Determinación de Línea de Unión Basada en SGM para Mosaico de Ortofotos Urbanas - ScienceDirect

10/8/2019 Determinación de línea de unión basada en SGM para mosaico de ortofotos urbanas - ScienceDirect
Revistas y libros Crear cuenta Iniciar sesión
Descargar Compartir Exportar
Revista ISPRS de Fotogrametría y Teledetección

Volumen 112 , febrero de 2016 , páginas 1-12
Determinación de la línea de unión basada en SGM para el mosaico de ortofotos urbanas

Shiyan Pang a , b, Mingwei Sun a , Xiangyun Hu a , b, Zuxun Zhang a
Mostrar más
https://doi.org/10.1016/j.isprsjprs.2015.11.007 Obtenga derechos y contenido
Resumen
El mosaico es un paso clave en la producción de mapas de ortofotografía digital (DOM), especialmente para ortofotos urbanas a gran escala.
Durante este paso, la intervención manual suele estar involucrada para evitar el caso en el que la línea de unión cruza objetos obvios (p. Ej.,
Edificios), lo que provoca discontinuidades geométricas en los DOM. Cómo guiar la línea de costura para evitar cruzar objetos obvios se ha
convertido en un tema popular en el campo de la fotogrametría y la teledetección. Por lo tanto, en este estudio se propone un nuevo método
basado en el emparejamiento semi-global (SGM) para guiar la determinación de la línea de unión para el mosaico de ortofotos urbanas, que
puede eliminar en gran medida las discontinuidades geométricas. La geometría epipolar aproximada de los pares de ortofotos se deriva
primero y se prueba, y el par de imágenes epipolares aproximadas se genera rotando las dos imágenes ortorectificadas de acuerdo con la
dirección del paralaje . Se aplica un algoritmo SGM a sus superposiciones para obtener la disparidad correspondiente en píxeles. De
acuerdo con un umbral de disparidad predefinido, el área de superposición se identifica como las áreas con obstáculos y sin obstáculos. Para
las regiones sin obstáculos , se utiliza el algoritmo de adelgazamiento de Hilditch para obtener el esqueletolínea, seguida del algoritmo de
Dijkstra para buscar la ruta óptima en la red esquelética como la línea de unión entre dos ortofotos. Se construye una red completa de línea
de unión basada en la información de la tira registrada en vuelo. En la sección experimental, primero se analiza y verifica la teoría
geométrica epipolar aproximada de la ortofoto, y luego se valida la efectividad del método propuesto mediante la comparación de sus
resultados con los resultados del modelo síncrono de elevación basado en geometría, OrthoVista y ortoimagen ( OESM) basados en
métodos.
anterior Siguiente
Palabras clave
Mosaico de ortofotos; Determinación de línea de costura; SGM; Detección de área de obstáculos; Teoría geométrica epipolar
aproximada de ortofoto
1 . Introducción
En el campo de la fotogrametría , las imágenes aéreas rectificadas generalmente se unen en una imagen grande y luego se cortan en mapas
con un formato estándar. En el proceso de mosaico de ortofotos , las discontinuidades geométricas y radiométricas se generan
inevitablemente a lo largo de la línea de unión en la mayoría de los casos (Soille, 2006). Las discontinuidades radiométricas alrededor de la
línea de costura se pueden minimizar o corregir mediante los métodos propuestos porChandelier y Martinoty (2009)yPan et al. (2010), pero
esto está más allá del alcance de este estudio. Este estudio tiene como objetivo evitar discontinuidades geométricas a lo largo de la línea de
unión.
Para la optimización de la línea de costura, Milgram (1975) seleccionó inicialmente los "mejores" puntos de costura para cada línea
seleccionando la mínima diferencia de gris entre las superposiciones dentro de una región específica ; El borde artificial resultante en el
punto de costura se suavizó localmente. Posteriormente, Yang et al. (1989) presentaron un método de búsqueda bidimensional de puntos de
https://www-sciencedirect-com.bd.univalle.edu.co/science/article/pii/S0924271615002579 1/18
costura que puede suavizar considerablemente los bordes artificiales. A partir de entonces, Fernández et al. (1998) presentaron un
algoritmo de trayectoria más corta de cuello de botella para el mosaico de mapas fotográficos aéreos basado en la costura, que todavía toma
el valor absoluto de la diferencia de valor de píxeles como el costo. Para optimizar aún más el camino más corto del cuello de botella, un
codicioso procedimiento de búsqueda aleatoria adaptativa(GRASP) fue propuesto por Fernández y Mart (1999) . Teniendo en cuenta que la
disimilitud de las imágenes se muestra en términos de color y textura, Kerschner (2001) propuso un modelo de doble serpiente para
seleccionar un camino óptimo con la menor diferencia en una combinación de colores y texturas. Un método similar se puede encontrar en
Ai et al. (2011) . Mientras tanto, Soille (2006) desarrolló un algoritmo de composición de imágenes basado en una morfología matemática y
su paradigma de segmentación controlado por marcadores para colocar las costuras a lo largo de las estructuras de imagen más destacadas
para disminuir la visibilidad en el mosaico de salida . Zhao y col. (2013)detectó una línea de costura óptima a lo largo de los límites de los
objetos de cobertura terrestre al incorporar la segmentación de cuencas hidrográficas y el algoritmo de ruta más corta de Dijkstra . Chon y
col. (2010) presentaron un método de selección de línea de unión basado en limitar el nivel de diferencia máxima y el algoritmo de Dijkstra
con correlación cruzada normalizada como el costo. Pan y col. (2014) primero determinaron las regiones preferidas de acuerdo con la
extensión de las regiones segmentadas obtenidas por medio de la segmentación por desplazamiento. El algoritmo de Dijkstra en costo
diferencial se adoptó para lograr la optimización a nivel de píxeles en la selección de la línea de unión. Además, correlación de grises (
Zhang et al., 2009 ), gradiente de imagen (Pan y Wang, 2011 ), la combinación de restricción de similitud de apariencia (p. Ej., Color, borde
y textura), restricción de ubicación y restricción de prominencia (Yu et al., 2012 ) también se usaron como costos en la investigación
posterior.
Con respecto a la construcción de una red de línea de unión, Yang et al. (2011) propusieron un algoritmo de línea de unión basado en la
bisectriz, que puede aplicarse a polígonos complejos e imágenes múltiples. Al introducir el concepto AVDO (diagramas de Voronoi de área
con superposición), Pan et al. (2009) presentaron un método de generación de red de línea de unión con base global . Sobre la base de este
método, Mills y McLeod (2013) llevaron a cabo más investigaciones y propusieron un método para la colocación óptima de vértices para la
generación de redes de línea de unión.
Teniendo en cuenta que depender únicamente de la información espectral y su información derivada (por ejemplo, la diferencia de grises ,
el gradiente de la imagen , el borde, la textura, el coeficiente de correlación normalizado y la prominencia) en la región de superposición
como el costo para la selección de la línea de costura, el caso donde la línea de costura es a través del objeto de construcción en la región sin
textura todavía existe. En los últimos años, se han propuesto algoritmos de optimización de línea de unión que utilizan datos externos. Wan
y col. (2013) presentaron un método de generación de línea de unión utilizando caminos vectoriales. En este método, las carreteras
vectoriales se superponen con el esqueleto extraídopara construir un gráfico ponderado; el algoritmo Floyd-Warshall se aplica para
encontrar la ruta de menor costo. Un método similar se puede encontrar en Wan et al. (2012) . La diferencia significativa entre los dos es
que Wan et al. (2012) utilizaron el algoritmo de Dijkstra como método de optimización de línea de unión. Ma y Sun (2011) propusieron el
hallazgo de línea de unión para el mosaico de ortofotos con nubes de puntos LiDAR. En este método, se adoptaron diagramas de Voronoi
para generar las líneas de unión iniciales de toda el área. Un mejorado A * algoritmo se utiliza para hacer automáticamente las líneas de
costura evitar los obstáculos identificados por delinear los agujeros negros de nubes de puntos filtrados. Para resolver las inconsistencias
entre el DSM y la ortofoto, Chen et al. (2014)propuso un método de generación de red de línea de unión basado en el modelo síncrono de
elevación de ortoimagen (OESM) para el mosaico de ortofotos urbanas utilizando un modelo de superficie digital. En este método, OESM se
obtuvo primero por DSM y DTM ; El algoritmo de Dijkstra se usó para obtener la línea de unión de dos imágenes, seguido de la generación
de una red de línea de unión. El algoritmo de optimización de línea de unión utilizando los datos externos obtuvo mejores resultados. Sin
embargo, en la mayoría de los casos, no hay datos externos disponibles para la creación de mosaicos, lo que limita significativamente la
practicidad de dichos métodos.
Las ortofotos tradicionales se obtienen a través de la tecnología de ortorectificación utilizando el modelo digital del terreno (DTM) y los
elementos de orientación de la imagen. Cualquier objeto sobre el suelo (p. Ej., Edificios, árboles) no incluido en el DTM se desplaza en
perspectiva. Para evitar que las líneas de unión corten estos objetos desplazados de manera diferente, especialmente edificios en áreas
urbanas, se ha iniciado nuestro enfoque de investigación para guiar la determinación de la línea de unión. En este artículo, las áreas con
diferencias geométricas en las imágenes ortorectificadas superpuestas se denominan áreas de obstáculos.
Dado el avance de la tecnología de coincidencia densa, el método de coincidencia densa semi-global (SGM) ( Hirschmüller, 2008 ,
Hirschmüller y Scharstein, 2009 ), como uno de los algoritmos de coincidencia densa más populares , puede vencer efectivamente el efecto
del sombreado y la textura. -áreas sin. Además, este método utiliza información mutua (MI) como medida de similitud , lo que lo hace
insensible a la deformación.de radiación de imagen, y permitiéndole obtener de manera robusta y efectiva la disparidad por píxel del par de
imágenes. Durante el proceso SGM de las ortofotos adyacentes, los objetos con diferentes desplazamientos en relieve muestran diferentes
valores en la imagen de disparidad. Por lo tanto, la información de disparidad se puede utilizar para detectar áreas con desplazamientos en
relieve en la ortofoto, es decir, áreas de obstáculos, y luego guiar la línea de unión para evitar cruzar estas áreas. Basado en esta idea, el
estudio actual presenta un algoritmo de optimización de línea de unión basado en SGM. Primero, se deriva y se prueba la relación
geométrica epipolar aproximada entre las ortofotos. El par de imágenes epipolares aproximadas se genera mediante dos métodos diferentes
para dos casos diferentes, donde los elementos de la orientación exterior son conocidos y desconocidos. Segundo, El algoritmo SGM se
aplica a la superposición del par de imágenes epipolares aproximadas para obtener su correspondiente disparidad de píxeles. La imagen de
disparidad se divide en áreas con y sin obstáculos al establecer el umbral de disparidad. A continuación, se utiliza el método de la ruta más
corta de Dijkstra para obtener la línea de unión de las dos ortofotos en función de la detección del área del obstáculo. Finalmente, se genera
una red de línea de unión de forma secuencial para todas las ortofotos de acuerdo con la información de la tira registrada en vuelo.
La principal contribución de este documento radica en los siguientes dos aspectos: (1) derivar y probar la teoría geométrica epipolar
aproximada de las ortofotos y (2) introducir SGM para detectar el área de obstáculos, lo que puede evitar efectivamente que las líneas de
unión crucen objetos obvios en el DOMs.
Este artículo está organizado de la siguiente manera: la Sección 2 describe el algoritmo de determinación de línea de unión basado en SGM
propuesto, donde la Sección 2.1 es la derivación y la prueba de la teoría geométrica epipolar aproximada de la ortofoto. La Sección 2.2
presenta la detección del área de obstáculos para ambos casos en los que los elementos con orientación exterior son conocidos y
desconocidos. La sección 2.3 presenta la construcción de la red de línea de unión de la ortofoto. La Sección 3 presenta los experimentos y la
discusión, seguidos del resumen en la Sección 4 .
2 . Determinación de línea de unión basada en coincidencia densa semi-global

