CC BY
23
ГЕОДЕЗИЯ И МАРКШЕЙДЕРИЯ
УДК 528.721.221.6+[528.94:004.9] DOI 10.33764/2411-1759-2022-27-5-5-18
Методика интеграции данных мобильного лазерного сканирования и аэрофотосъемки для создания цифровой модели местности
М. А. Алтынцев1 *
1 Сибирский государственный университет геосистем и технологий, г. Новосибирск,
Российская Федерация * e-mail: [email protected]
Аннотация. Одними из самых оперативных методов геодезической съемки, позволяющих выполнять создание цифровых моделей местности с высокой точностью и детализацией, в настоящее время являются аэрофотосъемка (АФС) и мобильное лазерное сканирование (МЛС). Оба этих метода позволяют получать информацию о местности в виде массива точек. Но вследствие того, что данные АФС записываются с воздушного носителя, а МЛС - с наземного, массив точек, полученный различными методами, отображает одну и ту же территорию с различной детальностью. Например, по данным АФС хорошо распознаются крыши зданий, а по данным МЛС - их стены. Отсюда возникает необходимость совместного использования разнородных данных посредством их интеграции. В этом случае необходимо решить ряд задач, таких как привязка массивов точек, оценка зон видимости в зависимости от характера территории съемки, сохранение в итоговом объединенном массиве только тех точек в областях перекрытия, которые наиболее достоверно и полно описывают формы объектов местности, фильтрации ложных измерений. В статье рассматриваются основные задачи, возникающие при интеграции данных. Предложена методика интеграции данных мобильного лазерного сканирования и аэрофотосъемки в целях создания единой цифровой модели местности, заключающаяся в распознавании определенных объектов территории или их частей. Приведены результаты экспериментальных исследований разработанной методики по данным съемок территории г. Новосибирска.
Ключевые слова: интеграция данных, мобильное лазерное сканирование, аэрофотосъемка, цифровая модель местности, взаимное ориентирование, привязка, распознавание
Введение
Цифровая модель местности (ЦММ) представляет собой совокупность информации обо всех ее элементах, таких как ситуация, рельеф и отдельные топографические объекты. Все объекты, входящие в состав ЦММ, подобны реальным. Построение ЦММ выполняется в ходе цифрового картографирования местности при выполнении топографических работ [1].
В настоящее время для создания ЦММ активно используются методы дистанционного
зондирования Земли (ДЗЗ), позволяющие за короткие временные интервалы получать данные большого объема. В зависимости от вида применяемого метода ДЗЗ, итоговая точность и детальность ЦММ могут существенно различаться. Выбор наиболее подходящего метода ДЗЗ в первую очередь должен опираться на требования к точности и детальности. Помимо этого, также требуется учитывать особенности картографируемой местности, влияние внешних условий выполнения измерений, характеристики съемочной системы, стоимость комплекта оборудования,
способ вычисления пространственных координат [2, 3].
Каждый из методов ДЗЗ обладает своими преимуществами и недостатками. Не существует метода, способного обеспечить оперативное получение пространственных данных для построения детализированной ЦММ без «мертвых» зон, приемлемой для решения различных измерительных задач. Если методы ДЗЗ, выполняющие сбор данных с воздуха, позволяют получить цифровую модель рельефа (ЦМР) и цифровую модель поверхности (ЦМП), в частности крыши зданий и сооружений, равномерной плотности и с определенным уровнем точности, то наземные методы ДЗЗ обеспечивают получение пространственных данных о вертикальных поверхностях, таких как фасады зданий, и о небольших вертикальных объектах, расположенных, например, под высокой растительностью [4].
Сложность решения задачи сбора пространственных данных каждого участка местности с максимально возможным уровнем детализации и точности с помощью только одного метода ДЗЗ часто приводит к необходимости выполнения дополнительной геодезической съемки территории другими методами. Возникает задача интеграции разнородных данных ДЗЗ, в результате чего можно добиться построения ЦММ без «мертвых» зон [5].
Задачу интеграции можно условно разделить на три этапа: привязка, формирование и распознавание данных [6].
Первый этап интеграции данных ДЗЗ, заключающийся в их привязке, может быть выполнен двумя основными способами: независимое внешнее ориентирование в определенной системе координат либо взаимное путем вычисления положения одного набора данных относительно другого [7]. Выбор способа привязки зависит непосредственно от вида применяемых методов ДЗЗ, наличия результатов выполнения дополнительных наземных геодезических измерений с помощью таких методов, как тахеометрическая съемка, геометрическое нивелирование, съемка с применением ГНСС-приемников. Также влияет информация о существующих картографических материалах, данные о временном интервале между всеми измерениями и территории
съемки, знания о виде конечной продукции и цели измерений.
Привязка по способу взаимного ориентирования может быть выполнена интерактивным способом путем идентификации соответственных точек [8] или автоматизированным посредством применения методов автоматической идентификации соответственных точек и контуров [9, 10]. При автоматизированном способе необходимо подбирать наиболее оптимальные методы идентификации в зависимости от применяемых методов ДЗЗ, а также разрабатывать новые алгоритмы и методики обработки. Достоинством способа взаимного ориентирования является необходимость наличия привязки к внешней системе координат только у данных одной съемки, что значительно снижает объем полевых работ, связанных с созданием съемочного обоснования.
