Τρισδιάστατη απεικόνιση ανακατασκευής κτιρίου και ψηφιακά μοντέλα επιφάνειας εξαγόμενα από δορυφορική απεικόνιση

[[Εικόνα:vr_a1_e1.jpg|300px|thumb|right|Εικόνα 1. Η περιοχή μελέτης οριοθετείται από το κόκκινο πολύγωνο. Τα σημεία GCP, τα οποία απεικονίζονται με κόκκινες κουκίδες, χρησιμοποιούνται για να βελτιώσουν το RPC μοντέλο του αισθητήρα. Τα πολύγωνα με τη μαύρη διακεκομμένη γραμμή υποδεικνύουν τη βάση δεδομένων των τρισδιάστατων κτιρίων (Ikonos MS image, 2005-05-16, RGB).]]

[[Εικόνα:vr_a1_e2.jpg|300px|thumb|right|Εικόνα 2. Διάγραμμα ροής για τη βελτίωση της τρισδιάστατης ψηφιακής απεικόνισης του εδάφους και των κτιρίων σε ένα DSM, το οποίο έχει εξαχθεί φωτογραμμετρικά από δορυφορικές εικόνες.]]

[[Εικόνα:vr_a1_e3.jpg|300px|thumb|right|Εικόνα 3. Συγχώνευση του DTM και του DBM σε ένα τελικό DSM, που καλύπτει την περιοχή μελέτης.]]

[[Εικόνα:vr_a1_e4.jpg|300px|thumb|right|Εικόνα 4 (Α και Β). Μεγέθυνση και προοπτική απεικόνιση μιας περιοχής που αποτελείται κυρίως από βιομηχανικά/εμπορικά κτίρια και μιας πυκνοδομημένης περιοχής του κέντρου της πόλης, αντίστοιχα. Η οριοθέτηση των δύο περιοχών υποδεικνύεται στην εικόνα 3.]]

[[Εικόνα:vr_a1_e5.jpg|300px|thumb|right|Εικόνα 5. Προοπτική απεικόνιση ενός τμήματος του τελικού υβριδικού μοντέλου, που αποτελείται από στερεά κτιρίων και raster DTM 'ντυμένο' με pan-sharpened ορθοφωτογραφία.]] 

'''Πλήρης Τίτλος:''''Τρισδιάστατη απεικόνιση ανακατασκευής κτιρίου βασισμένη στην κάτοψη και ψηφιακά μοντέλα επιφάνειας εξαγόμενα από δορυφορική απεικόνιση'

'''Πρωτότυπος Τίτλος:''' '3D building reconstruction based on given ground plan information and surface models extracted from spaceborne imagery'

'''Συγγραφείς:''' Frederik Tack a, Gurcan Buyuksalih (b), Rudi Goossens (a)

(a) Department of Geography, Ghent University, Krijgslaan 281, Building S8, 9000 Ghent, Belgium

(b) IMP-Bimtas, Evliya Celebi Mahallesi., Mesryutiyet Caddesi., Eski Tuyap Binasi 88, 34430 Beyoglu, Istanbul, Turkey

'''Πηγή:''' Elsevier, ISPRS Journal of Photogrammetry and Remote Sensing, 67 (2012), 52-64 

'''Λέξεις Κλειδιά:''' τρισδιάστατα μοντέλα επιφάνειας, DSM, φωτογραμμετρία, υψηλής ανάλυσης δορυφορικές εικόνες, δισδιάστατες κατόψεις


'''Περίληψη:''' Τα τρισδιάστατα ψηφιακά μοντέλα επιφάνειας κερδίζουν συνεχώς έδαφος ως ένα σημαντικό εργαλείο αστικού σχεδιασμού και χαρτογράφησης. Ωστόσο, η πολύπλοκη φύση του αστικού περιβάλλοντος αποτελεί πρόκληση διερεύνησης των σύγχρονων ορίων της τρισδιάστατης ψηφιακής απεικόνισης επιφάνειας από υψηλής ανάλυσης δορυφορικές εικόνες. Η παρούσα προσέγγιση χρησιμοποιεί τη γεωμετρική πληροφορία κτιρίων που παρέχεται στις δισδιάστατες κατόψεις, προκειμένου να εξελίξει ένα τρισδιάστατο ψηφιακό μοντέλο επιφάνειας το οποίο έχει εξαχθεί φωτογραμμετρικά από δορυφορικές εικόνες.  

Αρχικά, τα κτίρια αφαιρούνται από το DSM (Digital Surface Model-Ψηφιακό Μοντέλο Επιφάνειας) το οποίο βασίζεται στα δισδιάστατα πολύγωνα των κατόψεων των κτιρίων. Για τη δημιουργία πρισματικών μορφών με κατακόρυφους τοίχους και επίπεδη οροφή, το σχήμα του κτιρίου εξάγεται από τη βάση δεδομένων του κτηματολογίου, ενώ το ύψος του κτιρίου, από το DSM. Για κάθε δισδιάστατο περίγραμμα κτιρίου, εισάγεται ένα σταθερό ύψος στέγης, το οποίο καθορίζεται με στατιστικούς υπολογισμούς των τιμών του ύψους.  

