The Photogrammetric Journal of Finland, Vol. 22, No. 3, 2011 ILMALASERKEILAUSAINEISTOJEN JA ILMAKUVIEN KESKINÄINEN ORIENTOINTI Petri Rönnholm 1, Juha Hyyppä 2 1 Aalto-yliopisto, Insinööritieteiden korkeakoulu, Fotogrammetria ja kaukokartoitus 2 Geodeettinen laitos petri.ronnholm@aalto.fi, juha.hyyppa@fgi.fi TIIVISTELMÄ Artikkeli perustuu EuroSDR:n (European Spatial Data Research) kansainväliseen koetyöhön, jonka tavoitteena oli selvittää ja vertailla menetelmiä ilmalaserkeilausaineistojen ja ilmakuvien keskinäiseksi orientoimiseksi. Koska laserkeilaus ja valokuvaus täydentävät toisiaan, niiden yhteiskäyttö ja integrointi ovat mielekkäitä. Eri aineistojen on kuitenkin oltava samassa koordinaatistossa. Koetyöhön saatiin mukaan useita yliopistoja, tutkimuslaitoksia ja organisaatioita, joiden soveltamat menetelmät kattoivat hyvin kaikki tärkeimmät lähestymistavat ongelmaan. Koetyön perusteella vastinpiirretyypin valinta, vastinpiirteiden määrä sekä menetelmän toteutus olivat merkittävimmät tekijät orientointien tarkkuuksiin. Esimerkiksi automaation taso ei ollut tarkkuutta rajoittava tekijä. Käytännöllisesti katsottuna kaikki menetelmät olivat yhä kehitysvaiheessa, joten tulevaisuudessa on odotettavissa tarkkuuksien, luotettavuuden ja prosessien parantumista. Koetyö suoritettiin rakennetussa ympäristössä, joten tuloksia ei voida suoraan siirtää rakentamattomaan ympäristöön. 1. JOHDANTO Laserkeilaus ja fotogrammetriset menetelmät soveltuvat molemmat erinomaisesti kartoitustehtäviin. Laajojen alueiden geometrisen tiedon keruussa käytetään toistaiseksi eniten ilmasta kerättäviä aineistoja, vaikka erityisesti ajoneuvopohjaiset kartoitusjärjestelmät ovat viime aikoina lisänneet suosiotaan. Fotogrammetriset mittaukset ovat olleet käytössä jo lähes 200 vuotta (Konecny, 1985), mutta digitaaliset kamerat ja uudet aineistojen käsittelymenetelmät ovat kehittäneet alaa voimakkaasti. Laserkeilaus vastaavasti on kehittynyt kaupallisesti varteenotettavaksi kartoitusmenetelmäksi vasta viimeisten vuosikymmenten aikana. Vaikka sekä laserkeilaus että kuvamittaukset soveltuvat yksinäänkin 3D aineiston lähteeksi, on usein mielekästä yhdistää molempien menetelmien parhaat ominaisuudet, sillä ne tarjoavat toisiaan täydentävää informaatiota (Kern, 2001; Schenk & Csathó, 2002). Laserkeilauksen etuna on kyky tuottaa pintamallia niiltäkin alueilta, joilla ei ole selkeää tekstuuria. Lisäksi lasermittausten avulla voidaan saada kohtuullisen hyvin havaintoja maanpinnasta myös alueilla, joissa kasvillisuus ehkäisee fotogrammetristen mittausten onnistumisen. Valokuvien vahvuus syntyy hyvästä resoluutiosta, väri- tai harmaasävyarvoista ja helpohkosti hallittavissa olevasta geometrisesta tarkkuudesta. Tyypillisesti valokuvilta on huomattavasti helpompi mitata taiteviivoja kuin laserkeilausaineistoista. Lisäksi valokuvilta kohteen tunnistaminen ja näkymän ymmärtäminen on helpompaa kuin laserpistepilvestä. Laserpistepilven tulkittavuutta voidaan parantaa liittämällä 3D laserpisteille väriarvot valokuvilta. Jos aineiston tulkinnassa ja luokittelussa käytetään laseretäisyysmittauksesta saatavaa intensiteettiä eli palaavan kaiun hetkellistä voimakkuutta, intensiteettiarvot tulisi kalibroida (Luzum 92