Сложность привязки по способу взаимного ориентирования значительно возрастает, когда необходимо объединить результаты съемок, выполненных с помощью основанных на разных принципах регистрации измерений методов: фотографировании и лазерном сканировании. Идентификация соответственных точек или контуров по разнородным данным выполняется на основе одного из двух подходов:
- в трехмерном пространстве между фотограмметрическими массивами точек, построенным по фотографиям, и массивами точек лазерных отражений (ТЛО) [11];
- в двумерном пространстве между фотографиями и сгенерированными по массивам ТЛО изображениями [12].
При способе взаимного ориентирования разнородных данных в зависимости от уровня точности могут быть использованы три основные стратегии [13]:
- применение результатов фотосъемки в качестве опорных данных для привязки данных лазерного сканирования;
- применение результатов лазерного сканирования в качестве опорных данных для привязки данных фотосъемки;
- комбинированная привязка, когда одновременно используются две предыдущие стратегии. Например, привязка в высотном положении по первой стратегии, а в плановом - по второй.
При ситуации, когда съемочная система включает несколько различных сенсоров, такие как лазерные сканеры и цифровые камеры, привязка данных может быть осуществлена таким способом, как калибровка оборудования [14]. В этом случае выполняется вычисление элементов взаимного ориентирования всех сенсоров, находящихся на единой платформе. Затем для всего массива разнородных данных одновременно может быть выполнен расчет элементов внешнего ориентирования и трансформирование в определенную систему координат по методу обратной или прямой фотограмметрической засечки в зависимости от того, применялись ли координаты опорных точек или использовалось дополнительное входящее в состав общей съемочной системы оборудование, такое как как ГНСС-приемники и инерциальная навигационная система [7, 15].
На втором этапе интеграции может быть выполнено формирование одних данных ДЗЗ в определенном виде с помощью других. Например, ортотрансформирование изображений может быть выполнено с помощью массивов ТЛО [16], массиву ТЛО могут быть присвоены истинные цвета с изображений [17].
На третьем этапе интеграции данных ДЗЗ осуществляется распознавание определенных объектов местности или их частей с целью создания ЦММ без «мертвых зон», где за основу берутся полученные одним из методов геодезической съемки более детализированные и точные данные, а недостающие участки местности заполняются результатами съемок, выполненных другими методами. В рамках этого этапа применяются методы классификации, позволяющие разделить данные на части по принадлежности к определенному типу объектов, такие как здания, деревья, земля и другие, а также включить в интегрированный массив данных ДЗЗ только те из них, которые наилучшим образом описывают форму объектов [18]. Распознавание объектов в зависимости от применяемых методов классификации может быть выполнено как по двумерным изображениях, так и по массивам точек. Также результаты классификации одного источника данных могут применены для повышения достоверности классификации
другого. Например, в [19] описана методика, позволяющая использовать результаты классификации фотограмметрических массивов точек для повышения достоверности классификации массивов ТЛО.
Для создания ЦММ городских территорий больших площадей в настоящее время распространение получили такие методы, как мобильное лазерное сканирование (МЛС) и аэрофотосъемка с помощью беспилотных летательных аппаратов (БПЛА). Результаты съемок с помощью этих двух методов в совокупности позволяют за короткий промежуток времени получить пространственную информацию обо всех объектах застроенных участков местности. В статье представлена методика интеграции данных МЛС и АФС для городских территорий, в которой подробно рассмотрено решение задачи третьего этапа интеграции, заключающегося в классификации фотограмметрического массива точек и массива ТЛО с целью создания детализированной ЦММ.
Исходные данные
В качестве исходных для разработки методики интеграции данных МЛС и АФС были выбраны результаты съемки территории улиц Бориса Богаткова и Доватора в г. Новосибирске, выполненной в 2020 г. Для МЛС использовалась съемочная система Riegl VMX-250, а для АФС - БПЛА Supercam S350. Сканирование территории выполнялось в прямом и обратном направлении со средней скоростью 40 км/ч, при котором применялась одна базовая станция, расположенная на удалении 10,5 км от места съемки. На БПЛА устанавливалась камера Sony Alpha ILCE-6000, чей объектив имел фокусное расстояние 20 мм. Аэрофотосъемка осуществлялась с высоты 250 м, что обеспечило получение фотографий с размером пикселя 5 см. Установленные на борту Supercam S350 ГНСС-приемники позволили рассчитать координаты главной точки у каждого аэрофотоснимка. Для привязки данных АФС применялись координаты опорных точек, размещенных в среднем каждые 500 м вдоль траектории полета. Обработка результатов АФС выполнялась в программном обес-
печении (ПО) А§1бой Ме1авЬаре, взаимное межмаршрутное уравнивание данных МЛС -в ПО ШРгосеББ.
