ORTOKUVAMOSAIIKKEJA VIDEOILMAKUVILTA


1 JOHDANTO

Videokuvauksen käyttö on tehokas tapa saada dataa maastosta kartoitus- ja ympäristön seurantasovelluksiin. Nämä tehtävät voivat liittyä esimerkiksi metsävarojen inventointiin, maankäytön suunnitteluun tai peruskartan tekoon [Holm 1995b].

Ennen kuin dataa voidaan käyttää tehokkaasti, satoja tai tuhansia kuvia yhdistetään yhdeksi kuvaksi, kuvamosaiikiksi. Mahdollisimman tarkan kuvamosaiikin saamiseksi on poistettava maaston korkeuseroista aiheutuva mittakaavaero kuvan eri osien välillä ja tehtävä videoilmakuvista ortokuvamosaiikki.

Valtion teknillisessä tutkimuskeskuksessa (VTT) on kehitetty sekä puoliautomaattisia että automaattisia kuvien yhteensovitukseen perustuvia menetelmiä, joilla satoja tai tuhansia videokuvia yhdistetään isoiksi kuvamosaiikeiksi. Molemmissa on sama tiedon keruu osa (1), mutta itse mosaikointi (2) tehdään toisessa menetelmässä puoliautomaattisesti ja toisessa automaattisesti:

1. Videokuvien digitointi lentokoneessa. Kuviin talletetaan samalla likimääräiset maastokoordinaatit.

2. Ortokuvamosaiikin laskenta.


2 VIDEOILMAKUVAUS

Lentokoneeseen tai helikopteriin asetettu videokamera, joka on suunnattu suoraan alaspäin, tallentaa jatkuvaa analogista kuvaa (signaalia) maastosta. Videosignaali muunnetaan digitaaliseksi kuvaksi digitointikortilla joko 1) jo lennon aikana suoraan kovalevylle tai 2) vasta myöhemmin valitsemalla sopivat kuvat nauhalta. Tässä esityksessä käsitellään vain ensimmäistä tapausta.

2.1 Videokuvien digitointi lentokoneessa

Videokuvien digitointi lennon aikana suoritetaan PC:llä, johon SVHS videokamera on yhdistetty. Mikrotietokone digitoi säännöllisin välein videokuvia ja tallentaa ne 24-bittisinä värikuvina tietokoneen kovalevylle TIFF-formaatissa [Holm 1995b]. Tietokoneen digitoidessa kuvia pieni kannettava tietokone kerää navigointi- ja paikanmääritystietoja käyttäen tosiaikaista differentiaalista GPS:ää (Realtime Differential Global Position System, RDGPS). Kannettava tietokone on varustettu DGPS-kortilla ja RDS-vastaanottimella (Radio Data System). Differentiaalikorjattujen RDGPS-koordinaattien tarkkuus on 2-5 metriä. Lisäksi kannettava tietokone näyttää suunnitellun ja todellisen lentoreitin graafisesti näytöllä sekä numeerisena poikkeaman lentoreitistä. Lentäjä voi seurata lentokorkeutta ja -nopeutta maahan nähden ja uusia tarvittaessa epäonnistuneet linjat.

Digitointi-PC on yhdistetty kannettavan tietokoneen RDGPS-korttiin. Lentokoneen sijainnin koordinaatit - muutaman viimeisen sekunnin aikana ennen digitointia - tallennetaan vastaavan ajan kanssa jokaisen kuvatiedoston otsikkotietoihin. Käyttämällä näitä kuviin liitettyjä tietoja kameran paikka kuvanottohetkellä voidaan arvioida 3-7 metrin tarkkuudella. Koneen paikan koordinaatteja käytetään alkuarvoina globaalissa yhteensovituksessa, jossa lasketaan tarkemmat koordinaatit. [Holm et al. 1996, Holm 1995a, Holm et al.1997]

2.2 Videoilmakuvauksen etuja ja haittoja

Videokamera on yleensä valoherkkä ja toimii myös hämärässä tai pilvisissä olosuhteissa kun lennetään pilvien alapuolella. Videokuvat saadaan helposti ja nopeasti digitaaliseen muotoon ja siten heti tietokonepohjaiseen jatkokäsittelyyn. [Holm 1995b] Lisäksi videokuvaus on joustavaa ja sillä on enimmäkseen parempi spatiaalinen resoluutio kuin satelliittikuvauksessa [Holm 1995a, Holm et al. 1997].