ym., 2004; Kaasalainen ym., 2009). Kuva 1 havainnollistaa, kuinka samaan koordinaatistoon orientoidut kuvat ja ilmalaserkeilausaineisto vastaavat tai eroavat toisistaan. Kuva 1. Ilmalaserkeilausaineisto päällepiirrettynä stereoilmakuvaparille (ristiin katseltavissa). Laserpistepilvi on värjätty korkeuden mukaan. (Kuva Petri Rönnholm) Ilmalaserkeilausaineistojen ja ilmakuvien integrointi tai integroitu käyttö edellyttää, että aineistot ovat yhteisessä koordinaatistossa. Aineistojen muuntaminen yhteiseen koordinaatistoon voidaan toteuttaa jollain kolmesta perusstrategiasta: 1. Instrumentit asennetaan yhteiselle alustalle, aineistot kerätään samanaikaisesti ja kartoitussysteemi on kalibroitu 2. Aineistot orientoidaan erikseen yhteiseen koordinaatistoon, esimerkiksi maastokoordinaatistoon 3. Selvitetään aineistojen välinen keskinäinen orientointi Periaatteessa systeemikalibroitu järjestelmä vaatisi toimiakseen tarkasti joko matriisipohjaisen etäisyysmittauksen tai alusta ei saisi liikkua keilaushetkellä. Nykyisellä teknologialla kumpikaan rajoitteista ei ole mahdollinen ilmasta tapahtuvista kartoituslaitteista. Vaikka matriisipohjaisia 3D etäisyysmittauskameroita on olemassa (esimerkiksi Schroeder ym., 1999; Lange & Seitz, 2000; Oggier ym., 2004), niiden resoluutio, tarkkuus ja mittausetäisyys eivät vielä ole riittäviä ilmakartoitussovelluksiin. Sijoittamalla sekä laserkeilain että kamerat samaan kuvausalustaan, kuten lentokoneeseen tai helikopteriin, voidaan saada tarkka keskinäinen orientointi niille laserpisteille, jotka keilattiin kuvanoton aikana. Jos voidaan olettaa, että laserpistepilven sisäinen geometria on virheetön eli GPS/inertiajärjestelmä ei ole aiheuttanut virhettä, systeemikalibroinnin kautta saatu keskinäinen orientointi pätee koko aineistolle. Lisärajoitteena vielä on, että kohteessa ei saa olla liikettä. Muuten eriaikaisesti mitatut aineistot sisältävät toisistaan poikkeavaa informaatiota. Joissakin tilanteissa ei ole edes mielekästä tehdä laserkeilausta ja ilmakuvausta samanaikaisesti. Mittausvaatimukset laserkeilaukselle ja ilmakuvaukselle saattavat olla hyvin erilaiset. Esimerkiksi laserkeilausta voidaan tehdä myös pimeällä, mikä ei ole mahdollista valokuvatessa. Toisaalta myöskään laserkeilauksen optimaalinen lentokorkeus ei välttämättä ole sama kuin ilmakuvien tapauksessa. Tällöin aineistot kerätään eri lentokerroilla. 93
Sekä laserpistepilvi että ilmakuvat on mahdollista orientoida erikseen ulkoiseen koordinaatistoon. Edellytyksenä on, että maastosta on mitattu tukipisteitä tai -piirteitä. Valitettavasti tukipisteiden tai -piirteiden vaatimukset ovat usein erilaiset laserkeilausaineistolle kuin valokuville, jolloin samalta alueelta voidaan joutua mittaamaan kaksinkertainen määrä tukipiirteitä. Esimerkiksi Vosselman (2008) toi esille, että useiden tukipiirteiden mittaaminen laserkeilauskampanjassa ei ole välttämättä mahdollista tai mielekästä. Laserpistepilven orientointia varten on ehdotettu esimerkiksi isoja ympyrätähyksiä (Toth & Grejner- Brzezinska, 