Μετά την εξαγωγή των κτιρίων από το αρχικό μοντέλο, το εναπομείναν DSM υπόκειται σε περεταίρω επεξεργασία, έτσι ώστε να απλοποιηθεί σε ένα ομαλό DTM (Digital Terrain Model-Ψηφιακό Μοντέλο Εδάφους), το οποίο απεικονίζει μόνο το έδαφος, χωρίς αντικείμενα, βλάστηση, αυτοκίνητα ή αστικό εξοπλισμό. Σε μία επόμενη φάση, και τα δύο μοντέλα συγχωνεύονται για να παράξουν ένα ολοκληρωμένο αστικό μοντέλο, ή ένα γενικευμένο DSM. Η ακρίβεια του γενικευμένου μοντέλου επιφάνειας αξιολογείται σύμφωνα με μια ποσοτική-στατιστική ανάλυση σε σύγκριση με δύο διαφορετικούς τύπους δεδομένων αναφοράς.


'''Εισαγωγή:''' Τα τρισδιάστατα αστικά μοντέλα εφαρμόζονται όλο και περισσότερο ως βάση δεδομένων ή μέθοδος οπτικοποίησης/επικοινωνίας σε έναν αυξανόμενο αριθμό τομέων όπως είναι ο αστικός σχεδιασμός και η διαχείριση της πόλης, η αρχιτεκτονική, η αρχαιολογία, ο τουρισμός, οι τηλεπικοινωνίες, η παροχή ενέργειας, η πλοήγηση, η προσομοίωση του περιβάλλοντος, η διαχείριση των καταστροφών, η βιομηχανία παιχνιδιών, κλπ. Ακόμη, ανταποκρίνονται σε ένα ευρύ φάσμα δραστηριοτήτων όπως είναι η βιώσιμη αστική ανάπτυξη, η απεικόνιση της ροής του νερού, οι μελέτες του αστικού κλίματος, η ενημέρωση χαρτών, οι περιβαλλοντικές αξιολογήσεις, η ανάλυση του εδάφους, ο αρχιτεκτονικός σχεδιασμός, οι τρισδιάστατες απεικονίσεις, κ.λπ. Παρά το γεγονός ότι αυτά τα πεδία εφαρμογής μοιράζονται την κοινή ζήτηση για τρισδιάστατη απεικόνιση, οι ειδικές απαιτήσεις τους όσον αφορά την ακρίβεια, τη λεπτομέρεια και την επικαιροποίηση των στοιχείων διαφέρουν σημαντικά.

Έτσι, μπορούν να διακριθούν διαφορετικά Επίπεδα Λεπτομέρειας (LoD-Levels of Detail), με κάθε ένα να αντιστοιχεί σε ένα συγκεκριμένο βαθμό λεπτομέρειας. Ένα αστικό αντικείμενο ή ένα χαρακτηριστικό απεικονίζεται με βάση το επίπεδο λεπτομέρειας στο οποίο ανήκει. Από το 2008, για την ψηφιακή απεικόνιση τρισδιάστατων αντικείμενων και κυρίως κτιρίων, έχει υιοθετηθεί ως πρότυπο η City Geography Markup Language, CityGML, έκδοση 1.0.0. Εύκολα συμπεραίνουμε ότι όσο το επίπεδο της λεπτομέρειας μεγαλώνει, αυξάνεται η προσπάθεια και το κόστος παραγωγής, ενώ το επίπεδο του προγραμματισμού μειώνεται. 

Η παρούσα προσέγγιση στοχεύει στην εξαγωγή ενός προσεγγιστικού τρισδιάστατου αστικού μοντέλου LoD1, το οποίο βασίζεται σε στερεοσκοπικές δορυφορικές εικόνες Ikonos υψηλής ανάλυσης και σε μία εξωτερική βάση δεδομένων δισδιάστατων κατόψεων κτιρίων. Το μοντέλο LoD1 περιλαμβάνει πρισματικά κτίρια με επίπεδη οροφή, χωρίς καθόλου απόδοση της υφής στη στέγη ή στους τοίχους. Το ύψος των κτιρίων υπολογίζεται μέσω φωτογραμμετρικής εξαγωγής από στερεοσκοπικές ψηφιακές εικόνες, ενώ η θέση, ο προσανατολισμός και το σχήμα τους συλλέγονται από τη δισδιάστατη βάση δεδομένων του κτηματολογίου.