Kuitenkin videokuvauksen haittoja on yksittäisten kuvien pieni kuva-alkioiden lukumäärä, jolloin tarvitaan suuri määrä kuvia kattamaan sama alue samassa mittakaavassa kuin esim. tavallinen ilmavalokuva [Chapman & Jones 1996]. Siksi yksittäisiä kuvia ei voida käyttää tehokkaasti, vaan sadat tai tuhannet videokuvat on pystyttävä yhdistämään yhdeksi tai useammaksi kuvaksi eli kuvamosaiikiksi. Mahdollisimman tarkan kuvamosaiikin saamiseksi on otettava huomioon maaston korkeusvaihtelut ja tehtävä videoilmakuvista ortokuvamosaiikki. Ortokuvan teossa tarvitaan alueen korkeusmalli, joka tarpeen vaatiessa on tehtävä itse. [Holm 1995b]


3 AUTOMAATTINEN ORTOKUVIEN JA KORKEUSMALLIN LASKENTA

Ortokuvien laskennassa tarvitaan korkeusmallia. Korkeusmalli voidaan laskea automaattisesti digitaalisilta kuvilta, jos on tieto kuvien välisistä vastinpisteistä.

Kuvien vastinpisteet voidaan etsiä automaattisesti käyttäen kuvien y hteensovitusta. Aluepohjaiset ja piirrepohjaiset yhteensovitusmenetelmät eivät toimi hyvin tekstuurittomilla alueilla, eivätkä ne osaa käsitellä kohteen epäjatkuvuuskohtia. Nämä ovat suuria heikkouksia, jos halutaan digitoida kolmiulotteisen kohteen pinta ts. mitata kohteen korkeusmalli. [Holm 1995b]

Kuvien globaali yhteensovitus eli kohteen globaali rekonstruointi eroaa puhtaista aluepohjaisista ja piirrepohjaisista menetelmistä siinä, että yhteensovitus tehdään globaalisti eikä pelkästään pienissä ikkunoissa tai piirteiden ympäristössä. Kun naapurusto tulee ottaa huomioon, on myös mahdollista selviytyä lokaalisti tekstuurittomista alueista ja jossain määrin myös epäjatkuvuuskohdista. Lisäksi globaali yhteensovitus tehdään malli- eli kohdeavaruudessa eikä kuva-avaruudessa. [Holm 1995b]

Globaali kohdepohjainen monenkuvan yhteensovitus yhdistää aluepohjaisen monenkuvan yhteensovituksen, pistemittauksen, kohteen pinnan rekonstruoinnin ja ortokuvien tuottamisen yhteen ja samaan prosessiin, josta saadaan tuloksena kuvamosaiikki ja digitaalinen korkeusmalli (Digital Terrain Model, DTM / Digital Elevation Model, DEM).

Pinnan approksimaation geometriset ja radiometriset parametrit (digitaalisen maastomallin korkeudet, kuvien orientointiparametrit ja kohteen pisteiden kirkkausarvot) ovat tuntemattomat muuttujat. Ne estimoidaan suoraan pikselien harmaasävyarvoista ja kontrollitiedoista epälineaarisessa pienimmän neliösumman sovituksessa. Useita kuvia voidaan käsitellä samanaikaisesti.

3.1 Globaali rekonstruointi

Nimi globaali rekonstruointi on saanut alkuperänsä siitä, että stereokuvaukseen ja yksittäisen kuvan muodostamiseen vaikuttavia osia voitaisiin käsitellä samassa prosessissa. Tärkeimpänä esimerkkinä menetelmän nykytasosta on kohteen geometrian ja ortokuvan laskennan yhdistäminen yhdeksi prosessiksi. [Pirhonen & Holm 1993]

Globaalin rekonstruoinnin perusideana on mallintaa kaikki kuvan pikselien intensiteetteihin vaikuttavat tekijät (kohteen geometria ja asema, pinnan heijastusominaisuudet, valonlähteen sijainti ja laatu sekä katselupisteen paikka ja katselusuunta) ja muodostaa niistä universaali malli. Koska yhteensovitus tehdään kolmiulotteisessa kohdeavaruudessa ja kaikkien kuvien pikselien intensiteetteihin vaikuttavat tekijät pyritään ottamaan mukaan, voidaan kuvien yhteensovituksen sijasta puhua kohteen rekonstruoinnista. [Holm 1995b]

