WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

• Геопривязка (позволяет привязать каждый скан или все измерения в заданную систему координат.) При этом виде сшивки необходимо параллельное выполнение измерений с помощью более высокоточных приборов (например, электронного тахеометра). Такой вид сшивки сильно увеличивает время сканирования в полевых условиях.

Сшивка по специальным плоским маркам-отражателям дает большую точность сшивки, а также уменьшает время камеральных работ. При совместном сшивании воздушного и наземного лазерного сканирования возможно использовать сшивку по характерным точкам (в этом случае точность привязки отдельных 3d-объектов падает до точности лазерного сканирования), а также геопривязку (в этом случае точность позиционирования сравнима с точностью наземной лазерной локации).

Фильтрация. Как говорилось выше, облако точек, полученное с помощью лазерного сканера, содержит довольно большое количество избыточной или ошибочной информации (см. рис. 1). К сожалению, ни одна из существующих в данный момент программ, поставляемых со сканером, не позволяет оптимизировать эти данные в автоматическом режиме.

Рис. 1. Пример исходного облака точек с шумовой составляющей.

Для частичного решения этой проблемы автором предложен программный модуль по оптимизации облака точек. Программный модуль написан на языке Delphi. Данная программа позволяет:

  • убирать точки, попавшие на перекрытия сканов по завершении процедуры сшивки облака точек. Другими словами, понижает плотность, убирая повторные точки в облаке;
  • убирать шумовые «вылетевшие» точки путем вычисления превышения точек (например, при сканировании с точностью 5 см убираются все точки, в радиусе 5,5 см от которых отсутствуют другие точки лазерной локации);
  • прореживать точки, принадлежащие одному плоскостному объекту (стена, потолок и т. д.).

В результате (при различных вариантах работы программы) убирается от 5 до 30% точек, что существенно снижает ресурсы, требуемые для обработки данного облака точек в дальнейшем. Облако точек по завершении процедуры прореживания изображено на рисунке 2.

Рис. 2. Пример прореженного облака точек.

Текст программного модуля прореживания облака точек приведен в приложении 3 к кандидатской диссертации. Следует отметить, что при совместном использовании наземного и воздушного лазерного сканирования процедуру прореживания облака точек целесообразно проводить отдельно для каждой сканирующей системы и только потом сшивать данные в единое облако точек.

Процедура классификации точек имеет важное значение в векторизации, т. к. она позволяет значительно экономить время обработки данных. Первоначально данные лазерного сканирования находятся в неклассифицированном состоянии. Целесообразно проводить классификацию облака точек в 2 основных этапа:

  • Выделение точек земли.
  • Классификация других объектов (растительность, дороги, ЛЭП и т. д.).

Первым шагом при выполнении задачи классификации точек лазерной локации является сегментация всего облака на множество прямых. Две точки рассматриваются как принадлежащие к профилю земли, если между соседними сегментами нет острых углов (обычно более 50 градусов), а также под этими сегментами отсутствуют смежные сегменты. Такое определение профиля земли позволяет вылавливать резкие изменения по поверхности (перепады высот) между соединенными точками и смежными с ними линиями. Исходя из выше изложенного, мосты, кусты дороги и т. д. могут быть классифицированы как поверхность земли, если перепад высоты будет укладываться в погрешность сканирующей системы. Таким образом, работу алгоритма можно увидеть на рисунке 4.

Jiang и Bunke (1994) впервые описали алгоритм сегментации точек по линии сканирования. Их алгоритм предлагал рассматривать каждую линию сканирования по отдельности. Данные расстояний между точками сегментируются таким образом, чтобы превышения между пикселями одного сегмента описывались линейной функцией. Когда все отрезки сегментированы, сегменты группируют по линиям, опираясь на критерии приближения (критерии были подобраны экспериментальным путем для каждого типа поверхностей, обычно изменяются от 0.5 до 1). Алгоритмы определения поверхности в первую очередь выбирают начальную поверхность с помощью определения превышения точек, отстоящих на некотором расстоянии от определяемой точки, и определения, может ли она аппроксимироваться на поверхность земли. Таким образом отсеиваются точки, находящиеся даже на небольшом расстоянии от поверхности земли по перпендикуляру.

