EH1 Apuvaline maapisteiden mittaamiseen

Kuva: Kantoa on osoitettu vasemmalla kuvalla ja maksikorrelaatio 0.77 on saavutettu korkeudella 173.20 m, jossa vasemman kuvan kuvasäteen X ja Y saavat arvot (2516745.24, 6858356.24) 3D ratkaisu tulostuu keltaisena pisteenä kuville. DTM antaa ko.pisteessä arvon 173.42 m. Laskenta vie 0.5 sekuntia. Ratkaisun voi tallentaa normaalisti Shift-F12 -toiminnolla. Huomaa, ettei kuvaa 1 ole klikattu (tekstiruuduissa ei ole kuvakoordinaatteja). Huomaa, ettei menetelmä anna yhtä hyviä tuloksia kuin käsin mittaus, sillä mittausta ei tehdä osapikselitarkkuudella, kuten on mahdollista käsin mitattaessa zoomia käytettäessä. An example, where in the left view a stump was pointed (clear cut photographed three weeks after prescribed burning in 1989), and the maximal correlation, 0.77 is obtained for an XYZ point 173.20 m a.s.l (yellow dots). A lidar based DTM (lidar in 2004) gives an elevation of 173.42 m in that XY-location. In principle the automatic method will not yield as accurate results as manual measurements, because sub-pixel-level computations are not done (cf. zooming the images).

Kuva: Menetemän periaate. Vasemmalta kuvalta osoitetaan pistettä maassa (punainen piste kuvalla ja maassa). Kaapataan kuvalta pala maisemaa. Sitten kuvasäde diskretoidaan XYZ-pisteiksi (mustat), joiden ympäriltä otetaan kuvapaloja oikean puoleiselta kuvalta. Vasenta kuvapalaa verrataan kaikkiin oikeanpuoleisiin ja saadaan korrelaatiofunktio, jonka globaalin huipun uskotaan olevan ratkaisussa. Principle of the method.

Kuva: Pari tallennettua korrelaatiofunktiota (mittausta). Jos Z:aa haluaa tarkentaa, voi huipun ympäristöä interpoloida ja painottaa esim. kahta ratkaisua (XYZ-pistettä) optimin (maksimin) ympäriltä. Two examples of correlation functions (measurements). It is possible to interpolate around the maximal value and thereby improve the results ('sub-pixel' operation). The horizontal axis is the Z axis, but recall that for each point the XY-coordinates are determined by the camera ray of the left view.

Kuva: Tein EH1:n kuvio 4 maapistemittaukset 1989 kuvilta uudelleen tällä algoritmilla s.e. vain osoittelin maapisteitä melkoisella vauhdilla ja tallensin pisteen, jos korrelaatio oli yli 0.75. 248 pisteeseen meni viitisen minuuttia. Residuaalit suhteessa LidarDTM:n olivat verrannolliset käsinmittauksiin (188 pistettä), itse asiassa harha oli sama 20 cm, mutta hajonta aavistuksen pienempää! I tried again measuring the required 200 reference ground points with the algorithm at hand. The results were promising. measuring 248 points took 5 only minutes and the accuracy was comparable to the previously measured 188 points in which the corresponding ground points were positioned manually. The bias of the DTM was 20 cm for both points sets and actually the semi-automatically measured points had a slightly lower stdev.

2A Lisäpisteitä osoitetun pisteen ympäristöstä. Searching for (any) points in the neighborhood

Kuva: Kuvasäteen voi antaa "vaellella osoitetun pisteen" ympäristössä ja mitata samalla useampia pisteitä. Tässä osoitetun pisteen (vasemman kuvan) kuvakoordinaatteja on liikuteltu 200 mikronin hilassa kuvilla on vuodelta 1973 (mittakaavassa 1:22000 15/23 cm kamera). 200 mikronia vastaa noin 4.4 m. Then I tried the following: allow the image-ray of the left image "float around" i.e. take values around the pointed target in the image, systematically, here in a 200 µm image-grid which corresponds to 4.4 m XY-movement in the object space. I tested with a color image pair from 1973 in scale 1:22000.

Kuva: noin 200 x 150 metrinen tuore aukko (vrt. anaglyfikuva alla), ja sieltä kuvakorrelaatiolla (> 0.75) löydetyt pisteet sekä niistä laskettu TIN-malli. Tekstuuri alueen keskellä on heikkoa, eikä sieltä saatu montaa korrelaatioltaan > 0.75 pistettä ja TIN jäi harvaksi yrityksistä huolimatta. Kuva tehty Trinet ohjelmalla © Pixel topography Group. By measuring manually about 15 seed positions and then letting the algorithm locate the ground around them, some 300 ground points were quickly measured in a clear cut area of 200 by 150 m. The points with correlation above 0.75 were only accepted and this resulted in an uneven distribution of points that reflects the texture in the images. (cf. anaglyph image below)

Kuva: Anaglyfikuva aukosta, jossa lokaali DTM tehtiin laskemalla korrelaatiotekniikalla automaattisesti. 3D view from 1973 into the clear cut area subject to retrospective DTM generation.

Kuva: TIN korkeuden mukaan sävytettynä. Orientaatio +- sama kuin anaglyfikuvassa. Kuva tehty Trinet ohjelmalla © Pixel topography Group. The TIN with facets colored by elevation (and shaded). The orientation is made comparable with the anaglyph view above.

Kuva: Vuoden 2004 kuvaparilta (1:14000 21/23 60%) mitatut maapisteet, r > 0.8. Aukkoja jää puustoisiin kohteisiin ja tekstuuriltaan tasaisiin alueisiin. Another example with images from 2004, two weeks prior to the lidar campaign. 1726 points with correlation above 0.8 ssuperimposed in the image. Note again the sparse areas where texture is low.

Kuva: Jokaiselle kuvaparilta autom. mitatulle pisteelle (N=1726) on laskettu ero LidarDTM:n suhteen. The automatically measured gournd points were checked for Z using the TeraModeler DTM, here are the differences. There is a large 40 x 40 m area, where the differences are large.

Kuva: Ilmakuvalle, kohtaan, jossa erot ovat suuria, on tulostettu pisteet, jotka ovat alle 1 m LidarDTM antamasta korkeudesta ja toisaalta pisteet, jotka ovat 1-3 m pinnasta. Jostain syystä TerraModeler on tuottanut isohkon virheen DTM:ään (vaikka kyseessä on aukea/1-v taimikko), joka näin paljastui autom. kuvamittausten avulla. When the individual raw lidar observations were superimosed in the images it could be sen that the DTM is erroneous in that part where the differences were large.