Jotta kohteen rekonstruointi onnistuisi, kohdetilaan määritetään (ainakin) kaksi mallia (ks. kuva 2). Toinen on kohteen intensiteettifunktio. Sen yksiköt kohteessa vastaavat yleensä suunnilleen kuvan pikseleitä maastossa. Tämä vastaa ortokuvaa. Toinen on kohteen geometriaa kuvaava funktio, jonka yksikkö on paljon suurempi. Geometrinen malli voi olla esim. s plinipinta tai ruutumalli, joka vastaa kohteen korkeusmallia. [Holm 1995b]

Käytännössä ongelma ratkaistaan iteratiivisesti epälineaarisella pienimmän neliösumman (PNS) tasoituksella siten, että havaintoina ovat kuvien intensiteettiarvot g(x,y) sekä mahdollinen tukitieto ja ratkaistavina tuntemattomina on yksi tai useampi em. intensiteetteihin vaikuttavista tekijöistä [Holm 1995b]: korkeusmallin korkeudet Zk,l, kuvan ulkoisen orientoinnin parametrit p, kohteen pinnan elementtien intensiteetit G(X,Y) ja radiometrisen muunnoksen T parametrit. Havaintoyhtälöt voivat olla muotoa: missä [Holm 1994, Holm 1995a, Holm et al. 1996, Holm & Rautakorpi 1997, Holm 1995b]

Kaikki mallin tunnetut tekijät, kuten kameran sisäisen ja ulkoisen orientoinnin parametrit, voidaan kiinnittää. Menetelmä vaatii erittäin paljon laskentaa ja siksi se toteutetaankin rinnakkaislaskennan avulla. [Holm 1995b]

3.1.1 Rinnakkaislaskentaympäristö ja GLORE-projekti

GLORE-järjestelmän ensimmäinen osa koostuu kuvauslennosta ja kuvien digitoinnista lentokoneessa. Tämän jälkeen digitaaliset kuvat ladataan digitointi PC:ltä UNIX-työasemaan, joka on isäntäkoneena rinnakkaislaskennassa. Järjestelmä luo automaattisesti suuren ortokuvamosaiikin ja digitaalisen maastomallin.

Euroopan Unionin ESPRIT-III projektissa GLORE (GLobal Object REconstruction) on tarkoitus esittää globaalin rekonstruoinnin mahdollisuutta luoda automaattisesti korkeusmalli ja suuria ortokuvamosaiikkeja tuhansista digitoiduista videoilmakuvista sekä kehittää tämän toteuttavaa järjestelmää, joka koostuu rinnakkaislaskennan laitteistosta ja -ohjelmistosta.

Järjestelmässä globaali rekonstruointi toteutetaan siten, että käsiteltävä alue jaetaan osiin. Osa-alueiden ja prosessoreiden lukumäärästä riippuen osa-alueet käsitellään joko kokonaan rinnakkaisesti tai osittain myös peräkkäisesti. Prosessorit ratkaisevat alueeseen liittyvät pienimmän neliösumman menetelmän normaaliyhtälöt käyttäen rinnakkaista Choleskyn blokkihajotelmaa. [Holm 1995b] Lopussa tulokseksi saatavat korkeusmallit ja ortokuvamosaiikit voidaan helposti liittää yhdeksi korkeusmalliksi ja yhdeksi ortokuvamosaiikiksi [Holm 1995a].

3.1.2 Kohteen geometrinen ja radiometrinen malli

Kohde kuvataan (X,Y,Z) -koordinaatistossa käyttämällä geometrista ja radiometrista mallia [Hannonen 1994]. Geometrinen malli koostuu säännöllisestä ruutuverkosta, josta muodostuu kohteen korkeusmalli. Korkeus Z(X,Y) mielivaltaisessa pisteessä (ruudun nurkkapisteessä) saadaan interpoloimalla naapuripisteiden korkeuksista. Radiometrisessa mallissa jokaisella vakiokokoisella kohteen pintaelementillä on tuntematon harmaasävyarvo G(X,Y). Jokaisen geometrisen mallin gridin ruudussa on n x n radiometrisen mallin pintaelementtiä [Hannonen 1994]. Jokaisen kohteen pintaelementin keskipiste P on projisoitu erikuville käyttäen kollineaarisuusyhtälöitä. Radiometrinen malli vastaa kohteen ortokuvaa XY-tasolla [Hannonen 1994].