Los objetos obvios (p. Ej., Edificios y árboles) aparecen en diferentes lugares en las imágenes ortorectificadas superpuestas ( Kerschner,
2001 ). En el mapa de disparidad, estos objetos corresponden a áreas con mayor disparidad. En esta sección, el algoritmo SGM se utiliza
para obtener el mapa de disparidad de dos ortofotos porque el algoritmo puede obtener los valores de disparidad por píxel de dos imágenes.
Para obtener el mapa de disparidad utilizando el algoritmo SGM, el paralaje verticalde las ortoimágenes deben eliminarse girando las dos
imágenes ortorectificadas; El ángulo de rotación se puede calcular por su línea de base fotogramétrica. La consistencia de la dirección del
paralaje de dos ortofotos con la dirección de su línea base fotogramétrica se demuestra en las siguientes secciones. Después de detectar las
áreas de obstáculos (p. Ej., Edificios y árboles) en las imágenes ortorectificadas, se utiliza el método de la ruta más corta de Dijkstra para
obtener la línea de unión entre las dos ortofotos, seguido de la construcción de una red de línea de unión para todo el proyecto basada en la
información de la tira. grabado en vuelo. Los detalles de estos principios específicos y el proceso de implementación se proporcionan en las
secciones siguientes.
2.1 . Teoría geométrica epipolar aproximada de la ortofoto

