از زمان انفجار Lidar در دو دهه گذشته، استفاده از ابرهای نقطه ای در برنامه های نقشه برداری هوایی این روزها رایج شده است. با این حال، لیدار بدون چالش نیست. این مقاله به بررسی این موضوع می پردازد که چگونه ابرهای نقطه رنگی از فتوگرامتری می توانند جایگزین ارزش افزوده ارائه دهند.
سه چالش اصلی مرتبط با استفاده از Lidar در نقشهبرداری هوایی همیشه هزینه سنسورها، منحنی یادگیری مورد نیاز برای تولید مجموعه دادههای دقیق، و آنچه باید با تمام این نکات در هنگام ارائه یک محصول تحویلی انجام شود، بوده است. سیستمهای لیدار هوابرد و سیستمهای موقعیتیابی که با آنها جفت میشوند، عمدتاً هنوز بسیار گران هستند. این به دلیل افزایش نرخ پالس و دامنه توسط تولید کنندگان برای پاسخگویی به تقاضای کاربر برای مجموعه داده های متراکم تر است، در حالی که تلاش می کنند اندازه و وزن کلی را کاهش دهند. در رقابت برای ماندن در رقابت، این اغلب باعث می شود خریداران احساس کنند که خوکچه هندی برای این سیستم های پیچیده تر هستند.
این واقعیت که Lidar به سیستمهای موقعیتیابی بسیار دقیق نیاز دارد، به پیچیدگی استخدام افراد دارای مهارت برای پردازش این مجموعه دادهها به طور مداوم در سطوح بالایی از دقت میافزاید. نیازی به گفتن نیست که منحنی یادگیری شیب دار است و آنهایی که در پردازش لیدار خوب هستند مورد توجه قرار می گیرند و قیمت بالایی دارند. با این حال، گزینه دیگری وجود دارد: فتوگرامتری.
تکامل فتوگرامتری
فتوگرامتری، توانایی ایجاد نقشه ها از روی همپوشانی تصاویر، تقریباً از زمان اختراع هواپیما وجود داشته است. برای مدت طولانی، به ماشینهای بزرگی به نام پلاتر استریو نیاز داشت تا به تکنسینها توانایی دیدن یک صحنه را به صورت استریو بدهند. این به آنها اجازه داد تا اطلاعاتی را که نمایانگر زمین و ویژگی ها در یک مقیاس معین است، ترسیم کنند. با افزایش قدرت محاسباتی در دهه 1980، فتوگرامتری دیجیتالی شد.
اندکی بعد، در اوایل دهه 2000، اصول فتوگرامتری امکان چشم پوشی از تجهیزات مشاهده استریو و استخراج مختصات XYZ برای هر پیکسل در تصویر را فراهم کرد که در آن همپوشانی رخ می دهد. این پیشرفت امکان تولید ابرهای نقطه ای بسیار دقیق را بدون هزینه سیستم لیدار فراهم کرد. با این حال، یک ابر نقطه ای مشتق از فتوگرامتری یک مزیت بالقوه اضافه دارد: مقادیر رنگ بدون اضافی.
در هر صورت، تحویل اولیه در پروژههای نقشهبرداری، مدلهای ارتفاعی دیجیتال (DEMs) باقی مانده است، زیرا ابرهای نقطهای از نظر اندازه فایل بسیار بزرگ هستند که کاربر معمولی نمیتواند با توجه به کمبود قدرت محاسباتی موجود از آن بهرهبرداری کند. با پیشرفتهای فناوری محاسباتی از جمله پردازندهها و پردازندههای گرافیکی قدرتمندتر، این موضوع در حال تغییر است. علاوه بر این، بسیاری از بسته های نرم افزاری محبوب می توانند داده های ابر نقطه ای را برای پردازش یا تجسم بیشتر مصرف کنند.
مزایای ابرهای نقطه رنگی
بنابراین چه فایده ای از یک ابر نقطه رنگی حاصل می شود؟ با نگاه کردن به یک مثال از هر یک به راحتی به این موضوع پاسخ داده می شود. بدون مرحله اضافه طبقهبندی یا رنگآمیزی، شناسایی ویژگیهای پنهان در اعماق ابر نقطه Lidar مقداری تلاش میکند. در مقابل، یک فرد معمولی می تواند به سرعت ویژگی های یک ابر نقطه رنگی مشتق شده از فتوگرامتری را شناسایی کند.
ابر نقطه ای ایجاد شده از Lidar در واقع می تواند رنگی شود. با این حال، این فقط به هزینه کلی می افزاید، زیرا نیاز به دوربین در حال کار در زمانی که لیدار در حال به دست آوردن است، پنجره خرید یا پرواز دوم بر فراز همان منطقه را به خطر می اندازد. هر یک از این روشها منجر به طولانیتر شدن زمان کسب کلی و پردازش بیشتر میشود.