Έρευνες και μέθοδοι που ασχολήθηκαν με την εξαγωγή DSM από υψηλής ανάλυσης δορυφορικές εικόνες, ανέδειξαν την πολυπλοκότητα του προβλήματος της απόδοσης τέτοιων ψηφιακών  μοντέλων από στερεοσκοπικές εικόνες. Παρά την υψηλή απόδοση των αυτοματοποιημένων προσεγγίσεων, η δημιουργία μίας πλήρως αυτοματοποιημένης διαδικασίας για την απεικόνιση επιφάνειας από εικόνες μεγάλης κλίμακας (αεροφωτογραφίες και δορυφορικές εικόνες) πυκνοκατοικημένων περιοχών, παραμένει  ένα άλυτο ζήτημα. Οι πόλεις αποτελούνται από ένα πολύπλοκο μείγμα τεχνητών και φυσικών αστικών χαρακτηριστικών, με έντονη διαφοροποίηση στο μέγεθος, στο σχήμα, στη σύνθεση και στη διάταξη. Αυτή η ποικιλομορφία συχνά δυσχεραίνει τη διαδικασία της αυτοματοποίησης.  

Στην παρούσα έρευνα, παρουσιάζεται μία εφαρμόσιμη, αποδοτική και ιδιαίτερα αυτοματοποιημένη προσέγγιση, η οποία παράγει ένα γενικευμένο, LoD1 αστικό μοντέλο, βασισμένο στην φωτογραμμετρική επεξεργασία 1m ανάλυσης δορυφορικών εικόνων Ikonos, με δεδομένες τις κατόψεις των κτιρίων.  Η έρευνα εφαρμόζεται σε μία μεγάλης έκτασης πυκνοδομημένη περιοχή, 60 km2, η οποία αποτελείται από κτίρια υψηλής ποικιλομορφίας. Οι βασικοί στόχοι είναι οι εξής:

* ο έλεγχος της λειτουργικότητας και της εφαρμοστικότητας της μεθόδου
* η βελτίωση της τρισδιάστατης ψηφιακής απεικόνισης των κτιρίων
* η παραγωγή ενός ψηφιακού μοντέλου εδάφους (DΤM), μετά την εξαγωγή των κτιρίων από το ψηφιακό μοντέλο επιφάνειας (DSM) και
* η βέλτιστη αναπαράσταση ενός υβριδικού αστικού μοντέλου


'''Πηγή εικόνων και πεδίο έρευνας:''' Για τη διεξαγωγή της έρευνας επιλέχτηκε ο δορυφόρος Ikonos, λόγω της υψηλής ραδιομετρικής και γεωμετρικής ικανότητας των εικόνων. Ο Ikonos, η λειτουργία του οποίου ξεκίνησε το 1999, ήταν ο πρώτος εμπορικός δορυφόρος με δυνατότητα απόδοσης υψηλής ανάλυσης παγχρωματικών (0,45 - 0,90 lm) και πολυφασματικών εικόνων σε περίπου 1 και 4m, αντίστοιχα. Η πλατφόρμα VHR Ikonos έχει τη δυνατότητα περιστροφής του αισθητήρα μέχρι και 26° από το ναδίρ. Έτσι, μπορούμε να έχουμε εικόνες της ίδιας τοποθεσίας ταυτόχρονα από δύο διαφορετικές οπτικές γωνίες.

Η μελέτη διεξάγεται σε ένα τμήμα 60 περίπου km2 της Κωνσταντινούπολης (εικόνα 1). Η πόλη χαρακτηρίζεται από έντονη αστική ανάπτυξη, η οποία εμφανίζει ιδιαίτερη χωρική πύκνωση κατά μήκος του Βοσπόρου. 


'''Αλγόριθμος εξαγωγής της τρισδιάστατης επιφάνειας:''' Καθώς ο σκοπός της έρευνας δεν είναι η μεθοδολογία της φωτογραμμετρικής εξαγωγής ενός μοντέλου επιφάνειας, αλλά η βελτίωσή του, θα αναφερθούμε επιγραμματικά στα στάδια εξαγωγής της τρισδιάστατης επιφάνειας:

1. Αρχικά, οι εικόνες VHR διορθώνονται ραδιομετρικά και αυξάνεται η αντίθεσή τους (contrast), με τη χρήση ενός φίλτρου (LCE Wallis filter). Με τον τρόπο αυτό, βελτιώνεται η υφή στις έντονα σκιασμένες περιοχές και εξισορροπούνται οι ραδιομετρικές ανομοιογένειες που υπάρχουν λόγω των διαφορετικών ατμοσφαιρικών συνθηκών και φωτισμού.