Протяженность анализируемого в рамках разработанной методики интеграции участка съемки составила 2 км. На рис. 1 показан фрагмент этого участка в форме массивов точек, окрашенных в истинные цвета по фотоснимкам.
Методика интеграции данных МЛСиАФС
Большинство существующих методик интеграции разнородных данных основано на их привязке к единой системе координат и сохранении в единой форме представления. Для данных МЛС и АФС в наиболее общем виде
методика интеграции представлена в [4] и заключается в следующем:
- фототриангуляция аэрофотоснимков;
- привязка данных МЛС к результатам АФС;
- моделирование крыш зданий и сооружений по аэрофотоснимкам;
- построение цифровой модели рельефа (ЦМР) по данным АФС;
- моделирование фасадов зданий по данным МЛС и наземным изображениям;
- построение ЦМР по данным МЛС;
- интеграция результатов моделирования фасадов и крыш с целью создания цельных твердотельных моделей зданий;
- текстурирование твердотельных моделей зданий по АФС и дополнительным наземным снимкам.
Рис. 1. Массив точек: а) МЛС; б) БПЛА
Конечным результатом интеграции согласно [4] является ЦММ в виде твердотельных моделей зданий и ЦМР. По контурам смоделированных крыш зданий извлекаются ТЛО с целью моделирования фасадов, а дополнительные наземные фотоснимки позволяют повысить качество текстурирования фасадов.
Недостатком предложенной методики является низкий уровень автоматизации, недостаточная согласованность между результатами моделирования крыш и фасадов, так как этот процесс выполняется независимо по разным данным. Большинство этапов выполняется с помощью интерактивных операций. Также отсутствует отображение в итоговой ЦММ других небольших объектов, таких как столбы, дорожные знаки, линии электропе-
редачи. Не упоминается, как согласуются результаты создания ЦМР по данным МЛС и АФС.
Чтобы преодолеть недостатки, касающиеся несогласованности результатов моделирования, создание ЦММ можно первоначально выполнять в виде точечной модели, где одна ее часть представлена фотограмметрическим массивом точек, а другая - массивом ТЛО. Тогда твердотельные модели станет возможным создавать сразу по интегрированному массиву точек. Например, грани одной ЦМР будут опираться на точки разнородных массивов. На рис. 2 представлена разработанная методика интеграции данных МЛС и АФС для создания ЦММ застроенных территорий.
Рис. 2. Методика интеграции данных МЛС и АФС
Целью начальных этапов разработанной методики является получение массивов точек без ложных измерений. Для МЛС фильтрация таких измерений выполняется по методике, представленной в [20]. Выполненная фильтрация позволяет добиться повышения точности следующего этапа - взаимного ориентирования данных МЛС, которое осуществляется в соответствии с описанной в [21] методикой. Обработка данных АФС с целью создания фотограмметрических массивов выполняется с применением опорных точек, измеренных в результате съемок с помощью более высокоточного геодезического оборудования, такого как тахеометры, нивелиры, ГНСС-приемники. Количество этих опорных точек может быть небольшим для внешнего ориентирования данных АФС по сравнению с требуемым их количеством для привязки данных МЛС городских территорий, так как качество приема спутникового сигнала на земле при съемке застроенных участков местности значительно ниже, чем в воздухе. Для фильтрации ложных измерений в сгенерированных фотограмметрических массивах можно воспользоваться теми же методами, которые используется для фильтрации массивов ТЛО в методике [20]: методы классификации нижних точек, воздушных точек и точек, расположенных ниже поверхности. Сущность этих методов описана в [22].
Далее выполняется фильтрация изолированных точек. Под изолированной понимается точка, если в пределах указанного радиуса поиска меньше заданного числа других точек. В рамках разработанной методики точка считается изолированной, если в пределах 1 м в трехмерном пространстве меньше 20 других точек. Такие параметры применяются как при фильтрации массива ТЛО, так и фотограмметрического массива.
После фильтрации изолированных точек выполняется привязка массива ТЛО к фотограмметрическому массиву, который в этом случае применяется как источник дополнительных опорных данных, когда число наземных опорных точек оказывается недостаточным.
На следующем этапе выполняется распознавание точек физической поверхности зем-
ли независимо в обоих массивах с помощью метода Аксельсона [23]. Это необходимо в дальнейшем для распознавания крыш зданий и удалении лишних точек земли в фотограмметрическом массиве при сравнении с распознанными ТЛО земли.
Для распознавания крыш зданий в фотограмметрическом массиве предварительно выполняется распознавание точек растительности по значению вегетационного индекса в видимом диапазоне УББУ1 > 0,1. Отфильтрованные точки растительности позволяют повысить точность распознавания контуров крыш, особенно если растительность к ним вплотную примыкает. Этот индекс позволяет выполнить распознавание точек на основе информации о цвете, полученного с фотографий. Индекс УББУ1 £ [-1, 1] и применяется для выделения растительности вместо индекса КОУ1 при отсутствии инфракрасного канала у изображений цифровой камеры, установленной на аэрофотосъемочный носитель [22, 24]:
УВБУ! =
20 - Я - В 20 + Я + В ,
(1)
где О - значение яркости в зеленом канале; Я - значение яркости в красном канале; В -значение яркости в синем канале.
