Τρισδιάστατη Τεκμηρίωση των Προεξοχών του Εδάφους με Λέιζερ Σαρωτή - Διήθηση της Βλάστησης
Από RemoteSensing Wiki
J. Kisztner, J. Jelínek, T. Daněk, J. Růžička
Link: [1]
Λέξεις - Κλειδιά: Λέιζερ Σάρωσης, Δεδομένα Cloud, 3D, Επεξεργασία Εικόνας, Τηλεπισκόπηση
Σκοπός
Η εργασία αυτή ασχολείται με τον διαχωρισμό της βλάστησης από τα δεδομένα 3D που αποκτήθηκαν από επίγειους σαρωτές Laser για την ανίχνευση πιο σύνθετων γεωλογικών δομών. Ο διαχωρισμός της βλάστησης από μία τέτοια απεικόνιση δεν είναι ένα εύκολο έργο. Σε πολλές περιπτώσεις, η προεξοχή δεν είναι σαφής και η βλάστηση ξεπερνά την προεξοχή. Ως εκ τούτου, ο διαχωρισμός της βλάστησης από τα 3D δεδομένα είναι ένα έργο που απαιτεί την προσαρμογή αλγόριθμων από την επεξεργασία εικόνας και την τηλεπισκόπηση. Με τη χρήση ανάλυσης διασποράς και ανάλυση φασματικής συμπεριφοράς που μπορεί να ανιχνεύσει την βλάστηση από το υπόλοιπο σκηνικό και να διαγράψει αυτά τα σημεία από το σκηνικό μπορεί να επιτευχθεί η ανάλυση των γεωλογικών δομών.
Εισαγωγή
Τα Laser συστήματα σάρωσης (επίγεια ή εναέρια) μαζί με τη ψηφιακή φωτογραμμετρία ή συμβολομετρία SAR ανήκουν στις συνήθως χρησιμοποιούμενες τεχνικές για την περιγραφή της επιφάνειας της γης. Ο αριθμός των εφαρμογών αυτών των συσκευών αυξάνεται παράλληλα με την ολοένα και καλύτερη οικονομική προσιτότητα τους. Στο πεδίο των γεωεπιστημών, σε συνδυασμό με τα Επίγεια Λέιζερ Σάρωσης (TLS) ή τα Lidar (Συστήματα Ανίχνευσης και Σκόπευσης), οι 3D οπτικοποίησεις από υπολογιστή έχουν ξεκινήσει να δημιουργούνται, συνήθως αναφέρονται ως ένα DOM Μοντέλο Ψηφιακών Προεξοχών ή ως VO – Εικονικές Προεξοχές. Το Lidar είναι μια καθιερωμένη μέθοδος για την ταχεία λήψη τρισδιάστατης γεωμετρίας των προεξοχών, με μεγάλη ακρίβεια και πυκνότητα σημείων. Το 2000, ο Bryant δημοσίευσε μια εργασία επικεντρωμένη στην παραγωγή DOM για τους σκοπούς της βιομηχανίας πετρελαίου, όπου αποδείχθηκαν τα πλεονεκτήματα της 3D οπτικοποίησης μεσώ υπολογιστή. Με την αύξηση της δημοτικότητα των GPS, των γεωδαιτικών σταθμών, των ψηφιακών φωτογραφιών και του Lidar, προέκυψαν και άλλες μελέτες που αφορούν αυτό το θέμα. Για παράδειγμα, ο Slob το 2005 χρησιμοποίησε Lidar σε αστικά τεχνικά έργα και σε τεχνικά έργα εξόρυξης που ασχολούνται με μάζες βράχων και απαιτούν μια καλή κατανόηση των ασυνεχειών (αρθρώσεις, ρήγματα) στα πετρώματα. Ως εκ τούτου, πολλοί συγγραφείς προσπάθησαν να εξάγουν τα δομικά στοιχεία από μία προσεκτικά δημιουργημένη 3D απεικόνιση των προεξοχών μέσω ημι-αυτόματη ή αυτόματη ανίχνευσης.