2. Στη συνέχεια, για τον καθορισμό της σχέσης της δυσδιάστατης εικόνας και του τρισδιάστατου χώρου του αντικειμένου, καθώς και για τον υπολογισμό της θέσης του αισθητήρα (x0, y0, z0) και της γωνίας περιστροφής του κατά μήκος των τριών αξόνων (x, u, j) κατά τη λήψη της εικόνας, εκτελείται μια διαδικασία προσαρμογής block bundle, βασισμένη στους Λογικούς Συντελεστές του Πολυωνύμου  (Rational Polynomial Coefficients-RPCs) και στο Λογικό Λειτουργικό Μοντέλο Αισθητήρα (Rational Functional sensor Model-RFM). Με τη βοήθεια ενός C-Nav Διαφορικού συστήματος GPS, μετρήθηκαν 50 ευδιάκριτα GCPs, ομοιογενώς κατανεμημένα σε όλη την περιοχή μελέτης. Συνολικά χρησιμοποιήθηκαν 15 σημεία με γνωστές συντεταγμένες, ομοιογενώς κατανεμημένα και σαφώς αναγνωρίσιμα στις εικόνες, προκειμένου να περιγραφεί η σχέση μεταξύ των ψηφιακών εικόνων και του εδάφους (εικόνα 1).

3. Αφού ολοκληρωθεί η διαδικασία αντιστοίχισης της εικόνας, η οποία θεωρείται ο πυρήνας της φωτογραμμετρικής εξαγωγής, το μοντέλο της επιφάνειας υποβάλλεται σε περαιτέρω επεξεργασία, υπολογίζοντας τις διαφορές στο ύψος των κτιρίων, μέσω της μέτρησης της απόκλισης των αντίστοιχων pixels. Ο αλγόριθμος λειτουργεί με μια λογική 'πυραμίδας' εικόνων, η οποία αποτελείται από εικόνες με εκθετικά φθίνουσες αναλύσεις (resolutions). Στη βάση της πυραμίδας βρίσκεται η αρχική εικόνα, ενώ σε κάθε επίπεδο παράγεται ένα ενδιάμεσο, περισσότερο βελτιωμένο DSM.

4. Ακολουθεί η ανίχνευση σημείων που ανήκουν σε μια γειτονιά με μέγιστη διακύμανση των επιπέδων γκρι. Για την αντιστοίχιση των σημείων του πλέγματος με τα σημεία της αρχικής εικόνας, ο αλγόριθμος Area-Based Matching  (ABM) χρησιμοποιεί ένα συντελεστή συσχέτισης για τον προσδιορισμό πιθανών 'ταιριαστών υποψηφίων'.

5. Στο τελικό στάδιο της διαδικασίας, μία μέθοδος Ελαχίστων Τετραγώνων (Multi-Photo Geometrically Constrained least-squares matching method-MPGC) χρησιμοποιείται για την περαιτέρω βελτίωση του τελικού αποτελέσματος, τη δημιουργία μιας συνεχούς επιφάνειας και την ανίχνευση πιθανών σφαλμάτων. Τα εξαγόμενα γραμμικά χαρακτηριστικά χρησιμοποιούνται για τη διάκριση των φυσικών και τεχνιτών ασυνεχών επιφανειών, όπως είναι οι κορυφογραμμές και οι κατακόρυφοι τοίχοι. Πριν την εξαγωγή του τελικού DSM, αποκλείονται επίπεδα πληροφορίας που δεν είναι χρήσιμα και το παραγόμενο μοντέλο έχει μέγεθος πλέγματος 3m. Η συγκεκριμένη ανάλυση προσφέρει καλύτερη ισορροπία μεταξύ λεπτομέρειας και μείωσης θορύβου, ενώ συμβάλει στην αποφυγή της υπερφόρτωσης πληροφοριών. 


'''Μεθοδολογία βελτίωσης DSM:''' Στην εικόνα 2 απεικονίζεται η προτεινόμενη διαδικασία για τη μείωση του θορύβου και των σφαλμάτων στο μοντέλο της επιφάνειας, τη βελτίωση της τρισδιάστατης απεικόνισης των κτιρίων, καθώς και τη γενίκευση του DSM σε ένα ομαλό DMT το οποίο θα απεικονίζει μόνο το έδαφος. Σε αυτό το στάδιο ορίζεται ένα Ψηφιακό Μοντέλο Κτιρίων  (Digital Building Model-DBM), το οποίο αναπαριστά μόνο την κτιριακή μάζα. Σκοπός είναι η δημιουργία πρισματικών μοντέλων κτιρίων, ελαχιστοποιώντας τόσο την ομαλή μετάβαση από το επίπεδο του εδάφους στην οροφή των κτιρίων, όσο και την στρογγυλεμένη απότμηση των ακμών τους. Τα κτιριακά μοντέλα περιγράφουν ένα κτίριο με βάση το πολύγωνο της κάτοψής του (δοσμένο από μία υπάρχουσα, εξωτερική βάση δεδομένων κατόψεων κτιρίων) και ένα υπολογισμένο ύψος. Στη συνέχεια, τα δύο μοντέλα (DBM και DTM) συγχωνεύονται, δημιουργώντας ένα βελτιωμένο DSM ή ένα τρισδιάστατο αστικό μοντέλο LoD1. Ωστόσο, πριν τη συνένωση των μοντέλων πρέπει να ανιχνευθούν πιθανές ανωμαλίες που σχετίζονται με την περίπτωση ασυμφωνίας στο ύψος ενός κτιρίου. Στην εικόνα 3 απεικονίζεται το βελτιωμένο DSM ολόκληρης της περιοχής μελέτης, ενώ στην εικόνα 4 παρουσιάζονται δύο περιοχές του χάρτη σε μεγέθυνση και προοπτική απεικόνιση.