Распознавание крыш зданий выполняется посредством поиска расположенных в пределах одной плоскости точек с помощью метода классификации зданий [22]. Пользователем задается ограничение на минимальную площадь крыши здания и допуск на отклонение точек от плоскости по высоте. В результате анализа исследуемых данных было выбрано значение минимальной площади 40 м2, а допуск на отклонение от плоскости - 5 см. Выбор значения этого допуска зависит от высоты АФС. Чем выше высота полета, тем большее значение допуска следует задавать, так как увеличивается отклонение точек от соответствующих им плоскостей.
В результате применения метода классификации зданий часть не принадлежащих им точек может быть также распознана как крыши. Для устранения этой ошибки классификации выполняется фильтрация неверно
распознанных точек крыш зданий по значению высоты «> 2 м» от уровня поверхности земли.
Затем выполняется сравнение точек физической поверхности земли фотограмметрического массива и массива ТЛО, в результате которого удаляются точки земли фотограмметрического массива при условии, если в плановом положении в пределах Б = 30 см отсутствуют ТЛО поверхности земли:
((
^афс - хмлс ) + (-афс - -млс )2 - б , (2)
где Б - пороговое значение расстояния между точками фотограмметрического массива и точками массива МЛС; Хафс—афс - координаты точки фотограмметрического массива; Хмлс^млс - координаты точки массива МЛС.
Аналогично выполняется сравнение групп нераспознанных точек и точек растительности разнородных массивов, в результате чего удаляются точки этих групп фотограмметрического массива при том же условии (2).
Результатом описанных этапов является интегрированный массив данных, представленный точками как фотограмметрического массива, так и массива МЛС. Но так как позиция одних и тех же классов точек, полученных разными методами геодезической съемки, будет не совпадать на величину ошибки привязки одних данных к другим, требуется выполнить дополнительную фильтрацию. Наибольшее значение это оказывает на точность построения ЦМР. Чтобы ЦМР была представлена в виде сглаженной поверхности с учетом ошибок фильтрации, необходимо сначала все распознанные точки поверхности земли интегрированного массива перенести в класс нераспознанных точек. Затем следует повторно выполнить фильтрацию по методу поиска нижних точек, и снова распознать точки поверхности земли.
Также в интегрированном массиве вблизи с распознанными, полученными из АФС точками растительности может находиться ряд нераспознанных точек, полученных из лазерного сканирования. Перенос этих нераспознанных точек в класс растительности выполняется при условии:
X - X
раст нерасп
) (-раст -^нерасп) ^ (7|
- 7 раст нерасп
)2 - £ ,
(3)
где £ = 30 см - пороговое значение расстояния между нераспознанными точками и точками растительности; Храст7раст 7раст - координаты
точки растительности; Хнерасп7нерасп7 нерасп
координаты нераспознанной точки.
Далее выполняется распознавание точек стен зданий среди нераспознанных точек по плановому положению относительно точек их крыш по условию (2), где используются координаты точек этих классов.
Итогом описанных этапов является ЦММ в виде точечной модели, разбитой на следующие классы: поверхность земли, растительность, крыши зданий, стены зданий, нераспознанные точки. Классифицированные точки интегрированного массива на последнем этапе используются для создания твердотельной ЦММ по методикам, описанным в [25, 26].
Результаты интеграции данных МЛСиАФС
Рассмотрим некоторые результаты в ходе осуществления методики интеграции данных МЛС и АФС. Фильтрация ложных измерений позволила отбраковать ряд точек, расположенных под уровнем физической поверхности земли и воздухе, как в фотограмметрическом массиве, так и в массиве ТЛО. Благодаря фильтрации изолированных точек был удален ряд точек, расположенных по краям зоны съемки. Значительно большее их количество было удалено в массиве ТЛО, так как его плотность с удалением от траектории съемки снижается, особенно при прохождении лазерного луча через слой растительности. Результат применения метода фильтрации изолированных точек для данных МЛС показан на рис. 3.
Привязка массива ТЛО к фотограмметрическому массиву была выполнена путем разделения данных на фрагменты протяженностью 50 и 100 м, применения метода привязки 1СР для соответствующих фрагментов, вычисления
векторов смещений между фрагментами массива ТЛО до и после применения 1СР, расчета и применения локальных поправок в положение массива ТЛО по векторам смещений на основе метода трилинейной интерполяции.
а) б)
Рис. 3. Массив ТЛО с отображением по высоте от земли:
а) до фильтрации изолированных точек; б) после фильтрации изолированных точек; I - градация по высоте от земли 0-1-5-10-20-30 м
Результат распознавания точек раститель- заключающемся в распознавании крыш зда-
ности с помощью индекса УББУ1 показан на ний по неклассифицированным точкам. рис. 4. Применение индекса УББУ1 позво- На рис. 5, а отображен промежуточный
ляет с высокой достоверностью распознать результат распознавания крыш зданий до
все точки растительности и тем самым сни- фильтрации по высоте, а на рис. 5, б - после
зить объем вычислений на следующем этапе, фильтрации.