2005; Csanyi & Toth, 2007; Yastikli ym., 2008) sekä katumerkintöjä (Hyyppä ym., 2005; Toth ym., 2007). Käytännössä myös GPS:llä mitattujen 3D referenssipintojen käyttö on suosittua. Laserkeilainjärjestelmät käyttävät niin kutsutun suoran orientoinnin sensoreita keilauspaikkojen sijaintien ja instrumentin kallistusten selvittämiseksi. Suoran orientoinnin sensorit sisältävät GPS-laitteiston sekä inertiaalimittausyksikön (IMU=Inertial Measurement Unit). Näiden laitteiden tarkkuudet ovat nykyään kohtuullisen hyvät ja odotettavissa olevat virheet ovat 5-10 cm sijainnille ja vähemmän kuin 0.006º ω- ja ϕ-kierroille sekä 0.01º κ-kierrolle (Schwarz, 1995; Cramer, 1999; Kremer, 2001; Heipke ym., 2002; Honkavaara ym., 2003; Legat ym., 2006). Valitettavasti suoran orientoinnin mittauksissa ei ole sisäänrakennettua laadunkontrollointijärjestelmää, joten mahdolliset säännölliset tai satunnaiset virheet joudutaan tunnistamaan ja korjaamaan jälkeenpäin. Useimmiten GPS/IMU-orientointitietoja on parannettava käyttämällä tukipisteitä tai -piirteitä. Onnistunut keskinäinen orientointi varmistaa, että aineistot ovat samassa koordinaatistossa. Lisäksi se mahdollistaa, että tukipisteistö rakennetaan vain toisen menetelmän tarpeet huomioiden. Tyypillinen valinta on orientoida ilmakuvablokki tukipisteiden avulla, koska orientointiprosessit valokuville ovat pidemmälle kehittyneitä, mutta tarvittaessa voidaan myös orientoida ensin laserpistepilvi maastokoordinaatistoon. Ennen keskinäistä orientointia on kuitenkin huolehdittava, että molempien aineistojen sisäiset geometriat ovat kunnossa. Valokuvien tapauksessa tulee käyttää kalibroituja kameroita ja laserkeilausaineistolle suositellaan jonotasoitusta sisäisten virheiden minimoimiseksi. Keskinäinen orientointi perustuu vastinpiirteisiin, joita tulee löytää ilmalaserkeilausaineiston ja kuvien välille. Vaikka käytännön toteutuksia löytää vastinpiirteitä on erittäin paljon, on löydettävissä kolme perusstrategiaa: 1. Etsitään yhteisiä 3D piirteitä aineistojen välille. Menetelmä vaatii stereomittauksia tai mittauksia useammalta kuvalta. 2. Etsitään laseraineistosta 3D piirteitä ja niiden vastinpiirteitä 2D kuvatasolta. 3. Luodaan 3D laserpistepilvestä synteettinen 2D kuva ja etsitään 2D piirteitä sekä virtuaalisilta laserkuvilta että valokuvilta. Vuonna 2009 EuroSDR (European Spatial Data Research, http://www.eurosdr.net/start/) aloitti kansainvälisen koetyöprojektin, jossa tavoitteena oli koota tietämystä sekä vertailla menetelmiä, joiden avulla voidaan selvittää keskinäinen orientointi ilmakuvien ja ilmalaserkeilausaineistojen välille. Tehtävänä eri osapuolilla oli selvittää yhteistä lähtöaineistoa käyttäen keskinäinen orientointi ilmalaserkeilausaineistojen ja ilmakuvien välille. Lisäksi pyydettiin muuntamaan laserpistepilvet siten, että ne olisivat samassa koordinaatistossa ilmakuvien kanssa. Koetyössä pyrittiin myös selvittämään orientointimenetelmien automaation nykyinen taso. Projektin vetovastuu oli Aalto-yliopistolla. Artikkelissa esitellään tämän projektin tuloksia. 94