Η οπτική/ποιοτική ανάλυση του αποτελέσματος δείχνει ότι το μοντέλο της πόλης αναπαριστά το έδαφος, τα κτίρια και τη σχέση κτιρίου-δρόμου με αρκετά λεπτομερή τρόπο. Οι βασικότερες κατηγορίες κτιρίων της βάσης δεδομένων έχουν αναπαρασταθεί σωστά, παρά το ότι διαμορφώθηκαν με μοντέλο LoD1. Το σχήμα των κτιρίων, είτε πρόκειται για πολυκατοικίες και μονοκατοικίες είτε για μεγάλα βιομηχανικά και εμπορικά κτίρια, προσεγγίζει κατά πολύ το πραγματικό τους. Αντί για ένα ακανόνιστο σχήμα, τα κτίρια έχουν μία πρισματική μορφή με σχεδόν κατακόρυφους τοίχους και επίπεδη οροφή. Η απομάκρυνση των σκιών, το μορφολογικό φιλτράρισμα του επιπέδου του εδάφους, καθώς και η σκόπιμη αφαίρεση των ακραίων τιμών, οδήγησε σε μία ενιαία οπτικά επιφάνεια, χωρίς θόρυβο, σφάλματα, βλάστηση και σημεία εκτός του εδάφους. 


'''Υβριδικό raster-vector αστικό μοντέλο:''' Το υβριδικό μοντέλο απαιτεί τη μετατροπή του επιπέδου DBM, από raster σε vector, αποδίδοντας τα κτίρια με γεωμετρικό τρόπο. Σε πρώτη φάση, εισάγεται στα δυσδιάστατα πολύγωνα η ιδιότητα της στάθμης της οροφής κάθε κτιρίου ως παράμετρος του μέσου ύψους,  ενώ στη συνέχεια τα πολύγωνα μετατρέπονται σε πρισματικές δομές στερεών πάνω στο επίπεδο του raster DTM. Η κατασκευή του στερεού που αντιστοιχεί σε κάθε κτίριο, βασίζεται στην υπόθεση ότι ύψος της οροφής ενός κτιρίου είναι σταθερό και παράλληλο προς το έδαφος, ενώ οι τοίχοι του κάθετοι σε αυτό και επίπεδοι. Ψηφιακά αρχιτεκτονικά μοντέλα LoD3, με υψηλής ανάλυσης υφή και λεπτομερή απεικόνιση της δομής, δημιουργήθηκαν με σκοπό την απεικόνιση των σημαντικότερων τοποσήμων της περιοχής μελέτης. 

Για τη φωτορεαλιστική αναπαράσταση του αστικού μοντέλου, το DTM 'επενδύεται' με ορθοφωτογραφίες (ανάλυση 1m ή 1pixel), οι οποίες έχουν υποστεί πρώτα ορθοδιόρθωση και έχουν αναχθεί σε ένα σύστημα γεωγραφικών συντεταγμένων. Η ορθοαναγωγή των εικόνων δεν μειώνει μόνο τα λάθη στη γεωμετρική απεικόνιση των κτιρίων, αλλά αντιμετωπίζει επίσης στρεβλώσεις που οφείλονται στο έδαφος και στην καμπυλότητα της Γης. Στις 'γεω-διορθομένες' εικόνες εφαρμόζεται στη συνέχεια μία Gram-Schmidt (GS) φασματική όξυνση (sharpening). Πιο συγκεκριμένα, η παγχρωματική ζώνη 1m οξύνεται συνδυαζόμενη με χαμηλής ανάλυσης πολυφασματικές ζώνες 4m, για την παραγωγή μιας υψηλής ανάλυσης RGB εικόνας 1m. 

Στην εικόνα 5 παρουσιάζεται ένα τμήμα του τελικού υβριδικού μοντέλου που αποτελείται από vector στερεά κτιρίων και ένα raster DTM, 'επενδυμένο' με μία pan-sharpened ορθοφωτογραφία. 