Рис. 4. Результат распознавания точек растительности в фотограмметрическом массиве
по индексу УББУ1:
□ - неклассифицированные точки; □ - точки растительности
Рис. 5. Результат распознавания точек крыш зданий в фотограмметрическом массиве:
а) до фильтрации по значению высоты; б) после фильтрации по значению высоты; I—I - неклассифицированные точки; □ - точки растительности; I—I - точки крыш здании
Фильтрация по значению высоты позволила исключить неверно распознанные точки, относящиеся к объектам, расположенных около уровня поверхности земли рядом со зданиями.
Цель следующих этапов интеграции - получение единого массива разнородных данных, в котором точки фотограмметрического массива будут характеризовать участки местности, отдельные объекты или их части, где отсутствуют ТЛО. Кроме предварительно распознанных крыш зданий и сооружений, это будут их стены, отдельные небольшие точечные и линейные объекты, такие как опорные сооружения, провода линий электропередачи. Поиск перекрывающихся разнородных массивов данных может быть выполнен в плановом или трехмерном положении с использованием формул (2) или (3) среди точек всех классов или определенных из них. Применение формулы (3) для удаления точек в перекрытиях в трехмерном положении не рекомендуется по той причине, что плотность фотограмметрического массива и массива ТЛО сильно от-
личается. Если в фотограмметрическом массиве при съемке с воздуха она является равномерной, то в массиве ТЛО снижается с увеличением расстояния от траектории сканирования при съемке с земли и зависит от других объектов, препятствующих прохождению лазерного луча. Поэтому применение формулы (2) для поиска перекрытий в плановом положении является более предпочтительным вариантом. Но это приводит к возникновению другой проблемы - удалению точек одного массива данных, расположенных под точками другого. На рис. 6, а показан пример ситуации, где точки поверхности земли массива ТЛО расположены под точками фотограмметрического массива. При удалении точек в перекрытиях теряется информация о рельефе под деревом (рис. 6, б).
Чтобы сохранить информацию о рельефе, анализ перекрытий следует выполнять отдельно по распознаным точкам поверхности земли (рис. 7, а). Результат удаления точек земли в областях перекрытий показан на рис 7, б.
а) б)
Рис. 6. Пример удаления точек в перекрытиях разнородных массивов при анализе только планового их положения:
а) до удаления; б) после удаления; □ - точки фотограмметрического массива; □ - ТЛО; - расположение анализируемой области под деревом
10
10
а) б)
Рис. 7. Пример удаления точек в перекрытиях распознанных точек поверхности земли разнородных массивов при анализе только планового их положения:
а) до удаления; б) после удаления; □ - точки фотограмметрического массива; □ - ТЛО; О - расположение анализируемой области под деревом; о расположение точек фотограмметрического массива после анализа перекрытий
На рис. 8 показан результат этапа удаления точек фотограмметрического массива в местах перекрытия с массивом ТЛО по нераспознанным точкам и точкам растительности. Отдельно выполненный анализ перекрытий по точкам поверхности земли позволил сохранить всю полезную информацию.
10
-•
Рис. 8. Результат удаления точек в перекрытиях:
□ - точки фотограмметрического массива; П - ТЛО; - расположение анализируемой области под деревом
Еще один пример интегрированного массива точек показан на рис. 9, где отображено поперечное сечение здания. Независимый анализ перекрытий по точкам различных классов позволил сохранить в интегрированном массиве данных геометрическую форму здания в области его карниза и заполнить промежутки в массиве ТЛО точками фотограмметрического массива.
На рис. 10, а продемонстрировано сечение интегрированного массива большой глубины, составляющее 1 м, показывающее, что после интеграции данных необходимо выполнять фильтрацию получившегося массива точек. Поверхность земли, построенная по фотограмметрическому массиву точек, может не совпадать с этой же поверхностью, построенной по массиву ТЛО, из-за ошибок привязки, классификации или особенностей обработки разнородных данных. Удалить отдельные группы ошибочных точек помогает метод поиска нижних точек, используемый на начальных этапах методики интеграции (рис. 10, б).
Рис. 9. Поперечное сечение здания по точкам интегрированного массива:
□ - точки фотограмметрического массива; - ТЛО; О - расположение точек поверхности земли фотограмметрического массива; о - точки карниза здания
к-5-^ к-5-^
а) б)
Рис. 10. Пример расположения точек поверхности земли фотограмметрического массива под ТЛО:
а) до удаления; б) после удаления; □ - точки фотограмметрического массива; П - ТЛО; - расположение анализируемой области
На рис. 11 с видом сверху показаны результаты создания ЦММ в виде интегрированного массива точек без их удаления в зонах перекрытия и с удалением, а на рис. 12 - изометрический вид итогового массива.