3.1.3 Kuvapyramidit

Digitaalinen kuvan yhteensovitus perustuu pienimmän neliösumman tekniikkaan, joka rajoittuu vain muutamaan pikseliin. Alueen laajentamiseksi ja laskenta-ajan vähentämiseksi käytetään hierarkkista multiresoluutiotekniikkaa (kuvapyramidit). [Holm 1995a, Holm 1994, Holm & Rautakorpi 1997] Kuvapyramidit lasketaan alipäästösuodattamalla edellisen pyramiditason kuva ja poimimalla joka toinen rivi ja sarake uudelle pyramiditasolle [Holm 1995a, Holm 1994]. Alkuperäiset kuvat ovat pyramidin alimpana tasona.

3.1.4 Esimerkki

Globaali yhteensovitus aloitetaan kuvapyramidin ylimmältä tasolta. Siltä lasketaan ensimmäinen ratkaisu, joka annetaan likiarvoksi seuraavalle tasolle. Multiresoluutiotekniikka laajentaa konvergointialuetta eli vähentää ensimmäisten likiarvojen tarkkuusvaatimuksia. Koska alueen geometriaa ei tunneta, annetaan korkeusmallin lähtöarvoksi vaakasuora taso, jonka korkeudeksi annetaan likimääräinen keskiarvokorkeus kartalta. [Pirhonen & Holm 1993] Globaalin yhteensovituksen kulku selviää kuvasta 4. Ylhäällä vasemmalla on likiarvona käytetty taso ja sen vieressä ero vertailukorkeusmalliin. Seuraava korkeusmalli on globaalin yhteensovituksen tulos neljännen pyramiditason jälkeen. Tätä tulosta käytetään lähtöarvokorkeusmallin laskentaan tasolle kolme. Korkeuspisteiden väliin interpoloidaan uusia pisteitä siten, että pisteiden väli puolittuu. Lopullinen korkeusmalli ja erotus vertailukorkeusmalliin näkyvät alhaalla oikealla. [Holm 1995b, Pirhonen & Holm 1993]

Lopullisen korkeusmallin ja vertailukorkeusmallin korkeuspisteiden erojen keskiarvo on 1 cm ja erojen hajonta 33 cm eli globaali yhteensovitus onnistui hyvin. Menetelmä toimii hyvin myös silloin kun kohteessa on taiteviivoja kuten ojia. Eri lähtökuvista sen hetkisen korkeusmallin avulla laskettujen ortokuvien erotuskuvaa apuna käyttäen nämä taiteviivat on myös mahdollista paikallistaa. Taiteviivojen mallintaminen yhteensovituksen yhteydessä parantaisi yhteensovitustulosta entisestään. [Holm 1995b, Pirhonen & Holm 1993]


4 PUOLIAUTOMAATTINEN PC-POHJAINEN MOSAIIKIN TUOTTAMINEN

PC-pohjaisessa järjestelmässä mosaiikki tehdään puoliautomaattisesti eli perinteisin menetelmin. Tähän kuuluu liitospisteiden kuvakoordinaattien mittaus sekä normaali blokkitasoitus. (Holm 24.4.98)

Blokkitasoituksen suorittamista varten estimoidaan ensin kameran kalibrointiparametrit (sisäinen orientointi). Sen jälkeen kuvien väliset liitospisteet mitataan puoliautomaattisesti käyttäen kuvakorrelaatiota. Liitospisteet osoitetaan vain yhdeltä kuvalta, minkä jälkeen ohjelma etsii vastinpisteet muilta näytössä olevilta kuvilta (näytöllä on neljä kuvaa samanaikaisesti) (Holm 24.4.98). Samalla maastokoordinaateiltaan tunnetut pisteet (maastokontrollipisteet) valitaan ja osoitetaan manuaalisesti sekä mitataan niiden kuvakoordinaatit. Jos kuvien likimääräiset paikat tunnetaan, näitä maastopisteitä tarvitaan vain vähän, tai ei ollenkaan. Lopulta kuvien blokkitasoitus ja mosaiikin tekeminen suoritetaan automaattisesti. Jos DTM on saatavilla, korkeudenvaihtelun aiheuttamat virheet voidaan korjata, ja saadaan luotua ortokuvamosaiikki. [Holm et al. 1997]

4.1 Blokkitasoitus

Blokkitasoitus on iteratiivinen matemaattinen prosessi. Geometrisesti matemaattinen malli esittää tilaa, jossa kohdeavaruuden piste, kameran perspektiivikeskus ja pisteen projektio kuvatasossa ovat samalla suoralla. [Holm et al. 1997]