Suponiendo que el DTM alrededor del objeto P es un plano horizontal E , como se muestra en la figura 1 , donde S 1 y S 2 son los centros de
proyección de las dos imágenes, H 1 y H 2 son las alturas de vuelo de las imágenes en relación con E , h es la altura del objeto P , N 1 y N 2 son
los puntos de proyección de S 1 y S 2 en el plano horizontal E ,P 0 es el punto de proyección de P en el plano horizontal E , y P 1 es la
intersección del rayo PS 1 y el plano horizontal E , P 1 representa la posición del objeto P en la imagen ortorectificada y P 2 es similar a P 1
basado en el principio de ortorectificación.
Descargar imagen en alta resolución (206KB) Descargar imagen a tamaño completo
Fig. 1 . Relación entre el plano de la imagen y las imágenes superpuestas ortorectificadas.
En el proceso de fotografía aérea , las alturas de vuelo de las imágenes adyacentes en la misma franja son aproximadamente iguales, por
ejemplo, . La figura 1 muestra que cada plano que contiene S 1 y S 2 (es decir, los planos epipolares) se cruza con el plano de
referencia E en una línea paralela a S 1 S 2 y, por lo tanto, paralela a N 1 N 2 , si H 1 y H 2 son iguales .
Después de probar la relación paralela de y , se pueden sacar las siguientes conclusiones. Cuando el terreno local es plano y las
alturas de vuelo son aproximadamente iguales, la dirección del paralaje del objeto en las dos imágenes es consistente con la dirección de la
línea de base fotogramétrica. Según este principio, el par de imágenes epipolares aproximadas que no tiene paralaje vertical para DOM
urbano se puede obtener girando los dos DOM individuales en un ángulo determinado de acuerdo con su dirección de paralaje o la
dirección de su línea de base fotogramétrica. Por lo tanto, el tamaño del paralaje, en adelante denominado disparidad, está relacionado con
la altura del objeto h . En consecuencia, los paralaje se pueden utilizar para derivar un mapa de disparidad que represente una especie de
modelo de superficie en el área bajo investigación.
2.2 . Detección de la zona de obstáculos.

La detección de áreas de obstáculos es el primer paso para la optimización de la línea de unión. Este paso incluye principalmente los
siguientes tres procesos: generación del par aproximado de imágenes epipolares de la ortofoto, disparidad en píxeles obtenida por un SGM
basado en pirámide (H-SGM) ( Rothermel et al., 2012 ), detección basada en la disparidad de área de obstáculos, como se muestra en la
Fig.2 . Los tres procesos se describen en detalle en las Secciones 2.2.1 Adquisición de la dirección de paralaje de las ortofotos , 2.2.2
Disparidad en píxeles obtenida por H-SGM , 2.2.3 Detección del área del obstáculo basada en la disparidad .
Fig.2 . Diagrama de flujo para la detección del área de obstáculos.
2.2.1 . Adquisición de la dirección de paralaje de las ortofotos.

En esta sección, el cálculo de la dirección del paralaje se describe en detalle. La superposición de dos ortofotos se obtiene primero por la
información de coordenadas. La dirección del paralaje se calcula en dos situaciones diferentes en las que los elementos de orientación
exterior de la ortofoto son conocidos y desconocidos, lo que se puede analizar de la siguiente manera:
(1) Caso donde se conocen los elementos de orientación exterior
En este caso, la relación geométrica epipolar aproximada del par de imágenes puede determinarse por los elementos de orientación exterior
de las dos ortofotos. La sección 2.1 muestra que la dirección del paralaje es paralela a la conexión de los puntos nadir de la imagen de las dos
imágenes (por ejemplo, N 1 N 2 en la Fig. 1 ). Por lo tanto, la dirección de paralaje de las ortofotos θ se puede calcular de la siguiente manera:
(1)
dónde representar las coordenadas X e Y del centro de proyección S 1 en la Fig. 1 y representan las coordenadas X e Y del
centro de proyección S 2 en la figura 1 .
(2) Caso donde los elementos de orientación exterior son desconocidos
En este caso, la dirección de paralaje θ puede calcularse mediante los puntos correspondientes de las dos imágenes. En este documento, los
puntos correspondientes se extraen mediante la correspondencia SIFT ( Lowe, 2004 ). Se realiza una comprobación de coherencia en los
puntos correspondientes para excluir algunos puntos que no coinciden para mejorar aún más la precisión de coincidencia de los resultados.
Antes del cálculo de la dirección del paralaje θ de las dos ortofotos, se deben excluir dos tipos de puntos correspondientes para mejorar la
precisión del cálculo de la dirección del paralaje, es decir, puntos que no coinciden y puntos correspondientes con las mismas coordenadas.
En este artículo, los puntos correspondientes con las mismas coordenadas se excluyen primero antes de calcular la dirección del paralaje. La
dirección del paralaje se calcula utilizando un método iterativo con pesos variables para eliminar gradualmente la influencia de los puntos
de desajuste.
Después de obtener la dirección del paralaje, las dos ortofotos se rotan por la dirección del paralaje y se genera un par de imágenes
epipolares aproximadas, donde los puntos correspondientes están libres de paralaje, como se muestra en la figura 3 .
Fig.3 . Generación del par de imágenes epipolares aproximadas de las ortofotos , donde (a) y (b) son ortofoto 1 y ortofoto 2,
respectivamente, y las áreas dentro de los cuadros discontinuos representan la superposición de las dos ortofotos; (c) y (d) es el par
aproximado de imágenes epipolares, obtenido por la superposición de (a) y (b) girado por la dirección de paralaje θ ,
respectivamente; (e) y (f) son las vistas ampliadas del área en el rectángulo blanco de (a) y (b), respectivamente; y (g) y (h) son las
vistas ampliadas del área en el rectángulo blanco de (c) y (d).
2.2.2 . Disparidad en cuanto a píxeles obtenida por H-SGM

Existen varios algoritmos de coincidencia estéreo denso ( Scharstein y Szeliski, 2002 ), que se dividen principalmente en métodos locales y
globales. El método local calcula la mejor disparidad dentro de un pequeño rango de la imagen (por ejemplo, una línea de la imagen), lo que
generalmente conduce a disparidades discontinuas entre diferentes regiones ; por ejemplo, efectos de rayas causados por la programación
dinámica . Mientras tanto, el algoritmo de correspondencia global define una función de energía global que se minimiza para encontrar las
disparidades ( Hirschmüller, 2006 ). El método global puede obtener mejores resultados, pero el tiempo de cálculo aumenta en
consecuencia. El algoritmo SGM ( Hirschmüller, 2008 ,Hirschmüller y Scharstein, 2009 ), que combina las ventajas de los dos métodos, se
aproxima a una restricción de suavidad global 2D combinando varias restricciones 1D basadas en el emparejamiento de información mutua
en píxeles ( Hirschmüller, 2005 ). El algoritmo SGM logra un cálculo aproximado de disparidad global con una precisión relativamente alta
y una complejidad computacional relativamente baja. Por lo tanto, adoptamos el algoritmo SGM para calcular la disparidad de la
superposición de las dos ortofotos.
En este artículo, el par aproximado de imágenes epipolares de dos ortofotos se genera primero de acuerdo con la Sección 2.2.1 . En
proyectos reales, las imágenes aéreas suelen ser grandes. El método H-SGM se utiliza en este documento para mejorar la eficiencia de
coincidencia densa. La imagen de disparidad resultante y su correspondiente rango de disparidad se muestran en la figura 4 . La figura 4
muestra que H-SGM puede obtener efectivamente la disparidad de píxeles del par de imágenes epipolares aproximadas.
Fig.4 . Imagen de disparidad obtenida por SGM y su correspondiente rango de disparidad.
2.2.3 . Detección basada en disparidades del área de obstáculos.