Рис. 3. Пример сегментов, относящихся к различным объектам.

Предложенная в 1994 году методика хорошо справлялась на классификации простых объектов (например, отделение мостов, строений), но существовали случаи ошибок на более сложных участках (отделение кустов и т. д.) См. рис. 4 (а). В 1996 году другая группа ученых попробовала усовершенствовать данный алгоритм путем использования точек на параллельных линиях сканирования (см. рис. 4 (b)).

Рис 4. Ландшафт (а). Сегментирование облака точек в различных направлениях для получения профилей местности (в). Перекрытие профилей для получения рассоединенных графов (с).

Сегментация профилей проводится следующим образом:

  • Соединяются все точки профилирующими линиями (рис. 5(а)).
  • Из профилей убираются точки с превышением на много выше окружающих (рис. 5 (b)).

Рис. 5. Пример автоматической классификации точек методом линейного вычисления превышений.

Превышение точки (W) можно рассчитать на компьютере используя следующую формулу:

В данном случае и являются профильными координатами оконечных точек I и J на отрезке. Параметр К(>1) задается пользователем и является шкалой функции приближения координат X и Z на заданном отрезке.

Как мы видим на рисунке 5 (b), в таком алгоритме существуют ошибки при определении точек земли. Автором предложена модифицированная методика классификации точек, позволяющая сократить количество таких ошибок в несколько раз. Данная методика будет рассматривать отрезки между точками во всех направлениях, создавая таким образом перекрытия – рассоединенные графы (см. рис. 4 (c)). При таком методе классификации нет необходимости в параметре (К).

Контроль классификации. По завершении автоматической классификации точек земли целесообразно провести визуальный контроль. Для этого производится построение TIN-модели и раскраска ее по высоте. В таком случае даже небольшие отклонения модели в связи с неправильной классификацией заметны при просмотре. После чего производится переклассификация отдельных точек (при необходимости).

Рассмотрим более подробно алгоритмы автоматической классификации зданий, кустов и деревьев. По завершении процедуры классификации точек земли данные точки заменяются на ЦМР. Это упрощает процесс вычисления превышений точек над поверхностью земли и сокращает количество точек, рассматриваемых компьютером. В первую очередь отфильтровываются незначительные с точки зрения картографирования точки – это точки, превышение которых не более 40 см над поверхностью земли. Как правило, это точки травы, мусора и т. д. Примем за основу, что интересующие нас строения и деревья имеют высоту более 2-х метров. Все точки, лежащие ниже данной высоты, на время убираются из рассматриваемого облака точек, что позволяет значительно сократить временные затраты по классификации.

Проведенные исследования показали, что линейные превышения точек, попавших на деревья, изменяются на всем промежутке сегментального фрагмента. В то время как превышение точек, относящихся к строениям, можно описать линейными выражениями.

TIN-модель поверхности может быть передана в ГИС уже на этом этапе. Точки растительности заменяются на заранее подобранные 3d-модели со сравнимыми параметрами (высота, площадь, тип растений) и передаются в ГИС. Строения и сооружения подвергаются процедуре векторизации.

3d-векторизация объектов и строений на данный момент времени выполняется вручную, что занимает довольно большое количество времени. Перед обработкой облако точек, относящееся к объекту, делится на части: стены, пол, потолок и более сложные конструкции (например, барельефы), передается в таком виде в программу 3d Studio Max, где заново обрисовывается по контурам (векторизуется) и сшивается в одну модель. Точное соответствие элементов системе координат позволяет получить точное расположение объектов. В результате получаем «остов», который в большинстве случаев будет выглядеть как набор плоскостей и линий. В таком варианте непосвященному человеку все еще довольно сложно разобраться, что к чему (см. рис. 6).