2. EUROSDR:N KOETYÖ 2.1 Osallistujat Koetyöhön saatiin mukaan yhdeksän yliopistoa, tutkimuslaitosta, yritystä tai organisaatiota (kts. Taulukko 1). Koska osa osallistujista kokeili useampaa kuin yhtä menetelmää, koetyöhön saatiin 13 erilaista sovellusta. Yksi osallistujista (Independent Research Group on Geospatial) toteutti oman menetelmänsä käyttäen tunnettuja maastopisteitä, joten menetelmää ei ole sisällytetty tämän artikkelin keskinäisten orientointimenetelmien vertailuun. Taulukko 1. EuroSDR:n koetyöhön osallistuneet tahot. Osallistujat Lyhenne Toteutettujen rekisteröintimenetelmien lkm Aalto-yliopiston Insinööritieteiden korkeakoulu, Suomi Aalto 1 Dublin Institute of Technology, Irlanti DIT 1 Geodeettinen laitos, Aalto-yliopiston Insinööritieteiden FGI ym. 1 korkeakoulu ja TerraSolid Oy, Suomi Independent Research Group on Geospatial, Iran IRGG 1 National Geographic Institute, Espanja IGN-1, IGN-2 2 University of Calgary, Kanada UofC-1, UofC-2, 3 UofC-3 University College London, UK UCL 1 IFP University of Stuttgart, Saksa IFP-1, IFP-2 2 IPF Vienna University of Technology, Itävalta IPF 1 Yhteensä 13 2.2 Koetyössä sovelletut menetelmät Aalto-yliopiston menetelmä (Aalto) perustui interaktiiviseen orientointimenetelmään (Rönnholm ym., 2003; Rönnholm ym., 2009), jossa laserpistepilvi projisoidaan suodattamatta stereokuvan päälle ja operaattorilla on mahdollisuus muuttaa kuvien tai laserpistepilven orientointiparametreja. Menetelmä perustuu operaattorin visuaaliseen näkymän tulkintaan. Interaktiivinen orientointi tehtiin erikseen kuudelle pienelle alueelle. Näiltä alueilta löydettyjen orientointipoikkeamien avulla laskettiin koko aineiston siirto ja kiertoparametrit. Dublin Institute of Technology (DIT) loi menetelmässään laserpisteaineistosta synteettisen kuvan ja vastinpisteet haettiin 2D kuvatasoilta. Itse vastinpisteiden valinta tapahtui manuaalisesti, vaikka automaattisen prosessin mahdollisuudet tuotiin esille. Toisin kuin muilla menetelmillä vain 2D siirrot XY-tasossa ja kappa-kierto otettiin mukaan muunnokseen. Käytännön sovelluksissa menetelmää olisi siis täydennettävä poistamalla lisäksi korkeussiirtymä ja aineiston mahdolliset kallistumat. Koetyön aineistot olivat valmiiksi hyvin lähellä tasattua, joten merkittäviä kallistumia ei ollut. Geodeettinen laitos, Aalto-yliopisto ja TerraSolid Oy ratkaisivat keskinäisen orientoinnin käyttämällä rakennusten harjaviivoja. 3D harjaviivat löydettiin automaattisesti laserpistepilvestä leikkaamalla kattojen tasopintoja. Vastaavat harjaviivat löydettiin automaattisesti kuvatasolta. Keskinäinen orientointi ratkaistiin käyttämällä koplanariteettiehdon mukaista mallia tasoituksessa (Karjalainen ym., 2006). Menetelmä toimi muuten automaattisesti, mutta orientoinnin lähtölikiarvoja jouduttiin manuaalisesti korjaamaan, jotta automatiikka tunnisti vastinpiirteet. 95