El área de obstáculos en este documento se conoce como el área con diferencias geométricas en las imágenes ortorectificadas superpuestas,
como edificios y árboles. Un edificio u objeto de árbol a menudo tiene diferentes coordenadas en las imágenes ortorectificadas
superpuestas, que se expresan como disparidad en la coincidencia densa. La línea de costura debe evitar cruzar estas áreas para asegurar la
apariencia y la consistencia de la producción de ortofotos. En este artículo, el área del obstáculo se detecta con la disparidad obtenida en las
Secciones 2.2.1 Adquisición de la dirección de paralaje de las ortofotos , 2.2.2 Disparidad en píxeles obtenida por H-SGM. Cuanto mayor sea
la diferencia de las coordenadas del objeto en diferentes imágenes, mayor será el valor de disparidad. Por lo tanto, el área de obstáculos se
puede detectar fácilmente definiendo un umbral de disparidad después de la binarización.
La precisión de la detección del área del obstáculo está determinada por el factor de reducción de las imágenes y el umbral de disparidad
para la binarización. Una coincidencia densa en píxeles de las imágenes originales con tamaños grandes puede obtener la información de
disparidad más precisa, pero el tiempo no es adecuado para la ingeniería real. En este caso, la imagen puede ser reducido (por ejemplo, el
factor de reducción a escala se establece en 3, es decir, la imagen se cambia el tamaño a su tamaño de 1/3 en altura y anchura) para
aumentar la velocidad basada en el cumplimiento de la exactitud. Mientras tanto, la experiencia establece el umbral de disparidad para la
binarización (p. Ej., 1, correspondiente al factor de reducción de escala 1 × para las imágenes originales), y el área con una disparidad menor
que el umbral definido se considera como el área sin obstáculos.
La detección del área de obstáculos se muestra en la Fig. 5 , donde las áreas blancas en la Fig. 5 (a) son las áreas de obstáculos y la Fig. 5 (b)
muestra la superposición del área de obstáculos y su correspondiente imagen epipolar aproximada. En la Fig. 5 (b), las áreas sin obstáculos
se enmascaran con negro y las áreas de obstáculos se muestran con la ortoimagen correspondiente para mostrar mejor el área de obstáculos
detectada. La figura 5 muestra que las áreas de obstáculos detectadas son principalmente edificios y árboles, y los edificios detectados están
completos. Mientras tanto, las áreas sin obstáculos, que consisten principalmente en carreteras, también son completas y coherentes, lo que
es adecuado para la determinación de la línea de unión.
Fig.5 . Detección de la zona de obstáculos. (a) Área de obstáculo obtenida por binarización; (b) superposición del área del obstáculo y
la imagen epipolar aproximada.
El área de obstáculo anterior que se muestra en la Fig. 5 (b) es solo un ejemplo para una de las ortofotos. La disparidad para cada punto de
imagen coincidente es la misma para las ortofotos 1 y 2, pero debe asignarse en diferentes posiciones geométricas. Las áreas de obstáculos
son diferentes y la determinación de la línea de unión debe considerar ambas. Por lo tanto, en este documento, se utiliza un método de
fusión simple (por ejemplo, siempre que el píxel en una de las máscaras de obstáculos binarios se considere como el obstáculo, se etiqueta
como el obstáculo en la máscara combinada) se utiliza para obtener un obstáculo combinado / máscara sin obstáculos que se puede utilizar
como entrada para la determinación posterior de la línea de unión.
2.3 . Construcción de red de línea de unión para las ortofotos.

Después de la detección del área de obstáculos, el algoritmo de Dijkstra por Chen et al. (2014) , que también es el algoritmo más popular, se
utiliza para lograr la construcción de la red de línea de unión para las ortofotos. Wan y col. (2013) señalaron que las líneas centrales de las
carreteras deben seleccionarse primero como secciones de la línea de unión. Las áreas sin obstáculos detectadas por el método propuesto se
componen principalmente de caminos; por lo tanto, extraer las líneas centrales de las áreas sin obstáculos como secciones de la línea de
unión es razonable.
Breves pasos de la determinación de la línea de unión para las dos ortofotos adyacentes:
• Extraer la línea central del área sin obstáculos con el algoritmo de adelgazamiento de Hilditch y luego determinar los nodos y segmentos
candidatos.
• Seleccionar los puntos de entrada y salida de acuerdo con ciertas reglas, y luego eliminar los nodos y segmentos inútiles.
• Determinar la ruta de menor costo con el algoritmo de Dijkstra; El camino de menor costo es la línea de unión para las dos ortofotos.
Tomando el mosaico de dos ortofotos adyacentes como ejemplo, los procedimientos para obtener sus líneas de unión se muestran en la Fig.
6.
Fig.6 . Procedimientos para obtener la línea de unión de dos ortofotos adyacentes . (a) Resultado de adelgazamiento del área sin
obstáculos, (b) nodos y segmentos candidatos, (c) red de ruta después de eliminar los nodos y segmentos inútiles, donde los dos
puntos sólidos grandes representan los puntos de entrada y salida, (d) menos ruta de costo determinada por el algoritmo de Dijkstra,
donde los puntos sólidos representan los nodos de la línea de unión.
El resultado de mosaico de los dos DOM se muestra en la Fig. 7 , en la que la línea de costura determinada por el método propuesto puede
evitar con éxito objetos como edificios y árboles.
Fig.7 . Resultado de mosaico de los dos DOM, donde los cuadros punteados muestran el rango de las dos ortofotos adyacentes ,
mientras que la línea continua es la línea de unión para las dos ortofotos obtenidas por el método propuesto.
Después de lograr la selección de línea de costura para dos ortofotos adyacentes, se construye una red de línea de costura con la información
de la tira registrada en el vuelo. Chen et al. Pueden encontrar más detalles sobre el algoritmo de Dijkstra y la construcción de la red de línea
de unión para las ortofotos . (2014) .
3 . Los experimentos
Para verificar la efectividad del método propuesto, se utilizan tres conjuntos de datos en nuestros experimentos. Después de una breve
introducción de los conjuntos de datos, a continuación se proporcionan los resultados experimentales del método propuesto, incluida la
precisión del par de imágenes epipolares aproximadas y la ortofotografía en mosaico . La eficacia del método propuesto se valida al
comparar sus resultados con los de los métodos basados en geometría, OrthoVista y OESM.
3.1 . Descripción de los conjuntos de datos de prueba.