'''Συμπεράσματα και συζήτηση:''' Η τρισδιάστατη απεικόνιση ενός αστικού μοντέλου από δορυφορικές εικόνες με χρήση ιδιαίτερα αυτοματοποιημένων φωτομετρικών μεθόδων, έχει εξαιρετικές δυνατότητες, αλλά το αστικό τοπίο και κυρίως η τρισδιάστατη ψηφιακή απεικόνιση των κτιρίων θεωρείται ως ένα αρκετά πολύπλοκο ζήτημα. Οι πιο σημαντικές στρεβλώσεις που εμποδίζουν την τρισδιάστατη απεικόνιση από δισδιάστατες δορυφορικές εικόνες, οφείλονται στις ραδιομετρικές ανομοιογένειες, στις σκιασμένες επιφάνειες, ιδιαίτερα σε περιοχές του πυκνοδομημένου κέντρου πόλης, και στις απότομες υψομετρικές διαφορές. Χωρίς την εξωτερική πληροφορία της γεωμετρίας των κτιρίων, η τρισδιάστατη απόδοση των απόλυτα κατακόρυφων τοίχων και των στενών δρόμων, καθώς και η αφαίρεση του οπτικού θορύβου και της υπερφόρτωσης πληροφοριών, θα ήταν σχεδόν αδύνατη. 

Μια γρήγορη, αποδοτική και αξιόπιστη προσέγγιση προτείνεται για την παραγωγή ενός LoD1 μοντέλου αστικής επιφάνειας, η οποία βασίζεται στη φωτογραμμετρική επεξεργασία ενός στερεοσκοπικού ζευγαριού εικόνων Ikonos, ανάλυσης 1m. Μέσω των δισδιάστατων πολυγώνων των κατόψεων των κτιρίων και χρησιμοποιώντας την παράμετρο του μέσου ύψους,  τα κτίρια του DBM που προκύπτει προσεγγίζουν με αρκετά σαφή τρόπο τους σημαντικότερους τύπους κτιρίων της περιοχής. Στη συνέχεια, το DTM γενικεύεται σε μία ομαλή συνεχή επιφάνεια, αποδίδοντας μόνο το στοιχείο του εδάφους. 

Από τεχνικής άποψης, η παρούσα προσέγγιση έχει γενικό χαρακτήρα και μπορεί εύκολα να προσαρμοστεί σε DSMs που προέρχονται από ένα ευρύ φάσμα αισθητήρων παρακολούθησης, με ακρίβεια μικρότερη του 1m, όπως είναι οι Worldview-1, Worldview-2 και ο GeoEye-1, καθώς και στον GeoEye-2, τρίτης γενιάς δορυφόρο παγχρωματικής λειτουργίας και ανάλυσης 0,25m.


'''Αναφορές'''

Alobeid, A., Jacobsen, K., Heipke, C., 2010. Comparison of matching algorithms for DSM generation in urban areas from Ikonos imagery. Photogrammetric Engineering & Remote Sensing 76 (9), 1041–1050.

Baillard, C., Zisserman, A., 1999. Automatic reconstruction of piecewise planar models from multiple views. Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, Ft. Collins, CO, 23–25 June, pp. 559–565.

Baltsavias, E., 1991. Multiphoto geometrically constrained matching. PhD Dissertation, Report No. 49, Institute of Geodesy and Photogrammetry, ETH Zurich, Switzerland, 221pp.

Baltsavias, E., Zhang, L., Eisenbeiss, H., 2006. DSM generation and interior orientation determination of Ikonos images using a testfield in Switzerland. Photogrammetrie, Fernerkundung. Geoinformation 2006 (1), 41–54.

Baz, I., Büyüksalih, G., Kersten, Th., Jacobsen, K., 2008. Documentation of Istanbul historic peninsula by static and mobile terrestrial laser scanning. International Archives of Photogrammetry and Remote Sensing 37 (Pt. B5), 993–998.

Binard, M., Tack, F., Van De Voorde, T., Cornet, Y., Canters, F., 2010. Use of multiangle high-resolution imagery and 3D information for urban land-cover classification: a case study on Istanbul. Proceeding of EARSeL SIG Joint Workshop, Gent, Belgium, 22–24 September, 10pp. (on CD-ROM).

Canny, J.F., 1986. A computational approach to edge detection. Pattern Analysis and Machine Intelligence 8 (6), 679–698.

Chen, Q., Gong, P., Baldocchi, D., Xie, G., 2007. Filtering airborne laser scanning data with morphological methods. Photogrammetric Engineering & Remote Sensing 73 (2), 175–185.

Crespi, M., De Vendictis, L., Grün, A., Iannucci, G., Poli, D., Volpe, F., Wang, X., 2007. DSM extraction from QuickBird and CartoSat stereopairs: quality assessment and comparison. Proceeding Conference of Optical 3D Measurement Techniques, Zurich, Switzerland, 9–12 July, pp. 195–203.