Μέθοδος
Οι 3D σαρώσεις ελήφθησαν χρησιμοποιώντας το Stonex X300. Είναι ένα 3D scanner με ένα ζευγάρι καμερών για την καταγραφή RGB απεικονίσεων και μια δέσμη ακτίνας λέιζερ 2,5 έως 300 μέτρων. Το Stonex X300 επιτρέπει σάρωση 360 μοιρών στο οριζόντιο εύρος και 90 μοιρών στο κάθετο. Το μεγάλο πλεονέκτημα του είναι η υψηλή ακρίβεια των 6 - 40 mm και η υψηλή ταχύτητα σάρωσης 40.000 σημείων ανά δευτερόλεπτο. Η βασική αρχή της σάρωσης προεξοχών βράχων είναι η επιλογή του αριθμού των σημείων ελέγχου και η αντίστοιχη θέση τους. Τα σημεία ελέγχου τοποθετήθηκαν με τέτοιο τρόπο, έτσι ώστε να μην προκύψουν νεκρά σημεία στο τελικό «νέφος» δεδομένων που προκαλούνται από τις σκιές της βλάστησης ή από τις προεξοχές. Στη συνέχεια ακολουθεί επεξεργασία των σημείων σε ένα ενιαίο σύνολο δεδομένων μέσω του λογισμικού Stonex Reconstructor που επιτρέπει τη σύνδεση των επιμέρους σημείων ελέγχου σε μία απεικόνιση με βάση τα στοχευμένα σημεία, και την εξαγωγή της σε διάφορες μορφές. Σε αυτή την εργασία, χρησιμοποιήθηκε η εξαγωγή σε μορφή X3D η οποία είναι από την οικογένεια γλωσσών XML και επιτρέπει την εύκολη επεξεργασία σε γλώσσα Python. Για την κατάρτιση του λογισμικού για τη επεξεργασία της βλάστησης, χρησιμοποιήθηκε το OpenCV και η γλώσσα Python
Αποτελέσματα
Ο διαχωρισμός της βλάστησης είναι ένα από τα πρώτα προβλήματα κατά την εργασία με το επίγειο Laser scanner. Η βλάστηση επικαλύπτει συχνά την περιοχή σάρωσης και προκαλεί προβλήματα με την αυτόματη επεξεργασία του συνόλου των σημείων. Η σωστή αφαίρεση της βλάστησης δημιουργεί τη βάση για την επακόλουθη επεξεργασία δεδομένων. Πολλές εργασίες περιγράφουν την απομάκρυνση της βλάστησης από τα 3D δεδομένα με παραδείγματα στα οποία η βλάστηση, και κυρίως τα δέντρα, δεν επικαλύπτουν την περιοχή σάρωσης. Αυτά είναι συχνά μεμονωμένα δέντρα που βρίσκονται μπροστά από τον βράχο ή την προεξοχή. Στις περιπτώσεις αυτές, ο διαχωρισμός της βλάστησης βασίζεται στην απόσταση από τον βράχο και η αποκόλληση είναι αρκετά εύκολη, διότι τα σημεία που αντιπροσωπεύουν τη βλάστηση είναι απλά και κόβονται ή διαγράφονται από το σύνολο των σημείων. Στην εργασία αυτή, γίνεται προσπάθεια να δημιουργηθεί μια διαδικασία και το λογισμικό γενικής χρήσης που είναι απαραίτητο για τον διαχωρισμό της βλάστησης στις πιο δύσκολες περιοχές. Η βλάστηση πολλές φορές υπέρ αναπτύσσεται συχνά στις προεξοχές (Εικόνα 1) ή τα δέντρα και οι θάμνοι μεγαλώνουν κατευθείαν πάνω στο βράχο. Έτσι, ο διαχωρισμός της βλάστησης με τη χρησιμοποίηση φίλτρων απόστασης τα οποία εφαρμόστηκαν στις απλές περιπτώσεις, δεν είναι δυνατός.. Έτσι γίνεται προσπάθεια να χρησιμοποιηθούν διαδικασίες που να επιτρέπουν την αυτόματη αφαίρεση της βλάστησης (Εικόνα 1). Η προτεινόμενη λύση χρησιμοποιεί ταξινόμηση αντικείμενων της εικόνας με τηλεπισκόπηση. Πάνω από την επιφάνεια του εδάφους, δέντρα και θάμνοι κατά βάση αποτελούνται από μίσχους, κλαδιά και φύλλα. Είναι απαραίτητο να βρεθούν αυτά τα συγκεκριμένα τμήματα αυτόματα στο σύνολο των σημείων και να γίνει η διαγραφή τους. Ένας από τους πιο λογικούς τρόπους για την ανίχνευση στελεχών αυτών και των κλάδων τους στο σύνολο των σημείων είναι η χρήση φίλτρων ακμής, και στην προκειμένη περίπτωση φίλτρου Canny. Κατά την επεξεργασία των 3D δεδομένων, η απουσία κοινών αλγόριθμων επεξεργασίας εικόνας είναι ένα μεγάλο