Se utilizan tres conjuntos de datos para los experimentos, y los detalles se muestran en la Tabla 1 . Los datos de entrada utilizados en este
documento son las ortofotos tradicionales, que son las imágenes en bruto ortorectificadas utilizando un modelo digital del terreno (DTM).
Antes del mosaico de ortofotos, todas las imágenes se sometieron a un procesamiento general (p. Ej., Evasión de imágenes y balance de
color) para minimizar las diferencias radiométricas. Por lo tanto, la evaluación de los resultados presentados en este documento se centra
solo en discontinuidades geométricas .
Tabla 1 . Descripción general de los tres conjuntos de datos de prueba.
Descripciones⧹ Conjunto de datos 1 Conjunto de datos 2 Conjunto de datos 3

conjunto de datos
Ubicación Vaihingen (Alemania) Katowice (Polonia) San Francisco (EE. UU.)
Cámara DMC UltraCam X UltraCam D
Numero de imagenes 14 32 69
Numero de tiras 3 44 55
Tamaño de la imagen 7680 × 13,824 píxeles 17.310 × 11.310 píxeles 11,500 × 7500 píxeles
Longitud focal 120 mm 100,5 mm 105,2 mm
Altura de vuelo sobre el 900 m 1200 m 1800 m

suelo
Vuelta hacia adelante 60% 70% 60%
Vuelta lateral 60% 70% 30%
GSD 8 cm 8 cm 15 cm
Bandas espectrales IR-RG RGB RGB
Descripción del área de Edificios pequeños y separados; muchos Edificios medianos; Zona Edificios densamente distribuidos; algunos edificios
estudio. árboles circundantes residencial densa residenciales de gran altura
3.2 . Resultados
3.2.1 . Precisión geométrica del par de imágenes epipolares aproximadas

En esta sección, la teoría geométrica epipolar aproximada se verifica a partir de dos aspectos. Primero, comparando la diferencia de las
direcciones de paralaje obtenidas por los dos métodos (p. Ej., Los puntos correspondientes obtenidos por la correspondencia SIFT y los
elementos de orientación exterior conocidos de las imágenes), demostrando la consistencia de las dos direcciones de paralaje obtenidas por
los dos métodos. En segundo lugar, calculando el residuo epipolar de los puntos correspondientes (incluida la media y la varianza), se
calcula la precisión real del par de imágenes aproximado logrado por los dos métodos, donde el residuo epipolar se refiere a la diferencia en
las coordenadas Y entre los puntos correspondientes en un par de imágenes aproximadamente alineado.
Para evaluar la consistencia de las direcciones de paralaje obtenidas por los dos métodos, se seleccionan tres conjuntos de datos (99
modelos) para las estadísticas; Los resultados estadísticos se muestran en la figura 8 .
Fig.8 . Diferencia de las direcciones de paralaje obtenidas por los dos métodos ( Nota: la diferencia de las direcciones de paralaje
obtenidas por los dos métodos es la diferencia entre la dirección de paralaje calculada por la orientación exterior conocida y la
dirección de paralaje obtenida por la correspondencia SIFT. La diferencia es automáticamente convertido en el intervalo - π / 2 a + π
/ 2 cuando excede π / 2 (p. ej., 1.57).
La figura 8 muestra que la diferencia entre las direcciones de paralaje de los tres conjuntos de datos está dentro de un cierto rango
(concentrado entre -0.05 y 0.04 radianes), mientras que las direcciones de paralaje obtenidas por los dos métodos son consistentes.
Además, la fórmula (1), que calcula la dirección del paralaje con los elementos de orientación exterior, se deriva en un caso ideal donde el
suelo es horizontal; por lo tanto, produce solo una aproximación. El valor real puede variar levemente debido al terreno accidentado y otros
factores; los valores son diferentes en diferentes posiciones y no existe una ley fija. Por lo tanto, las direcciones de paralaje obtenidas por los
dos métodos son normalmente ligeramente diferentes. Siempre que los residuos epipolares de los puntos correspondientes en el par de
imágenes epipolares aproximadas estén dentro de un cierto rango (por ejemplo, dentro de 1 a 2 píxeles), el SGM de seguimiento está
disponible para la detección del área de obstáculos.
Para verificar aún más la precisión geométrica del par de imágenes epipolares aproximadas, los residuos epipolares de los puntos
correspondientes se calculan para las estadísticas, donde los puntos correspondientes se obtienen por coincidencia SIFT en las ortofotos
originales, y las coordenadas de los puntos correspondientes en las ortofotos originales. luego se convierten a las coordenadas en el par
aproximado de imágenes epipolares de acuerdo con la dirección del paralaje. Para garantizar la fiabilidad de las estadísticas, es necesario
realizar una inspección manual para excluir los puntos correspondientes significativamente no coincidentes en las estadísticas. La Fig. 9 y la
Tabla 2 muestran los resultados estadísticos de los residuos epipolares obtenidos por los dos métodos, respectivamente.
Descargar imagen de alta resolución (500 KB) Descargar imagen a tamaño completo
Fig.9 . Estadísticas de los residuos epipolares de los modelos. (a) Media de los residuos epipolares de los modelos para el caso donde
se conoce la orientación exterior (unidad: píxel); (b) media de los residuos epipolares de los modelos para el caso donde se desconoce
la orientación exterior (unidad: píxel); (c) varianza de los residuos epipolares de los modelos para el caso donde se conoce la
orientación exterior (unidad: píxel); (d) varianza de los residuos epipolares de los modelos para el caso de que se desconozca la
orientación exterior (unidad: píxel).
Tabla 2 . Estadísticas de los residuos epipolares de los modelos (unidad: píxel).
Vaihingen Katowice San Francisco
Elementos de orientación exterior conocidos
Media Max 0,010913 0,052594 0.072626
Min −0.036034 −0.037778 −0.10306
Promedio −0.011450 −0.001255 −0.00443
Diferencia Max 0.361242 1.057843 1.005592
Min 0,093921 0,059353 0.042203
Promedio 0.229858 0.333814 0.217156
Elementos de orientación exterior desconocidos
Media Max 0.041036 0,041982 0,077293
Min −0.030468 −0.025372 −0.038544
Promedio −0.004472 0.002857 −0.000098
Diferencia Max 0.359799 0.977944 0.951409
Min 0,093662 0,058858 0,041006
Promedio 0.227087 0.331580 0.214781
La Fig. 9 y la Tabla 2 muestran que la media de los residuos epipolares de los modelos obtenidos por los dos métodos se concentra
alrededor de 0 (−0.10 a 0.08 píxeles), y la varianza es pequeña (0.041006 a 1.057843), lo que indica que los residuos epipolares de los
puntos correspondientes están estrechamente concentrados alrededor de 0. Por lo tanto, la teoría de la geometría epipolar aproximada para
imágenes aéreas con aproximadamente la misma altura de vuelo derivada en este documento es cierta. Para los conjuntos de datos
utilizados en el experimento, los residuos epipolares generalmente están dentro de 0.5 píxeles, que cumplen con los requisitos de la
siguiente coincidencia densa SGM y la detección adicional del área del obstáculo.
3.2.2 . Red de línea de unión de las ortofotos