Dial, G., 2000. Ikonos satellite mapping accuracy. Proceeding ASPRS Annual Conference, Washington D.C., 22–26 May, 8pp. (on CD-ROM).

Fischer, A., Kolbe, T., Lang, F., Cremers, A., Förstner, W., Plümer, L., Steinhage, V., 1998. Extracting buildings from aerial images using hierarchical aggregation in 2D and 3D. Computer Vision and Image Understanding 72 (2), 195–203.

Flamanc, D., Maillet, G., Jibrini, H., 2003. 3D city models: an operational approach using aerial images and cadastral maps. International Archives of Photogrammetry and Remote Sensing 34 (Pt. W8), 53–58.

Fraser, C., Baltsavias, E., Grün, A., 2001. Ikonos Geo stereo images – geometric potential and suitability for 3D building reconstruction. In: Seyfert, E. (Ed.), Photogrammetrie-Fernerkundung-Geoinformation: Geodaten schaffen Verbindungen. Publications of the German Society for Photogrammetry and Remote Sensing, Berlin, pp. 113–121.

GeoEye, E., 2006. Ikonos-imagery products guide (Ver. 1.5). GeoEye, USA, 19pp. 

Grodecki, J., Dial, G., 2003. Block adjustment of high-resolution satellite images described by rational functions. Photogrammetric Engineering & Remote Sensing 69 (1), 59–70.

Grün, A., 1985. Adaptive least squares correlation: a powerful image matching technique. South Africa Journal of Photogrammetry. Remote Sensing and Cartography 14 (3), 175–187.

Grün, A., Wang, X., 1998. CC-Modeler: a topology generator for 3-D city models. ISPRS Journal of Photogrammetry and Remote Sensing 53 (5), 286–295.

Gülch, E., Müller, H., 2001. New applications of semi-automatic building acquisition. In: Baltsavias, E., Grün, A., Van Gool, L. (Eds.), Automatic Extraction of Man-Made Objects From Aerial and Space Images (III). Balkema, Lisse, pp. 103–114.

Guo, T., Yasuoka, Y., 2002. Snake-based approach for building extraction from high resolution satellite images and height data in urban areas. Proceeding of the 23rd Asian Conference on Remote Sensing, Kathmandu, Nepal, 25–29 November, 7pp. (on CD-ROM).

Haala, N., Anders, K., 1996. Fusion of 2D GIS and image data for 3D building reconstruction. International Archives of Photogrammetry and Remote Sensing 31 (Pt. B3), 285–290.

Haala, N., Brenner, C., 1999. Virtual city models from laser altimeter and 2D map data. Photogrammetric Engineering & Remote Sensing 65 (7), 787–795.

Herman, M., Kanade, T., 1986. Incremental reconstruction of 3D scenes from multiple complex images. Artificial Intelligence 30 (3), 289–341.

Jacobsen, K., 2006. Digital surface models of city areas by very high resolution space imagery. Proc. EARSeL Workshop of the SIG Urban Remote Sensing, Berlin, Germany, 2–3 March, 10pp. (on CD-ROM).

Jensen, J.R., Cowen, D., Kammerer, T., Huang, X., 1994. GPS and softcopy photogrammetry for large-scale digital elevation model creation and orthophoto mapping for urban applications. Proceeding of Mapping and Remote Sensing Tools for the 21st Century, ASPRS, Washington, D.C., 26–29 August, pp. 169–178.

Jibrini, H., Paparoditis, N., Deseilligny, M.P., Maξtre, H., 2000. Automatic building reconstruction from very high resolution aerial stereopairs using cadastral ground plans. International Archives of Photogrammetry and Remote Sensing 33 (Pt. B2), 213–219.

Kada, M., McKinley, L., 2009. 3D building reconstruction from LiDAR based on a cell decomposition approach. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 38 (Pt. 3/W4), 47–52.

Kanade, T., Okutomi, M., 1994. A stereo matching algorithm with an adaptive window: theory and experiment. Pattern Analysis and Machine Intelligence 16 (9), 920–932.

Kim, Z., Nevatia, R., 2004. Automatic description of complex buildings from multiple images. Computer Vision and Image Understanding 96 (1), 60–95.

Kolbe, T.H., Gröger, G., Plümer, L., 2005. CityGML – interoperable access to 3D city models. In: van Oosterom, P., Zlatanova, S., Fendel, E. (Eds.), Geo-Information for Disaster Management. Springer, New York, pp. 883–899.

Krauß, T., Reinartz, P., 2010. Enhancement of dense urban digital surface models from VHR optical satellite stereo data by pre-segmentation and object detection. International Archives of Photogrammetry and Remote Sensing 38 (Pt. 1), 6pp. (on CD-ROM).

