1. JOHDANTO
Tarve kolmiulotteisten rakennusten irroittamiselle
kaksiulotteisilta kuvilta on jatkuvasti kasvamassa. Tällaista dataa tarvitaan
muun muassa 3D-kaupunkimalleissa sekä virtuaalitodellisuus- ja 3D-GIS
-sovelluksissa. Käyttäjäryhmiä on
lukuisia: arkkitehdit, ympäristösuunnittelijat, telekommunikaatioyhtiöt jne.
Datan määrä on kuitenkin suuri ja sen kerääminen on perinteisin menetelmin kallista. Tämä pakottaa automaation
käyttömahdollisuuksien etsimiseen.
Tehtävän kompleksisuuden vuoksi täysin
automaattinen rakennusten irroitus ei ole vielä mahdollista. Viime vuosina on
keskitytty lähinnä semiautomaattisen lähestymistavan tutkimukseen.
Automaation integroiminen mittausprosessiin
voidaan tehdä usealla eri tavalla. Tässä keskitytään lähestymistapaan, jota on käytetty inJECT-ohjelmassa, joka on
kehitetty Inphossa yhteistyössä Bonnin yliopiston kanssa (Fotogrammetrinen
instituutti) [Gülch E.,2001]. Vertailua muihin menetelmiin on esitetty artikkelissa
[Gülch, E, Müller, H., Läbe, T., 1999].
Semiautomaattisessa prosessissa automaattiset
työkalut auttavat operaattoria. Mittaukset tehdään vain yhdeltä kuvalta.
Puuttuva 3D-informaatio saadaan muilta kuvilta automaattisesti.
Tässä artikkelissa esitellään ensin lähtötiedot,
jotka vaaditaan 3D rakennusten piirreirroituksessa (Kappale 2). Kappaleessa 3 kuvataan mittausprosessin
kulku pääpiirteissään. Kappleessa 4 esitellään piirreirroituksen työkalut:
datastruktuurit ja automaattiset menetelmät. Lopuksi kerrotaan prosessin
tuloksista ja visualisoinnista (Kappale 5).
2. LÄHTÖTIEDOT
Perusajatuksena on hakea rakennusten geometrinen
informaatio sensoridatasta.
Tiedon lähteenä käytetään sensoridataa eli yhtä tai useampaa samasta näkymästä otettua ilmakuvaa, joiden sisäisen ja ulkoisen orientoinnin parametrit tunnetaan. Yhden kuvan tapauksessa tarvitaan myös maaston korkeustieto. Tavallisten ilmakuvien sijasta voidaan käyttää myös satelliittikuvia tai maastomallidataa (esim. LIDAR). Minkäänlaista karttadataa ei tarvita, kuten joissain muissa lähestymistavoissa.
Lisäksi tarvitaan
etukäteen määriteltyjä rakennusmalleja, joita käytetään rakennuksen muodon määrittämiseksi.
3. MITTAUSPROSESSIN KULKU
Ensimmäinen tehtävä on valita a’priori malli, joka vastaa kohteen muotoa. Tällaisia primitiivejä ovat erilaiset talotyypit, kuten laatikkomainen tasakattotalo ja harjakattotalo.
Sen jälkeen operaattori digitoi kohteen sijainnin yhdeltä kuvalta.
Seuraavaksi
sovitetaan mallin parametrit kohteen geometrian mukaiseksi. Sen sijaan, että
mitattaisiin kaikki nurkkapisteet stereoskooppisesti (perinteinen
lähestymistapa), automaatti suorittaa tämän tehtävän.
Lopuksi voidaan
suorittaa automaattinen hienosäätötasoitus, joka takaa optimaalisen
sovituiksen.
Mikäli automaatti
epäonnistuu, operaattori voi suorittaa mittauksen manuaalisesti. Näin voi
käydä, jos kuvan laatu (esim. kontrasti) on huono, tai kohde ei ole kunnolla
näkyvissä.
Tarkempi selostus proseduurista esimerkkeineen löytyy artikkelista [Gülch, E, Müller, H., Läbe, T., 1999].
Operaattori näkee tulokset välittömästi kaikilla kuvilla vektorimuotoisena piirroksena.
4. PIIRREIRROITUKSEN TYÖKALUT
4.1 Datastruktuurit
Sekä automaattinen että interaktiivinen
järjestelmä vaatii rakennusten sisäisen esitysmuodon kohteiden kuvaamiseksi.
Yleisimmin käytetyt kuvausmallit ovat B-rep
(Boundary Representations) ja CSG (Constructive Solid Geometry).
B-rep –mallia käytetään mm. Wienin teknillisessä
korkeakoulussa kehitetyssä ORIENT-tasoitusohjelmistossa [Rottenstainer
F., 2000]. Rakennusmallin esittäminen perustuu
geometrisiin peruselementteihin, pisteisiin, reunaviivoihin ja pintoihin sekä
niiden välisiin topologioihin.