Рис. 6. Остов комнаты, содержит только плоскости и основные линии перегиба.

В связи с чем далее выполняется визуализация. Для этого на данный остов «натягиваются» необходимые текстуры. Текстуры изготавливаются с помощью цифрового фотоаппарата и программного продукта Photoshop (или любого другого графического редактора).

Следует отметить, что в данной методике текстуры изготавливаются на каждый фрагмент отдельно, что позволяет передать фотореалистичность с максимальной точностью и не дает искажений текстур при их монтаже на остов.

Если до этого момента данные находились в местной системе координат, то до интеграции модели в ГИС необходимо провести ее пересчет в систему координат ГИС (обычно в картографическую). Это можно сделать двумя способами:

  1. с помощью сопоставления опорных точек на плане местности в ГИС опорным точкам на модели;
  2. с помощью ручного назначения координат опорных точек на модели (обычно координаты получают посредством GPS-приемников или тахеометра).

Немаловажной деталью процедуры векторизации является контроль точности получаемой модели. Для контроля выполняются следующие действия:

  • в ходе векторизации точечной модели исполнителем производится текущий контроль соответствия опорных точек «скелета» модели реальным измерениям;
  • по завершении векторизации точечной модели выполняется выборочный контроль другим исполнителем;
  • для окончательного контроля точности созданной модели проводится процедура выборочного сравнения полученной цифровой модели с результатами контрольных измерений на объекте.

Конвертация. В ходе выполнения анализа форматов данных были выбраны наиболее удобные форматы, а результаты их исследования составлены в таблицу 1. Кроме того, была предложена и опробована схема конвертации данных в рамках разработанного метода векторизации облака точек (см. схему 1).

Автором было проведено исследование разработанных алгоритмов классификации облаков точек и сопоставление с тремя уже используемыми в промышленном применении алгоритмами. Алгоритм автоматической классификации точек земли позволяет определить точки, относящиеся к поверхности на 98%, что значительно сокращает участие оператора в процессе классификации. Методика автоматической классификации строений и растительности позволяет определять растительность со средней точностью 96%, а строения с относительной точностью 80%. Следует отметить, что алгоритм автоматической классификации точек растительности значительно превышает по точности результат используемых в настоящее время методик. Что относится к определению строений, надо признать, точность определения оставляет желать лучшего и алгоритм следует доработать т. к. он значительно отстает от используемых в настоящее время алгоритмов.

Схема 1. Перенос данных между ПО для работы с трёхмерной графикой.


Стандарт

Максимальное

кол-во полигонов в модели

Возможность передачи по низкоскоростным каналам (Internet)

Соответствие модели реальному объекту

Скорость загрузки модели, сек

Поддерживается ПО

Проблемы, возникающие при конвертации разработанным конвертором

VRML 2.0

200 000

Есть

Визуальное

+ метрическое в опорных точках

10

Internet-браузер

3DsMax

CAD-системы

Leica Cyclone

GisStation

Не выявлено

3ds

Неограниченно

Нет

Визуальное и метрическое

30

GisStation

3DsMax

CAD-системы

Не выявлено

Dxf

20 000

Есть

Метрическое, визуальное без текстур

20

GisStation

3DsMax

CAD-системы

3d GIS приложения

Смещение в координатной сетке, изменение масштаба

Msh

Неограниченно

Нет

Возможны появления «лишних» поверхностей

60

GisStation

3DsMax

Появление «лишних» поверхностей

dwg

20 000

нет

Визуальное и метрическое

20

GisStation

3DsMax

CAD-системы

3d GIS приложения

Ошибки, носящие периодический характер…..

Таблица 6. Результаты исследования конвертации и форматов данных.

Заключение

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»