Laben, C.A., Brower, B.V., 2000. Process for enhancing the spatial resolution of multispectral imagery using pansharpening. U.S. Patent No. 6011,875, Eastman Kodak Company.

Lafarge, F., Descombes, X., Zerubia, J., Pierrot-Deseilligny, M., 2008. Automatic building extraction from DEMs using an object approach and application to the 3D-city modeling. ISPRS Journal of Photogrammetry and Remote Sensing 63 (3), 365–381.

Li, Z., Zhu, Q., Gold, C., 2005. Digital Terrain Modeling: Principles and Methodology. CRC Press, Boca Raton.

Lue, Y., 1988. Interest operator and fast implementation. International Archives of Photogrammetry and Remote Sensing 27 (Pt. B3), 491–500.

Maas, H.G., Vosselman, G., 1999. Two algorithms for extracting building models from raw laser altimetry data. ISPRS Journal of Photogrammetry and Remote Sensing 54 (2), 153–163.

Meng, L., Forberg, A., 2007. 3D building generalisation. In: Mackaness, W., Ruas, A., Sarjakoski, T. (Eds.), Generalisation of Geographic Information: Cartographic Modelling and Applications. Elsevier Science Ltd., Oxford, pp. 211–232.

Mesev, V., 2003. Remotely sensed cities: an introduction. In: Mesev, V. (Ed.), Remotely Sensed Cities. Taylor and Francis, London, pp. 1–20.

Nevatia, R., Price, K.E., 2002. Automatic and interactive modeling of buildings in urban environments from aerial images. Proceeding of IEEE International Conference on Image Processing, Rochester, NY, 22–25 September 3, 525–528.

Podobnikar, T., 2009. Methods for visual quality assessment of a digital terrain model. Surveys and Perspectives Integrating Environment and Society 2 (2), 10pp.

Saint-Marc, P., Chen, J.S., Medioni, G., 1991. Adaptive smoothing: a general tool for early vision. Pattern Analysis and Machine Intelligence 13 (6), 514–529.

Soille, P., 2003. Morphological Image Analysis: Principles and Applications, second ed. Springer-Verlag, New York.

Stilla, U., Jurkiewicz, K., 1999. Automatic reconstruction of roofs from maps and elevation data. International Archives of Photogrammetry and Remote Sensing 32 (Pt. 7-4-3/W6), 139–143.

Suveg, I., Vosselman, G., 2004. Reconstruction of 3D building models from aerial images and maps. ISPRS Journal of Photogrammetry and Remote Sensing 58 (3–4), 202–224.

Tack, F., Goossens, R., Büyüksalih, G., 2009. Semi-automatic city model extraction from tri-stereoscopic VHR satellite imagery. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences 38 (Pt. 3/W4), 89–96.

Taillandier, F., 2005. Automatic building reconstruction from cadastral maps and aerial images. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 36 (Pt. 3/W24), 105–110.

Terzopoulos, D., 1986. Regularization of inverse visual problems involving discontinuities. Pattern Analysis and Machine Intelligence 8 (4), 413–424.

Vinson, S., Cohen, L., 2002. Multiple rectangle model for buildings segmentation and 3D scene reconstruction. Proceeding of International Conference on Pattern Recognition. Quebec, Canada, 11-15 August, pp. 623–626.

Wallis, R., 1976. An approach to the space variant restoration and enhancement of images. Proceding of Symposium on Current Mathematical Problems in Image Science, Monterey, California, pp. 641–662.

Weidner, U., Förstner, W., 1995. Towards automatic building extraction from high resolution digital elevation models. ISPRS Journal of Photogrammetry and Remote Sensing 50 (4), 38–49.

Woo, D-M., Park, D-C., 2011. Stereoscopic modeling of building rooftop from IKONOS satellite image data. Proceeding of Conference on Information Science and Applications, Jeju Island, Korea (South), 26-29 April, 5pp. (on CD-ROM).

Yuhendra, Sumantyoc, J.T., Kuze, H., 2011. Performance analyzing of high resolution pan-sharpening techniques: increasing image quality for classification using supervised kernel support vector machine. Research Journal of Information Technology 3 (1), 12–23.

Zhang, L., 2005. Automatic digital surface model (DSM) generation from linear array images. PhD Dissertation, Report No. 88, Institute of Geodesy and Photogrammetry, ETH Zurich, Switzerland, 199pp.

Zhang, L., Grün, A., 2006. Multi-image matching for DSM generation from Ikonos imagery. ISPRS Journal of Photogrammetry and Remote Sensing 60 (3), 195–211.


[http://www.sciencedirect.com/science/article/pii/S0924271611001134 '''το άρθρο στο διαδίκτυο''']

 [[category:Αστικός και περιφερειακός σχεδιασμός]]