بستههای نرمافزاری وجود دارند که ابرهای نقطهای را به عنوان مشتق از فرآیند مثلثسازی هوایی ایجاد میکنند. سپس آنها DEM ها را از تعداد کم شده نقاط در آن ابر نقطه تولید می کنند. این تمایل به ایجاد DEM های بسیار بی کیفیت به طور کلی دارد و بسیاری از نقاط ایجاد شده اولیه را حذف می کند. این همچنین اعتبار سنجی را برای کاربران نهایی دشوار می کند زیرا ایجاد DEM مرحله دیگری از فرآیند مثلث بندی هوایی است.
چالش های مرتبط با رنگ آمیزی
یک راه متداول برای تولید ابرهای نقطه رنگی از فتوگرامتری، ایجاد یک DEM، سپس صادر کردن یک ابر نقطه از آن DEM است که در آن هر پیکسل به عنوان یک نقطه نمایش داده می شود. سپس با استفاده از یک ارتوموزائیک، مقدار رنگ متناظر مستقیماً روی هر نقطه نمایش داده می شود. این به خوبی کار می کند – اما فقط در یک نمای نادر، زیرا یک ابر نقطه ای ایجاد شده از یک DEM به این روش، نقاط عمودی یا مایل را در نظر نمی گیرد. در نتیجه، حفره های عمودی و مایل در مجموعه داده ذاتی هستند. جایی که هیچ نقطه ای وجود ندارد، رنگی وجود ندارد.
در حالی که اکثر ابزارهای نرم افزاری این رویکرد ساده را برای رنگ آمیزی اجرا می کنند، یک راه حل بهینه ایجاد ارتباط بهتر بین پیکسل ها و نقاط است. سپس، با این حال، بسیاری از پیکسل ها برای یک نقطه ممکن است مقادیر رنگی کمی متفاوت داشته باشند. این بدان معناست که الگوریتم ها باید این اطلاعات را محاسبه و ادغام کنند. مسئله دیگری که پیش می آید مشابه تعادل رنگ در موزاییک است، اما در اینجا موزاییک سه بعدی است. بنابراین الگوریتم های پیشرفته برای انجام این کار برای اطمینان از ثبات در سراسر ابر نقطه مورد نیاز است. محصولات فتوگرامتری موجود در حال حاضر از چنین عملکردهای پیشرفته ای پشتیبانی نمی کنند.
پیشرفت های اخیر فناوری
SimActive اخیراً نسخه 10 مجموعه فتوگرامتری Correlator3D خود را معرفی کرده است تا امکان رنگآمیزی ابرهای نقطهای را فراهم کند. در طول فرآیند ایجاد ا بر نقطه ای، تمام پیکسل هایی که از تصاویر همپوشانی مختلف (عمودی و/یا مورب) به دست می آیند، ابتدا برای استخراج یک مختصات سه بعدی دقیق استفاده می شوند.
سپس با استفاده از الگوریتم های پیشرفته، Correlator3D مقادیر رنگ های مختلف را از تصاویر مرتبط تجزیه و تحلیل می کند و یک مقدار رنگ نهایی را محاسبه می کند. این منجر به یک ا بر نقطه ای با ظاهری بسیار واقعی می شود که رنگ های ثابتی را از همه زوایای دید نمایش می دهد.
مزایای چنین فناوری چندگانه است. این امکان تولید یک ابر نقطه ای مشابه لیدار را فراهم می کند. تنها یک فعالیت جمع آوری داده ها ضروری است که منجر به صرفه جویی در هزینه و محصولات قابل تحویل بیشتر می شود. داشتن تنها یک مجموعه داده برای پردازش نیز سریعتر، آسانتر و سریعتر است. علاوه بر این، تضمین می کند که هیچ چالش و مشکلی در ثبت نام وجود نخواهد داشت، همانطور که در مورد ادغام Lidar با تصاویر وجود دارد.
آینده ابرهای نقطه ای
از آنجایی که ابرهای نقطه ای به یک محصول ارائه شده در نقشه برداری رایج تر تبدیل می شوند، متخصصان نقشه برداری باید سطح راحتی کاربر نهایی را با آنها در نظر بگیرند. یک ابر نقطه طبقه بندی شده مطمئناً دارای ارزش است و امکان شناسایی سریع زمین در مقابل پوشش گیاهی و غیره را فراهم می کند، اما یک ابر نقطه رنگی آن را به سطح دیگری می برد. به عنوان مثال، یک ابر نقطه طبقه بندی شده، کاربر را از وجود و مکان یک تابلوی راه آگاه می کند.
یک ابر نقطه رنگی اطلاعاتی را در مورد آنچه علامت می گوید اضافه می کند. این نه تنها تفسیر انسان را آسانتر میکند، بلکه به پیشرفت در مسیر به سمت یادگیری ماشینی و هوش مصنوعی (AI) بیشتر کمک میکند. شناسایی ویژگیهای دنیای واقعی از طریق یادگیری ماشین و استخراج اطلاعات ارزشمند از مجموعه دادهها از طریق هوش مصنوعی در حال انجام است.