Inphon inJECT käyttää CSG-mallia, joka perustuu parametreihin, jotka kuvastavat objektin dimensioita.
Malleja on kahdenlaisia: parametrisoidut mallit ja yleiset mallit. Yksinkertaisten talomuotojen esittämiseen riittää vain muutama parametri. Yleisistä malleista tavallisin on särmiömalli, joka sisältää kaksi vaakatasoa (lattia ja katto) ja n pystytasoa (seinää).
Näitä primitiivejä voidaan myös yhdistellä loogisilla operaatioilla, joita ovat unioni, leikkaus ja erotus. Tällöin muodostuu CGS-puita, jotka voidaan tallentaa uusiksi perusprimitiiveiksi (template). Operaattori voi luoda tällaisen yhdelmän kuvan rakennuskompleksista ja käyttää sitä myös viereiseen, samanlaiseen kohteeseen. Yksinkertaisina esimerkkeinä operaatioista mainittakoon T:n muotoinen talo (kahden laatikon unioni) ja rakennus, jossa on sisäpiha (kahden laatikon erotus).
Kuva 1. B-rep yksinkertaisesta rakennuksesta (s=pinta, e=sivu, v=piste) [Rottenstainer F., 2000].
Kuva 2. Parametrinen rakennusmalli ja loogiset CSG operaatiot kompleksisempien rakennusten
mallintamiseksi [Gülch E.,2001].
Paitsi datan tallennusmalli, myös itse ohjelma on suunniteltava
objektiorientoituneesti [Gülch, E, Müller, H., 1997]. Käytännössä käytetään C++
-ohjelmointikieltä, jonka ominaisuusia voidaan käyttää hyväksi suunnittelussa.
Rakennusmallien laajentaminen hoituu helposti luokan perinnöllisyyden avulla.
Template-määrittelyiden avulla voidaan käsitellä samoilla luokilla erityyppistä
dataa (esim. eri kuvaformaatit).
4.2 Automaatio
Täysin automaattisista tiedonkeruumenetelmistä ja niiden ongelmista on kirjoitettu artikkelissa [Förstner W., 1999]. Automaattinen rakenteiden tulkinta sisältää kolme vaihetta: kohteen tunnistuksen, mallintamisen ja rekonstruoinnin. Kohteen tunnistuksessa voidaan käyttää hyväksi esimerkiksi kuvalta löytyneitä nurkkapisteitä. Bayesin päätösteoriaa pidetään lupaavana menetelmänä kvalitatiiviseen tarkasteluun. Strukturointi on kaikkein vaikein vaihe, sillä rakennusmalleja on lukematon määrä. Rekonstruointi on sen sijaan suhteellisen helppoa blokkitasoituksella. Semanttinen tulkinta vaihtelee helposta (esim. onko pinta katto vai seinä) vaikeaan (rakennuksen käyttötarkoitus, tällöin myös kohteen ympäristö on tulkittava). Automaattinen piirreirroitus edellyttänee tomiakseen luotettavasti oppivien algoritmien ja tekoälyn käyttöä.
Automaattiset menetelmät ovat vielä tutkimusasteella. Semiautomaattisia ohjelmia sen sijaan on jo markkinoilla ja tuotantokäytössä. Tärkeimmät automatisoidut osat ovat korkeuden mittaus ja talomallin parametrien määritys.
Perusmenetelmässä käytetään katon harjapisteen ja
maapisteen sovitustyökalua ja muiden parametrien määrittämiseksi
estimointitekniikkaa [Läbe, T., Gülch E.,1998]. Operaattori antaa 1-2
rakennuksen pistettä ja yhden pisteen maanpinnan tasolta yhdeltä kuvalta.
Katto- ja maapisteen määrittämiseksi käytetään kuvan harmaasävyarvojen
ristikorrelaatiota ja hakustrategiaa, joka perustuu epipolaarisuoran käyttöön.
Muut parametrit lasketaan käyttäen irroitettuja viivasegmenttejä. Viivat on
haettu etukäteen ja talletettu koordinaattien mukaan järjestettynä
tiiliverkkona haun nopeuttamiseksi.
Sovituksessa voidaan käyttää kahta eri strategiaa:
RANSAC- (Random Sample Consensus) tai klusterointimenetelmää. Ensin mainittu
toimii varmemmin ja viimeksi mainittu on tehokkaampi, mutta toimii vain
yksinkertaisilla malleilla.
Näin on saatu tarkat likiarvot muoto- ja sijaintiparametreille
ja voidaan suorittaa lopullinen robusti PNS-tasoitus, joka parantaa edelleen
tulosta.
Absoluuttisten korkeuksien löytämiseksi käytetään
siis kuvien korrelaatiota. Jos käytettävissä on vain yksi kuva, on operaattorin
syötettävä korkeudet käsin.
Kuva 3: Esimerkki harjakattotalon irroituksesta.