Para verificar la efectividad del método, los resultados obtenidos por el método propuesto se comparan con los resultados del enfoque
basado en la geometría, el software comercial OrthoVista y el método basado en OESM ( Chen et al., 2014 ). La comparación incluye los
siguientes tres aspectos: el uso de datos externos o no, el número de veces que las líneas de unión pasan a través de objetos obvios (en
adelante llamados cruces de objetos) y el tiempo de procesamiento, que se obtiene usando una computadora portátil con un sistema
operativo Windows 7 de 64 bits , una CPU Intel Core i5-2520 M de cuatro núcleos , 2.5 GHz y 4 GB de memoria. En el experimento de
construcción de la red de línea de unión, los factores de reducción de escala de las ortofotos originales se establecen en 2, 3, 4 y 5 para el
siguiente cálculo de disparidad por SGM para verificar aún más el efecto de diferentes factores de reducción de escala del método
propuesto; La comparación de los resultados se muestra en la Tabla 3 .
Tabla 3 . Comparaciones de los resultados de diferentes métodos. (Nota: SGM-2 denota el resultado de una ortofoto cuyo factor de
reducción de escala es dos antes del cálculo de disparidad. De manera similar, SGM-3 denota factor de reducción de escala tres y así
sucesivamente).
Método Usando datos Número de cruces de objetos Tiempos de procesamiento)

externos
Conjunto de Conjunto de Conjunto de Conjunto de Conjunto de Conjunto de
datos 1 datos 2 datos 3 datos 1 datos 2 datos 3
Basado en No 193 236 > 1500 20 47 80

geometría
Método Usando datos Número de cruces de objetos Tiempos de procesamiento)

externos
Conjunto de Conjunto de Conjunto de Conjunto de Conjunto de Conjunto de
datos 1 datos 2 datos 3 datos 1 datos 2 datos 3
OrthoVista No 24 26 325 774 2618 1718
Basado en Sí 15 99 80 489 1186 1375

OESM
SGM-2 No 99 dieciséis 94 1093 2982 3503
SGM-3 No 10 17 99 427 1383 1533
SGM-4 No 12 18 años 125 251 699 794
SGM-5 No 34 31 200 102 399 433
Para el algoritmo propuesto, cuanto mayor es el factor de reducción de escala, mayor es el número de cruces de objetos y menos tiempo
pasa el algoritmo propuesto, como en la Tabla 3 . Cuando el factor de reducción de escala para SGM se establece en 3, el número de cruces
de objetos es casi igual al de SGM-2. Sin embargo, SGM-3 requiere menos de la mitad del tiempo que pasó el SGM-2. Para SGM-4 y SGM-5,
el tiempo de ejecución disminuyó gradualmente mientras que el número de cruces de objetos aumentó en consecuencia. Especialmente para
SGM-5, el número de cruces de objetos aumentó bruscamente, mientras que el tiempo de ejecución disminuyó gradualmente en menos de
la mitad.
En comparación con el método de OrthoVista, ambos algoritmos no utilizan datos externos. Además, el método propuesto con factor de
reducción de escala tres para SGM, es decir SGM-3, obtuvo resultados significativamente mejores que los de OrthoVista y requirió menos
tiempo de ejecución.
En comparación con el método basado en OESM, SGM-3 logró resultados comparables y requirió un tiempo de ejecución comparable.
Además, el método basado en OESM requería datos externos (por ejemplo, DSM y DTM), mientras que el método propuesto no.
Teniendo en cuenta la calidad de los resultados y el tiempo de ejecución, el método propuesto con factor de reducción de escala tres para
SGM representa una compensación entre efectividad y eficiencia. La línea de unión obtenida por SGM-3 puede evitar efectivamente cruzar
el edificio y las áreas arbóreas, y el efecto general obtenido por SGM-3 es superior al del enfoque basado en geometría y al método de
OrthoVista y cercano a los resultados del método basado en OESM . Sin embargo, SGM-3 tiene una aplicabilidad más extensa que el método
basado en OESM.
La superposición de la red de línea de unión y las ortofotos obtenidas por SGM-3 de los tres conjuntos de datos se muestran en la Fig. 10 ,
Fig. 11 , Fig. 12 , respectivamente. La línea de unión obtenida por SGM-3 puede evitar el objeto de construcción de manera efectiva; por lo
tanto, SGM-3 es una solución efectiva a los problemas de optimización de la línea de unión en áreas urbanas.
Descargar imagen de alta resolución (2 MB) Descargar imagen a tamaño completo
Fig.10 . Superposición de la red de línea de unión y la ortofoto del conjunto de datos de Vaihingen, incluidos los subconjuntos
ampliados.
Fig.11 . Superposición de la red de línea de unión y la ortofoto del conjunto de datos de Katowice, incluidos los subconjuntos
ampliados.
Fig. 12 . Superposición de la red de línea de unión y la ortofoto del conjunto de datos de San Francisco, incluidos los subconjuntos
ampliados.
4 . Conclusión
En este documento se propuso un nuevo método basado en SGM para la determinación de la línea de unión. En este método, el área de
obstáculo completa se obtuvo primero por la disparidad de las ortofotos superpuestas , y el área de obstáculo generada se usó luego como
entrada para la determinación posterior de la línea de costura para guiar la línea de costura para evitar cortar los objetos obvios, por
ejemplo, edificios y árboles. .
Se utilizaron tres conjuntos de datos diferentes para verificar la teoría aproximada de la geometría epipolar de las ortofotos y la efectividad
del método propuesto. Extensos experimentos mostraron que la teoría de la geometría epipolar aproximada de la ortofoto en este artículo es
cierta. Además, el método propuesto mostró una ventaja significativa al evitar que la línea de unión pasara a través de objetos obvios (por
ejemplo, edificios y árboles). Para validar aún más el método propuesto, los resultados se compararon con el enfoque basado en la
geometría, el método del software comercial OrthoVista y el método basado en OESM. Con respecto al número de veces que las líneas de
unión pasaron por objetos obvios y el tiempo de ejecución, las comparaciones confirmaron que los resultados obtenidos por el método
propuesto fueron superiores a los del enfoque basado en la geometría y el método de OrthoVista, aunque cercano a los del método basado
en OESM. Sin embargo, el método propuesto era independiente de los datos externos, como DSM yDTM ; por lo tanto, tenía una
aplicabilidad más amplia que el método basado en OESM.
Sin embargo, teniendo en cuenta que el algoritmo propuesto se supone que las alturas de vuelo de las imágenes adyacentes son
aproximadamente iguales, el método propuesto puede funcionar peor para el área de montaña con pendientes pronunciadas o imágenes
tomadas en aviones no tripulados cuya altura de vuelo es baja. Además, este método se centra principalmente en las discontinuidades de
geometría , rara vez se consideran discontinuidades radiométricas. Dado que aún pueden existir discontinuidades radiométricas a lo largo
de la línea de unión, intentaremos combinar otros métodos para reducir aún más la discordancia radiométrica en nuestra investigación
futura.
Expresiones de gratitud
Esta investigación fue apoyada por la Fundación Nacional de Ciencias Naturales de China con el Proyecto Número 41301519 y el Programa
Nacional Clave de Investigación y Desarrollo Básico con el Número de Proyecto 2012CB719904 . Los autores desean agradecer a la Oficina
de Topografía y Cartografía de Heilongjiang por proporcionar los conjuntos de datos de Katowice y San Francisco. Los autores también
desean agradecer a la Sociedad Alemana de Fotogrametría , Teledetección y Geoinformación por proporcionar el conjunto de datos de
Vaihingen ( Cramer, 2010) Los autores desean agradecer a Yansong Duan por su biblioteca de correspondencia SIFT y a Zhiye Wang por sus
estadísticas objetivas del número de veces que las líneas de unión pasan a través de objetos obvios.
Artículos recomendados Citando artículos (19)
Referencias
Ai et al., 2011 Ai, H., Zhang, L., Wang, L., 2011. Método de mosaico automático para bloques grandes de ortofotos. En: Séptimo Simposio
internacional sobre procesamiento de imágenes multiespectrales y reconocimiento de patrones (MIPPR2011). Sociedad
Internacional de Óptica y Fotónica, págs. 800504–800508.
Google Académico
Araña de luces y Martinoty, 2009 L. Chandelier , G. Martinoty