Последние этапы методики относятся к дальнейшей классификации данных, которая позволяет упростить решение задачи создания твердотельных ЦММ как автоматизированными способами, так и с помощью интерактивных операций.
а) б)
Рис. 11. Результаты создания ЦММ в виде интегрированного массива точек:
а) без удаления точек в зонах перекрытия; б) с удалением точек в зонах перекрытия; □ - точки фотограмметрического массива; Ш - ТЛО
Рис. 12. Изометрический вид интегрированного массива точек: а) в форме истинных цветов; б) в форме по типу данных
Заключение
Разработка методик интеграции разнородных данных играет ключевую роль при решении задачи создания точных и детализированных ЦММ. Еще большую актуальность эта задача приобретает при геодезической съемке застроенных городских территорий, где зачастую недостаточно применения единственного метода съемки.
С точки зрения точности и детальности оптимальным сочетанием является связка из методов МЛС и АФС. Разработанная мето-
дика интеграции данных этих методов съемки позволяет автоматизированно извлечь необходимую информацию и удалить лишнюю. Продемонстрированные результаты применения методики свидетельствует о надежности выбранных методов обработки.
Несмотря на то, что методика интеграции была разработана для совместного применения данных МЛС и АФС, она может быть адаптирована и для других методов геодезической съемки, использующих различные физические принципы сбора данных.
Работа выполнена в рамках государственного задания Минобрнауки России (тема «Разработка теории и технологических решений контроля состояния защитных сооружений при перекачке нефтепродуктов методами активного дистанционного зондирования», № 0807-2020-0002).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Хлебникова Т. А., Горобцов С. Р. Моделирование и пространственный анализ в ГИС. Цифровое моделирование рельефа в ГИС «Панорама» : учеб.-метод. пособие. - Новосибирск : СГУГиТ, 2018. -70 с.
2. Назаров А. С. Фотограмметрия : учеб. пособие для студентов. - Минск : Изд-во «ТетраСистемс», 2006. - 368 с.
3. Комиссаров А. В., Алтынцев М. А. Метод активного дистанционного зондирования: лазерное сканирование : монография. - Новосибирск : СГУГиТ, 2020. - 254 с.
4. Huang X., Gruen A., Qin R., Du T., Fang W. Integration of mobile laser scanning data with UAV imagery for very high-resolution 3D city modelling // Proceedings of the 8th International Symposium on Mobile Mapping Technology (MMT2013). - 2013.
5. Hassan A. T., Fritsch D. Integration of laser scanning and photogrammetry in 3d/4d cultural heritage preservation - a review // International Journal of Applied Science and Technology. - 2019. - Vol. 9, No 2. -P. 76-91.
6. Mitka B., Rzonca A. Integration of photogrammetric and 3D laser scanning data as a flexible and effective approach for heritage documentation // International Archives of ISPRS. - 2009. - Vol. XXXVIII-5/W1.
7. Ronnholm P., Honkavaara E., Litkey P., Hyyppa H., Hyyppa J. Integration of laser scanning and photogrammetry // ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007. - 2007. - Vol. XXXVI, Part 3 / W52, 2007. - P. 355-362.
8. Urso M. G. D., Russo G. On the integrated use of laser-scanning and digital photogrammetry applied to an archaeological site// International Archives of ISPRS. - 2008. - Vol. XXXVII-B5. - P. 1107-1112.
9. Han Y., Oh, J. Automated geo/co-registration of multi-temporal very-high-resolution imagery // Sensors. - 2018. - Vol. 18. - No 1599. - DOI 10.3390/s18051599.
10. Гук А. П., Алтынцев М. А. Автоматическая идентификация соответственных точек на аэроснимках лесных массивов // Вестник СГУГиТ. - 2017. - Т. 22, № 4. - С. 68-77.
11. Liu S., Jiang J. Registration algorithm based on line-intersection-line for satellite remote sensing images of urban areas // Remote Sensing. - 2019. - Vol. 11. - No 1400. - DOI 10.3390/rs11121400.
12. Forkuo E. K., King B. Automatic fusion of photogrammetric imagery and laser scanner point clouds // International Archives of ISPRS. - 2004. - Vol. XXXV-B4. - P. 921-926.
13. Wu B., Tang S. Review of geometric fusion of remote sensing imagery and laser scanning data // International Journal of Image and Data Fusion. - 2015. - Vol. 6. - P. 97-114.
14. Комиссаров А. В., Калинина М. С. Методика совместного получения и обработки данных наземного лазерного сканирования и цифровой фотосъемки // Геодезия и аэрофотосъемка. - 2015. -№ 4. - С. 39-42.
15. Vaaja M., Kurkela M., Hyyppa H., Alho P., Hyyppa, J., Kukko A., Kaartinen H., Kasvi E., Kaasalainen S., Ronnholm P. Fusion of mobile laser scanning and panoramic images for studying river environment topography and changes // International Archives of ISPRS. - 2012. - Vol. XXXVIII-5/W12. - P. 319-324.
