توليد ابر نقاط از تصاوير هوايي UltraCamD با استفاده از روش تناظريابي شبه سراسري (SGM)

Disparity Image Generation From UltraCamD Images With “Semi-Global Matching” Algorithm

با توجه به پيشرفت هاي روزافزون در زمينه هاي فتوگرامتري و سنجش از دور و با درنظر گرفتن مباحث مطرح در اين زمينه ها مانند توليد تصاوير ارتوي حقيقي از تصاوير با رزولوشن بالا و با زواياي ديد مختلف، نياز به ارايه روش هايي كه بتوان به كمك آن ها مدل هاي رقومي زميني مناسب و با دقت بالا را به عنوان ورودي اين كاربردها، تهيه كرد امري ضروري به نظر مي رسد. در اين تحقيق روشي مبتني بر تناظريابي شبه سراسري (Semi Global Matching) به منظور توليد يك ابر نقطه از تصاوير هوايي با زواياي ديد مختلف UltraCamD ارايه گرديده است. تناظريابي چند طول بازه، به منظور به دست آوردن تصوير ابر نقاط با كيفيت بهتر و صحت بالاتر نيز موضوعي قابل بحث است. علاوه بر اين موارد پردازش هاي ديگري نيز براي حذف اشتباهات و بازيابي و ترميم گپ ها به دليل ساختار هاي محيطي خاص وجود دارد كه بايد مورد توجه قرار گيرند تا بتوان پس از آن در طي مراحل بعدي يك مدل رقومي سطح (DSM) مناسب و با دقت بالا تهيه نمود. نتايج حاصل از بكارگيري روش پيشنهادي در يك منطقه شهري پيچيده، بيانگر توانايي بالاي اين روش در توليد اطلاعات مكاني زمين در اين مناطق مي باشد.

Considering ongoing developments in Photogrammetry and Remote Sensing and attending to their applications such as digital true orthophoto generation from multi view and high resolution images, have already proven the urgency and necessity of approaches for generating DSM as input of these applications. In this research we describe the “Semi-Global Matching” algorithm and then implement and test if for generating an initial disparity image from airborne UltraCameD images. SGM uses a pixelwise, Mutual Information based matching cost compensating radiometric differences of input images. Pixelwise matching is supported by a smoothness constraint that is usually expressed as a global cost function. SGM performs a fast approximation by pathwise optimizations from all directions. Furthermore, post-processing steps for removing outliers, recovering from specific problems of structured environments and the interpolation of gaps are needed, to generate an accurate and precise DSM in the next steps for other applications