Una triangulación aérea radiométrica para la igualación de imágenes aéreas digitales y ortoimágenes
Fotograma Ing. . Remoto Sens , 75 ( 2009 ) , pp. 193 - 200
CrossRef Ver registro en Scopus Google Scholar
Chen et al., 2014 Q. Chen , M. Sun , X. Hu , Z. Zhang

Generación automática de red de línea de unión para mosaico de ortofotos urbanas con el uso de un modelo
digital de superficie
Remote Sens. , 6 ( 2014 ) , págs. 12334 - 12359
Chon et al., 2010 J. Chon , H. Kim , C. Lin

Determinación de la línea de costura para el mosaico de imágenes: una técnica que minimiza la falta de
coincidencia local máxima y el costo global
ISPRS J. Photogramm. . Remoto Sens , 65 ( 2010 ) , pp. 86 - 92
Artículo Descargar PDF Ver registro en Scopus Google Scholar
Cramer, 2010 M. Cramer

La prueba DGPF sobre evaluación de cámara digital aerotransportada-resumen y diseño de prueba
Fotograma Fernerkun Geoinf. , 2 ( 2010 ) , pp. 73 - 82
Fernández et al., 1998 E. Fernández , R. Garfinkel , R. Arbiol

Mosaico de mapas fotográficos aéreos a través de costuras definidas por los caminos más cortos del cuello de
botella
Oper Res. , 46 ( 1998 ) , pp. 293 - 304
Fernández y Mart, 1999 E. Fernández , R. Mart

Agarre por dibujo de costura en mosaico de mapas fotográficos aéreos
J. Heuristics , 5 ( 1999 ) , págs. 181 - 197
Hirschmüller, 2005 H. Hirschmüller

Procesamiento estéreo preciso y eficiente mediante emparejamiento semi-global e información mutua
Comput Reconocimiento de patrones de visión. ( 2005 ) , págs. 807 - 814

Visión estéreo en entornos estructurados mediante una coincidencia semi-global consistente
Comput Reconocimiento de patrones de visión. ( 2006 ) , págs. 2386 - 2393

Procesamiento estéreo por coincidencia semiglobal e información mutua
IEEE Trans. Patrón Anal. Mach. Intell. , 30 ( 2008 ) , págs. 328 - 341
Hirschmüller y Scharstein, 2009 H. Hirschmüller , D. Scharstein

Evaluación de costos de coincidencia estéreo en imágenes con diferencias radiométricas
IEEE Trans. Patrón Anal. Mach. Intell. , 31 ( 2009 ) , págs. 1582 - 1599
Kerschner, 2001 M. Kerschner

Detección de línea de unión en mosaico de ortoimagen en color mediante el uso de serpientes gemelas
ISPRS J. Photogramm. . Remoto Sens , 56 ( 2001 ) , pp. 53 - 64
Lowe, 2004 DG Lowe

Características distintivas de la imagen desde puntos clave invariantes de escala
En t. J. Comput. Vision , 60 ( 2004 ) , págs. 91 - 110
Ma y Sun, 2011 H. Ma , J. Sun

Optimización inteligente del hallazgo de la línea de costura para el mosaico de ortofotos con nubes de puntos
LiDAR
J. Zhejiang Univ. Sci. C , 12 ( 2011 ) , págs. 417 - 429
Milgram, 1975 DL Milgram

Métodos informáticos para crear fotomosaicos
IEEE Trans. Comput , 24 ( 1975 ) , pp. 1.113 mil - 1119
Mills y McLeod, 2013 S. Mills , P. McLeod

Redes globales de línea de unión para la generación de ortomosaicos mediante búsqueda local
ISPRS J. Photogramm. Remote Sens. , 75 ( 2013 ) , págs. 101 - 111
Pan y Wang, 2011 J. Pan , M. Wang

Un método optimizado de línea de costura basado en imagen de diferencia e imagen de gradiente
En t. Conf. GeoInf. ( 2011 ) , pp. 1 - 6
Pan et al., 2009 J. Pan , M. Wang , D. Li , J. Li

Generación automática de red de línea de unión utilizando diagramas de Voronoi de área con superposición
IEEE Trans. Geosci . Remota Sens , 47 ( 2009 ) , pp. 1737 - 1744
Ver registro en Scopus Google Scholar
Pan et al., 2010 J. Pan , M. Wang , D. Li , J. Li

Un enfoque de ecualización radiométrica basado en la red para ortoimágenes aéreas digitales
IEEE Geosci. Remote Sens. Lett. , 7 ( 2010 ) , págs. 401 - 405
Pan et al., 2014 J. Pan , Q. Zhou , M. Wang

Determinación de la línea de unión basada en la segmentación para el mosaico de imágenes urbanas
IEEE Geosci. . Sens remoto Lett , 11 ( 2014 ) , pp. 1.335 mil - 1339
Rothermel et al., 2012 Rothermel, M., Wenzel, K., Fritsch, D., Haala, N., 2012. Seguro: reconstrucción de la superficie fotogramétrica a
partir de imágenes. En: Proceedings LC3D Workshop, Berlín, pp. 1-6.
Google Académico
Scharstein y Szeliski, 2002 D. Scharstein , R. Szeliski

Una taxonomía y evaluación de densos algoritmos de correspondencia estéreo de dos cuadros
En t. J. Comput. Visión , 47 ( 2002 ) , págs. 7 - 42
Soille, 2006 P. Soille

composición de imágenes morfológicas
IEEE Trans. Patrón Anal. Mach. Intell. , 28 ( 2006 ) , pp. 673 - 683
Wan et al., 2013 Y. Wan , D. Wang , J. Xiao , X. Lai , J. Xu