16. Georgopoulos A., Tsakiri M., Ioannidis C., Kakli A. Large scale orthophotography using DTM from terrestrial laser scanning // International Archives of ISPRS. - 2004. - Vol. XXXV- B5. - P. 467-472.
17. Guarnieri A., Remondino F.,Vettore A. Digital photogrammetry and TLS data fusion applied to cultural heritage 3D modelling // International Archives of ISPRS. - 2006. - Vol. XXXVI-B.
18. Demir N., Poli D., Baltsavias E. Extraction of buildings and trees using images and LiDAR data // International Archives of ISPRS. - 2008. - Vol. XXXVII. - P. 375-382.
19. Zhou M., Kang Z., Wang Z., Kong M. Airborne lidar point cloud classification fusion with DIM point cloud // International Archives of ISPRS. - 2020. - Vol. XLIII-B2-2020. - P. 375-382.
20. Алтынцев М. А., Каркокли Хамид Маджид Сабер. Методика автоматизированной фильтрации данных мобильного лазерного сканирования // Вестник СГУГиТ. - 2021. - Т. 26, № 3. - С. 5-19.
21. Алтынцев М. А., Каркокли Хамид Маджид Сабер. Методика автоматизированного уравнивания данных мобильного лазерного сканирования // Вестник СГУГиТ. - 2021. - Т. 26, № 4. - С. 5-23.
22. TerraScan User Guide [Электронный ресурс]. - Режим доступа: https://terrasolid.com/guides/tscan/ index.html (дата обращения 01.07.2022).
23. Axelsson P. DEM generation from laser scanner data using adaptive TIN models // International Archives of ISPRS. - 2000. - Vol. XXXIII-4. - P. 111-118.
24. TerraScan: Vegetation Index [Электронный ресурс]. - Режим доступа: https://support.geocue.com/ terrascan-vegetation-index/ (дата обращения 01.07.2022).
25. Алтынцев М. А., Карпик П. А. Методика создания цифровых трехмерных моделей объектов инфраструктуры нефтегазодобывающих комплексов с применением наземного лазерного сканирования // Вестник СГУГиТ. - 2020. - Т. 25, № 2. - С. 121-139.
26. Алтынцев М. А., Карпик П. А. Создание метрической имитационной модели «цифрового двойника» активным методом дистанционного зондирования Земли // Вестник СГУГиТ. - 2020. - Т. 25, № 4. - С. 58-67.
Об авторах
Максим Александрович Алтынцев - кандидат технических наук, доцент кафедры инженерной геодезии и маркшейдерского дела.
Получено 28.07.2022
© М. А. Алтынцев, 2022
Integration of mobile laser scanning and aerial imagery data for generating digital surface models
M. A. Altyntsev1 *
1 Siberian State University of Geosystems and Technologies, Novosibirsk, Russian Federation
* e-mail: [email protected]
Abstract. Aerial photography and mobile laser scanning are some of the most efficient methods of surveying, which allow creating digital surface models of the area with high accuracy and detail. Both of these methods allow gathering information about the area in the form of point clouds. However, due to the fact that the aerial survey data are obtained from the air, and the MLS ones from the ground, point clouds obtained by different methods display the same territory with different detail. For example, the roofs of buildings are well recognized from aerial data, and their walls - from MLS ones. The necessity of combined use of heterogeneous data through their integration is appeared. In this case, it is necessary to solve a number of tasks, such as registration of point clouds, assessing visibility zones depending on the survey territory, saving in the final combined point cloud only those points in the overlapping areas that most accurately and fully describe the shapes of the terrain objects, filtering false measurements. The main tasks that arise during data integration are discussed. The technique of integrating mobile laser scanning and aerial photography data for generating a single digital surface model is proposed. This technique consists in recognizing the separated objects of the territory or their parts. The study results of the developed technique based on the data of Novosibirsk are presented.
Keywords: data integration, mobile laser scanning, aerial photography, digital surface model, relative orientation, registration, recognition
REFERENCE
1. Khlebnikova, T. A., & Gorobtsov, S. R. (2018). Modelirovanie i prostranstvennyj analiz v GIS. Cifrovoe modelirovanie rel'efa v GIS «Panorama» [Modeling and spatial analysis in GIS. Digital modeling of the terrain in the Panorama GIS]. Novosibirsk: SSUGT Publ., 70 p. [in Russian].
2. Nazarov, A. S. (2006). Fotogrammetriya [Photogrammetry]. Minsk: Tetrasistems Publ., 368 p. [in Russian].
3. Komissarov, A. V., & Altyntsev, M. A. (2020). Metod aktivnogo distancionnogo zondirovaniya: laz-ernoe skanirovanie [Active remote sensing method: laser scanning]. Novosibirsk: SSUGT Publ., 254 p. [in Russian].
4. Huang, X., Gruen, A., Qin, R., Du, T., & Fang, W. (2013). Integration of mobile laser scanning data with UAV imagery for very high-resolution 3D city modelling. Proceedings of the 8thInternational Symposium on Mobile Mapping Technology (MMT2013).