Rivi 1: Operaattori mittaa kaksi harjapistettä ja maapisteen läheltä rakennusta.
Rivi 2: Harjan korkeus saadaan kuvakorrelaatiolla.
Rivi 3: Räystäsviivat määritellään sovitustekniikalla.
Rivi 4: Perustan korkeus saadaan käyttämällä korrelaatiota.
Rivi 5: Valinnainen hienosäätötasoitus parantaa vielä tulosta.
[Gülch, E, Müller, H., Läbe, T.
1999]
Särmiömallissa rakennuksen reunaviivat haetaan
sitä mukaa, kun käyttäjä niitä osoittaa.
Reunaviivojen käytössä ongelmia aiheuttavat
ylimääräiset viivat (ikkunat, tekstuuri, kasvillisuus, varjot jne.) sekä
tärkeiden viivojen katoaminen (huono kontrasti, näköesteet jne.). Sen vuoksi
menetelmän on oltava hyvin robusti.
Jos mahdollista, niin kannattaa käyttää useampaa
kuin kahta kuvaa. Redundanssin kasvaessa laskennan luotettavuus paranee, ja
systeemi voi itse analysoida tuloksen tarkkuutta. Rakennukset ovat myös
näkyvissä useammasta suunnasta. Esimerkiksi ortokuvassa vaaditaan kaikki
zeniitistä käsin näkyvät pinnat.
Mikäli halutaan saada visuaalisesti näyttäviä kuvia, voidaan myös kattojen ja seinien tekstuuri irroittaa kuvista käyttäen automaattista työkalua.
5. TULOKSET JA VISUALISOINTI
Lopputuloksena
saadaan rakennusten 3D-mallit vektorimuodossa.
Tulostus VRML-muodossa (Virtual Reality Modeling Language) mahdollistaa 3D-näkymien visualisoinnin eri suunnista sekä ylilentoanimaatiot. Haluttaessa voidaan näyttää myös pintojen tekstuurit, jolloin saadaan realistisempi vaikutelma.
Lisäksi voidaan ottaa tulosteita eri tiedostomuodoissa, jotta ne voidaan siirtää CAD-, maastomalli- ja ortokuvaohjelmiin (esim. XML ja DXF).
Kuva 4. 3D Näkymä irroitetuista rakennuksista, jotka on yhdistetty maastomalliin. .[Gülch E.,2001]
Kuva 5. Irroitettuja rakennuksia, jotka on
teksturoitu automaattisesti [Förstner W., 1999].
6. JOHTOPÄÄTÖKSET
Semiautomaattista piirreirroitusta käytetään 3D-informaation keräämiseen useilta
digitaalisilta kuvilta. Automaatiotyökalut auttavat operaattoria tietyissä vaiheissa
mittausprosessia.
Menetelmä on perinteisen stereomittaukseen
verrattuna edullinen, koska operaattorilta vaaditaan vähemmän digitointia, mikä
nopeuttaa prosessia. Lisäksi järjestelmä perustuu vain yhden kuvan mittaukseen,
joten se ei vaadi stereotyöasemaa.
Automaatio toimii parhaiten sub-urbaaneilla
alueilla, joissa rakennukset eivät ole niin monimuotoisia kuin kaupunkien
keskustoissa.
Automaation lisäämistä on vielä kehitettävä, jotta
päästäisiin suurempaan kustannusten säästöön. Samoin menetelmien tarkkuutta ja
luotettavuutta tullaan tutkimaan ja vertailemaan.
LÄHTEET
Förstner, W., 1999: 3D-City Models: Automatic
and Semiautomatic Acquisition Methods. Teoksessa: Dieter Fritsch / Rudolf
Spiller (toim.), Photogrammetric Week ’99, Wichmann, Heidelberg, pp. 291-303.
Gülch, E., 2001: New features in semi-automatic
building extraction. Teoksessa: Proceedings of ASPRS Confrence, St. Louis, USA.
Gülch, E., Müller, H., 1997: Object-oriented
software design in semiautomatic building extraction. Teoksessa: Proceedings
Integrating Photogrammetric Techniques with Scene Analysis and Machine Vision
III, SPIE Publications 3072-15, Orlando, USA
Gülch, E., Müller, H., Läbe, T., 1999:
Integration of Automatic Processes Into Semi-Automatic Building Extraction.
Teoksessa: Proceedings of ISPRS Confrence “Automatic Extraction Of GIS Objects
From Digital Imagery”, München
Läbe, T., Gülch, E., 1998: Robust Techniques for Estimating Parameters of 3D Building Primitives, Teoksessa: Proceedings of ISPRS Comission II Symposium, Cambridge, UK
Rottenstainer F., 2000: Semi-automatic building reconstruction integrated in strict bundle block adjustment. Teoksessa: Proceedings of the XIXth ISPRS Congress at Amsterdam, International Archives of Photogrammetry and Remote Sensing Volume XXXIII, Part B3, pp. 461-468, Amsterdam, Alankomaat