Determinación automática de líneas de unión para el mosaico de imágenes aéreas basadas solo en carreteras
vectoriales
ISPRS J. Photogramm. Remote Sens. , 76 ( 2013 ) , págs. 1 - 10
Artículo Descargar PDF CrossRef Ver registro en Scopus Google Scholar
Wan et al., 2012 Y. Wan , D. Wang , J. Xiao , X. Wang , Y. Yu , J. Xu

Seguimiento de caminos vectoriales para la determinación de costuras en mosaicos de imágenes aéreas
IEEE Geosci. Remote Sens. Lett. , 9 ( 2012 ) , págs. 328 - 332
Yang et al., 1989 S. Yang , L. Li , P. Gao

Búsqueda de punto de costura bidimensional mosaico de imágenes digitales
Fotograma Ing. . remoto Sens , 55 ( 1989 ) , pp. 49 - 53
Yang et al., 2011 Yang, Y., Gao, Y., Li, H., Han, Y., 2011. Un algoritmo para el mosaico de imágenes de teledetección basado en un área
válida. En: Simposio internacional sobre imagen y fusión de datos, págs. 1-6.
Google Académico
Yu et al., 2012 L. Yu , EJ Holden , MC Dentith , H. Zhang

Hacia la selección automática de ubicaciones óptimas de línea de costura al fusionar imágenes ópticas de
teledetección
En t. J. Remote Sens. , 33 ( 2012 ) , págs. 1000 - 1014
Zhao et al., 2013 Y. Zhao , T. Han , S. Feng , C. Miao

Mosaico de imágenes de teledetección mediante la incorporación de la segmentación y el camino más corto , Geoinformática en la
gestión de recursos y el ecosistema sostenible , Springer ( 2013 )
pp. 684–691
Google Académico
Zhang et al., 2009 Z. Zhang , M. Sun , J. Zhang

Detección automática de la línea de unión para el mosaico de ortofotos basado en el algoritmo de colonias de
hormigas
Geomat Informar. Sci. Wuhan Univ. , 6 ( 2009 ) , pp. 675 - 678
Ver resumen
Copyright © 2015 Sociedad Internacional de Fotogrametría y Teledetección, Inc. (ISPRS). Publicado por Elsevier BV Todos los derechos reservados.
Sobre ScienceDirect Acceso remoto Carrito de compras Anunciar Contacto y soporte Términos y Condiciones Política de privacidad
Utilizamos cookies para ayudar a proporcionar y mejorar nuestro servicio y adaptar el contenido y los anuncios. Al continuar, acepta el
uso de cookies .
Copyright © 2019 Elsevier BV o sus licenciantes o contribuyentes. ScienceDirect ® es una marca registrada de Elsevier BV

Determinación de Línea de Unión Basada en SGM para Mosaico de Ortofotos Urbanas - ScienceDirect

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Determinación de Línea de Unión Basada en SGM para Mosaico de Ortofotos Urbanas - ScienceDirect

Încărcat de

Drepturi de autor:

Formate disponibile

10/8/2019 Determinación de línea de unión basada en SGM para mosaico de ortofotos urbanas - ScienceDirect

Revistas y libros Crear cuenta Iniciar sesión

Descargar Compartir Exportar

Revista ISPRS de Fotogrametría y Teledetección

Determinación de la línea de unión basada en SGM para el mosaico de ortofotos urbanas

https://doi.org/10.1016/j.isprsjprs.2015.11.007 Obtenga derechos y contenido

2 . Determinación de línea de unión basada en coincidencia densa semi-global

2.1 . Teoría geométrica epipolar aproximada de la ortofoto

Descargar imagen en alta resolución (206KB) Descargar imagen a tamaño completo

Fig. 1 . Relación entre el plano de la imagen y las imágenes superpuestas ortorectificadas.

2.2 . Detección de la zona de obstáculos.

Descargar imagen en alta resolución (313KB) Descargar imagen a tamaño completo

Fig.2 . Diagrama de flujo para la detección del área de obstáculos.

2.2.1 . Adquisición de la dirección de paralaje de las ortofotos.

(2) Caso donde los elementos de orientación exterior son desconocidos

Descargar imagen en alta resolución (1018KB) Descargar imagen a tamaño completo

2.2.2 . Disparidad en cuanto a píxeles obtenida por H-SGM

Descargar imagen en alta resolución (133KB) Descargar imagen a tamaño completo

Fig.4 . Imagen de disparidad obtenida por SGM y su correspondiente rango de disparidad.

2.2.3 . Detección basada en disparidades del área de obstáculos.

Descargar imagen en alta resolución (401KB) Descargar imagen a tamaño completo

2.3 . Construcción de red de línea de unión para las ortofotos.

Descargar imagen en alta resolución (281KB) Descargar imagen a tamaño completo

Descargar imagen en alta resolución (522KB) Descargar imagen a tamaño completo

3.1 . Descripción de los conjuntos de datos de prueba.

Tabla 1 . Descripción general de los tres conjuntos de datos de prueba.

Descripciones⧹ Conjunto de datos 1 Conjunto de datos 2 Conjunto de datos 3

Ubicación Vaihingen (Alemania) Katowice (Polonia) San Francisco (EE. UU.)

Cámara DMC UltraCam X UltraCam D

Longitud focal 120 mm 100,5 mm 105,2 mm

Altura de vuelo sobre el 900 m 1200 m 1800 m

Vuelta hacia adelante 60% 70% 60%

Vuelta lateral 60% 70% 30%

Bandas espectrales IR-RG RGB RGB

3.2.1 . Precisión geométrica del par de imágenes epipolares aproximadas

Descargar imagen en alta resolución (122KB) Descargar imagen a tamaño completo

Tabla 2 . Estadísticas de los residuos epipolares de los modelos (unidad: píxel).

Vaihingen Katowice San Francisco

Elementos de orientación exterior conocidos

Media Max 0,010913 0,052594 0.072626

Min −0.036034 −0.037778 −0.10306

Promedio −0.011450 −0.001255 −0.00443

Diferencia Max 0.361242 1.057843 1.005592

Min 0,093921 0,059353 0.042203

Promedio 0.229858 0.333814 0.217156

Elementos de orientación exterior desconocidos

Media Max 0.041036 0,041982 0,077293

Min −0.030468 −0.025372 −0.038544

Promedio −0.004472 0.002857 −0.000098

Diferencia Max 0.359799 0.977944 0.951409

Min 0,093662 0,058858 0,041006

Promedio 0.227087 0.331580 0.214781

3.2.2 . Red de línea de unión de las ortofotos

Método Usando datos Número de cruces de objetos Tiempos de procesamiento)

Basado en No 193 236 > 1500 20 47 80

Método Usando datos Número de cruces de objetos Tiempos de procesamiento)

OrthoVista No 24 26 325 774 2618 1718

Basado en Sí 15 99 80 489 1186 1375

SGM-2 No 99 dieciséis 94 1093 2982 3503

SGM-3 No 10 17 99 427 1383 1533

SGM-4 No 12 18 años 125 251 699 794

SGM-5 No 34 31 200 102 399 433

Descargar imagen de alta resolución (2 MB) Descargar imagen a tamaño completo