πρόβλημα. Κατά τη χρήση κοινών αλγορίθμων, είναι απαραίτητο να μετατραπούν τα 3D δεδομένα σε 2.5D δεδομένα. Μετατροπή των δεδομένων από το 3D σε 2.5D με τη χρήση επίγειου λέιζερ σάρωσης πολλαπλών όψεων μπορεί να προκαλέσει μερική απώλεια πληροφοριών λόγω της επικάλυψης ή από την απώλεια σημείων κατά τη δημιουργία μιας 2.5D σκηνής. Έτσι αναπτύχθηκε μια διαδικασία για την αφαίρεση αυτών των επιπτώσεων. Με τη χρήση ενός απλού μοτίβου γίνεται μετάβαση από το σύνολο των σημείων και δημιουργούνται Ν-σκηνές στις οποίες μπορεί να εφαρμοστεί τελικά το φίλτρο Canny. Αρχικά, τα σημεία που αντιπροσωπεύουν τα φύλλα και την βλάστηση απομακρύνονται από το σύνολο των σημείων. Τα σημεία είναι ταξινομημένα με βάση την φασματική συμπεριφορά τους στο ορατό φάσμα. Μπορεί να χρησιμοποιηθεί ένας ταξινομητής ανά εικονοστοιχειο (Εικόνα 2). Στο συγκεκριμένο παράδειγμα, έχουμε μια κατηγορία στην οποία έχουμε ορίσει στατιστικά χαρακτηριστικά και συγκρίνουμε τα στοιχεία αυτά με τις τιμές σε κάθε εικονοστοιχειο. Η αποκλειόμενη κατηγορία των σημείων που απομακρύνονται περιέχει τμήματα βλάστησης, όπως φύλλα και χόρτα. Με την αφαίρεση της κατηγορία αυτής θα έχουμε καθαρότερα δεδομένα για περαιτέρω επεξεργασία. Ωστόσο, αυτή η μέθοδος δεν περιλαμβάνει χωρικά χαρακτηριστικά και χαρακτηριστικά πυκνότητας Με τη χρήση του αλγορίθμου DBSCAN (Εικόνα 3), μπορεί να ανιχνευθούν συμπλέγματα με υψηλή πυκνότητα και χωρική εγγύτητα. Μέσω της DBSCAN, τα συμπλέγματα χωρίζονται σε κατηγορίες και δημιουργούνται ακραίες τιμές . Τα συμπλέγματα αυτά είναι πολύ πιθανό να αντιπροσωπεύουν βλάστηση και μπορούμε να τα αφαιρέσουμε από το σύνολο των σημείων. Ο συνδυασμός της φασματικής συμπεριφοράς και των χωρικών χαρακτηριστικών των αντικειμένων, μας δίνει καλύτερα και πιο ακριβή αποτελέσματα της ταξινόμησης της βλάστησης από τα αποτελέσματα που παίρνουμε από τη χρήση μόνο φασματικών χαρακτηριστικών. Κάθε σημείο είναι μόνο ένα μέρος ενός μεγαλύτερου συνόλου, ως εκ τούτου, είναι απαραίτητο να επιλέγει η ίδια μέθοδος όταν γίνεται ανίχνευση. Ο στόχος δεν είναι πλήρης απομάκρυνση όλων των σημείων που αντιπροσωπεύουν βλάστηση, αλλά η επίτευξη των καλύτερων δυνατών αποτελεσμάτων με την υψηλότερη ακρίβεια ανίχνευσης.
Επίλογος
Ο διαχωρισμός της βλάστησης από απεικονίσεις με σκοπό την αποσαφήνιση των προεξοχών του εδάφους είναι μία σημαντική διαδικασία. Η λύση που προτείνει η παρούσα εργασία είναι προσαρμοστική και επιτρέπει την απομάκρυνση της βλάστησης σε γενικές γραμμές. Η συγκεκριμένη μελέτη δεν χρησιμοποιεί μόνο τις θέσεις των σημείων από τις προεξοχές των βράχων, αλλά υλοποιεί και ταξινόμηση από τηλεπισκόπηση και μεθόδους επεξεργασίας εικόνας. Έτσι η απομάκρυνση της βλάστησης που επηρεάζει την απεικόνιση των προεξοχών είναι ένα αποτέλεσμα συνδυασμού των δύο αυτών μεθόδων.. Ο στόχος δεν είναι ήταν μόνο να γίνει επεξεργασία των προεξοχών σε μία απλή μορφή βλάστησης, αλλά και να αναγνωρισθούν πολύπλοκες γεωλογικές δομές που συνυπάρχουν με διάφορα είδη βλάστησης όπως δάση, Γενικά, η επεξεργασία δεδομένων 3D είναι υπολογιστικά απαιτητική και οι αλγόριθμοι που χρησιμοποιούνται για την επεξεργασία εικόνας δεν επιτρέπουν την επεξεργασία των δεδομένων 3D. Τροποποιήσεις αυτών των αλγορίθμων και σωστός συνδυασμό τους με διαδικασίες τηλεπισκόπησης επιτρέπει την επεξεργασία του συνόλου των 3D σημείων.
