial
Information Sciences. Vol XXXV, Part B3. http://www.isprs.org/istanbul2004/comm3/papers/247.pdf
- Tsingas, V., 1992.
Automatisierung der Punktübertragung in der Aerotriangulation durch
mehrfache digitale Zuordnung, DGK, Reihe C, Heft 392, München 1992.
Maa-57.220 Fotogrammetrinen kartoitus