Tasoituksessa kuvat käsitellään yhtenä laajana kuvablokkina ratkaisemalla suuri joukko havaintoyhtälöitä. Sen tuloksena saadaan kameran tarkat sijainnit ja kierrot maastokoordinaatistossa (kuvien orientoinnit ja perspektiivikeskuksien paikat) kuvanottohetkellä. Näitä tietoja käytetään kuvien oikaisussa maastokoordinaatistoon ja kuvamosaiikin tuottamiseen. [Holm et al. 1997]

4.2 Kuvamosaiikin luominen

Blokkitasoituksen jälkeen luodaan kuvamosaiikki. Jokainen kuva oikaistaan maastokoordinaatistoon käyttämällä kuvien kiertoja ja vastaavien perspektiivikeskusten paikkoja. Kuvien peiton vuoksi on useampia kuvapikseleitä, jotka peittävät tietyn mosaiikin pikselin. Sen intensiteettiarvon määrittämiseen on useita vaihtoehtoja, esimerkiksi [Holm et al. 1997]

Tässä vaiheessa kuvamosaiikissa on vielä maaston korkeudenvaihteluista johtuvaa virhettä. Käyttämällä digitaalista korkeusmallia voidaan maastovirhettä pienentää prosessissa. Jokaiselle pikselille interpoloidaan vähennys korkeusmallista ja lasketaan vastaava siirto pikselin paikkaan. Tuloksena saadaan ortokuvamosaiikki.

Kuvassa 5 on mustavalkoinen kopio värivideokuvista luodusta mosaiikista 1,2 x 1,2 km2 kokoiselta testialueelta Kirkkonummelta (v. 1995-96).

4.3 Videomosaiikin tarkkuudesta

Perusmosaiikki luodaan käyttäen ainoastaan lennon GPS-havaintoja blokkitasoituksessa. Tarkkuus tässä tapauksessa on keskimäärin 5 metriä ja maksimissaan 10-15 metriä kasvaen mosaiikin reunoja kohti. [Holm et al. 1997]

Jos käytetään tarkkoja karttoja tai GPS-maastokontrollipisteitä, mosaiikin tarkkuutta voidaan parantaa merkittävästi. Neljä, viisi pistettä jokaista blokkia kohden voi parantaa tarkkuutta viidestä metristä 1-2 metriin pisteiden läheisyydessä ja noin 5 metriin pisteiden välissä. Tarkkuutta voidaan edelleen parantaa käyttämällä digitaalista korkeusmallia mosaiikin teossa. [Holm et al. 1997]


5 YHTEENVETO

Satoja ja tuhansia videokuvia voidaan yhdistää isoiksi ortokuvamosaiikeiksi käyttämällä puoliautomaattisia (PC-pohjainen -versio) tai automaattisia (globaali rekonstruointi -versio) kuvien yhteensovitukseen perustuvia menetelmiä. Molemmat versiot koostuvat kahdesta osasta, joista ensimmäinen on molemmilla sama.

Ensimmäisessä osassa videokuvat kuvataan ja digitoidaan lentokoneessa. Samalla talletetaan DGPS-koordinaatit, joita käytetään navigointiin ja kuvien paikkojen likiarvojen laskemiseen. Toisessa osassa tehdään ortokuvamosaiikki joko puoliautomaattisesti, perinteiseen blokkitasoitukseen pohjautuen ja käyttämällä apuna digitaalista korkeusmallia, tai automaattisesti käyttäen globaalia yhteensovitusta eli globaalia rekonstruointia, jossa ohjelmisto laskee samalla alueen korkeusmallin.

Ortokuva ja korkeusmalli yhdessä muodostavat "3D-videomosaiikin", jota voidaan käyttää esimerkiksi visuaalisessa tai automaattisessa kuvatulkinnassa tai alueen läpilentosimuloinnissa.


LÄHTEET

[Chapman & Jones 1996] [Hannonen 1994] [Holm 1994] [Holm 1995a] [Holm 1995b] [Holm et al. 1996] [Holm & Rautakorpi 1997] [Holm et al. 1997] [Pirhonen & Holm 1993]

Takaisin sisällykseen

Seminaariesitelmät sivulle
Kurssin kotisivulle
Fotogrammetrian ja kaukokartoituksen laboratorion kotisivulle