5. Hassan, A. T., & Fritsch, D. (2019). Integration of laser scanning and photogrammetry in 3d/4d cultural heritage preservation - a review. International Journal of Applied Science and Technology, 9(2), 76-91.
6. Mitka, B., & Rzonca, A. (2009). Integration of photogrammetric and 3D laser scanning data as a flexible and effective approach for heritage documentation. International Archives of ISPRS, XXXVIII-5/W1.
Вестник CTyTuT, Tom 27, № 5, 2022
7. Ronnholm, P., Honkavaara, E., Litkey, P., Hyyppa, H., & Hyyppa, J. (2007). Integration of laser scanning and photogrammetry. ISPRS Workshop on Laser Scanning 2007 andSilviLaser 2007,XXXVI, Part 3/W52, 355-362.
8. Urso, M. G. D., & Russo, G. (2008). On the integrated use of laser-scanning and digital photogrammetry applied to an archaeological site. International Archives of ISPRS, XXXVII-B5, 1107-1112.
9. Han, Y., & Oh, J. (2018). Automated geo/co-registration of multi-temporal very-high-resolution imagery. Sensors, 75(1599). doi: 10.3390/s18051599.
10. Guk, A. P. & Altyntsev, M. A. (2017). Automatic identification of corresponding points for aerial images of forest areas. VestnikSGUGiT[VestnikSSUGT], 22(4), 68-77 [in Russian].
11. Liu, S., & Jiang, J. (2019). Registration Algorithm Based on Line-Intersection-Line for Satellite Remote Sensing Images of Urban Areas. Remote Sensing, 77(1400). doi: 10.3390/rs11121400.
12. Forkuo, E. K., & King, B. (2004). Automatic fusion of photogrammetric imagery and laser scanner point clouds. International Archives of ISPRS, XXXV-B4, 921-926.
13. Wu, B., & Tang, S. (2015). Review of geometric fusion of remote sensing imagery and laser scanning data. International Journal of Image and Data Fusion, 6, 97-114.
74. Komissarov, A. V., & Kalinina, M. A. (2015). A method of combined obtaining and processing data of terrestrial laser scanning and digital shooting. Geodeziya i aerofotos"emka [Geodesy and Aerophotosur-veying], 4, 39-42 [in Russian].
75. Vaaja, M., Kurkela, M., Hyyppa, H., Alho, P., Hyyppa, J., Kukko, A., Kaartinen, H., Kasvi, E., Kaa-salainen, S., & Ronnholm, P. (2012). Fusion of mobile laser scanning and panoramic images for studying river environment topography and changes. International Archives of ISPRS, XXXVIII-5/W72, 319-324.
76. Georgopoulos, A., Tsakiri, M., Ioannidis, C., & Kakli, A. (2004). Large scale orthophotography using DTM from terrestrial laser scanning. International Archives of ISPRS, XXXV-B5, 467-472.
77. Guarnieri, A., Remondino, F., & Vettore, A. (2006). Digital photogrammetry and TLS data fusion applied to cultural heritage 3D modelling. International Archives of ISPRS, XXXVI-B.
78. Demir, N., Poli, D., Baltsavias, E. (2008). Extraction of buildings and trees using images and LiDAR data. International Archives of ISPRS, XXXVII, 375-382.
79. Zhou, M., Kang, Z., Wang, Z., & Kong, M. (2020). Airborne lidar point cloud classification fusion with DIM point cloud. International Archives of ISPRS, XLIII-B2-2020, 375-382.
20. Altyntsev, M. A., & Karkokli Hamid Majid Saber. (2021). Technique of automatic mobile laser scanning data filtering. Vestnik SGUGiT [Vestnik SSUGT], 26(3), 5-19 [in Russian].
27. Altyntsev, M. A., & Karkokli Hamid Majid Saber. (2021). Technique of automatic mobile laser scanning data adjustment. Vestnik SGUGiT [Vestnik SSUGT], 26(4), 5-23 [in Russian].
22. TerraScan User Guide. (n. d.). Retrieved from https://terrasolid.com/guides/tscan/
index.html (accessed July 01, 2022).
23. Axelsson, P. (2000). DEM generation from laser scanner data using adaptive TIN models. International Archives of ISPRS, XXXIII-4, 111-118.
24. TerraScan: Vegetation Index. (n. d.). Retrieved from https://support.geocue.com/terrascan-vegetation-index (accessed July 01, 2022).
25. Altyntsev, M. A., & Karpik, P. A. (2020). The technique for creating digital three-dimensional models of oil and gas manufacturing facility object infrastructure using terrestrial laser scanning. Vestnik SGUGiT [VestnikSSUGT], 25(2), 121-139 [in Russian].
26. Altyntsev, M. A., & Karpik, P. A. (2020). Seating metric simulated model of a "digital twin" by the active earth remote sensing method. Vestnik SGUGiT [Vestnik SSUGT], 25(4), 58-67 [in Russian].
Author details
Maxim A. Altyntsev - Ph. D, Associate Professor, Department of Engineering Geodesy and Mine Surveying. Received 28.07.2022
© M. A. Altyntsev, 2022