National Geographic Institute (Espanja) toteutti kaksi orientointimenetelmää. Ensimmäisessä menetelmässä (IGN-1) operaattori etsi manuaalisesti 3D liitospisteitä laseraineiston ja stereoilmakuvilta mitattujen pisteiden välille. Laseraineistosta muodostettiin pintamalli, jota varjostettiin ja värjättiin intensiteettiarvoilla. Näin operaattorin oli helpompi tunnistaa laseraineistosta ilmakuvalta valittuja pisteitä. Vastinpisteitä mitattiin lähes 40, joiden avulla laserpistepilvi muutettiin samaan koordinaatistoon ilmakuvien kanssa. Toisessa menetelmässä (IGN-2) luotiin laseraineistosta synteettinen 2D kuva lähelle ilmakuvien perspektiiviä. Kuvia ehostettiin käyttämällä Daubechies D4 -aallokemuunnosta (Jensen & la Cour-Harbo, 2001), kuvat binarisoitiin ja lopullisilta tuloskuvilta etsittiin automaattisesti kiinnostuspisteitä vastinpisteiden löytämiseksi. Menetelmä oli lähes automaattinen. Oikeiden vastinpisteiden tunnistaminen ja yhdistäminen vaati kuitenkin operaattorin tarkistusta ja avittamista. University College London (UCL) etsi kattojen harjojen päätepisteitä. Laserpistepilvestä etsittiin puoliautomaattisesti kattotasoja. Katon harjat ja niiden päätepisteet saatiin leikkaamalla löydettyjä kattotasoja. Vastaavat pisteet mitattiin manuaalisesti 2D kuvatasoilta. University of Calgary testasi kolmea menetelmää, joista ensimmäinen käytti orientointiin tasopintoja (UofC-1), toinen suoria viivoja (UofC-2) ja kolmas yhdisti sekä tasopinnat että suorat viivat (UofC-3). Tasot löydettiin puoliautomaattisesti laserpistepilvestä. Vastaavat tasot mitattiin manuaalisesti joko kahdelta tai useammalta kuvalta. Molemmista aineistoista määriteltiin tasojen painopisteet. Nämä painopisteet eivät välttämättä ole täsmällisiä vastinpisteitä, mutta sijaitsevat samoilla tasoilla 3D avaruudessa. Tasoituksessa käytettiin painomatriiseja siten, että vastinpainopisteet saivat liikkua, mutta vain pitkin määritettyä tasoa. Suorien viivojen tapaus vastasi muuten tasojen tapausta, mutta piirteinä käytettiin kattojen harjaviivoja, jotka saatiin kattojen tasopintojen leikkauksina laserpistepilvestä sekä mittaamalla päätepisteet kahdelta tai useammalta kuvalta. Kolmas menetelmä erosi kahdesta edellisestä vain laskennan suhteen, jolloin sekä tasot että suorat viivat olivat yhtä aikaa mukana tasoituksessa. University of Stuttgart osallistui koetyöhön kahdella menetelmällä. Ensimmäisessä menetelmässä (IFP-1) käytettiin 3D pintamalleja liitospiirteinä. Stereokuvista laskettiin kuvakorrelaation avulla tiheä 3D pintamalli ja laserpistepilvi muodostaa suoraan pintamallin. Yhteensovituksesta poistettiin kohinaiset alueet kuten kasvillisuus. Pintamallien välinen muunnos ratkaistiin käyttämällä ICP-menetelmää (Iterative Closest Point). Menetelmä oli muuten automaattinen, mutta aineistojen lähtölikiarvoja jouduttiin parantamaan, jotta automatiikka toimisi. Toisessa menetelmässä (IFP-2) luotiin ortokuva ilmalaserkeilausaineistosta. Ilmakuvien ja laserpohjaisen ortokuvan välille valittiin manuaalisesti viisi vastinpistettä. Ortokuvan 2D havainnot muutettiin takaisin 3D havainnoiksi säilyttämällä yhteys alkuperäiseen 3D pistepilveen. Varsinainen muunnos siis tehtiin 3D maastopisteiden ja 2D kuvapisteiden välillä. Vienna University of Technology (IPF) laski menetelmässään automaattisesti koealueesta 3D pintamallin stereokuvien avulla. Sekä kuvapohjaisesta että laserpohjaisesta pintamallista luotiin ruutumalli. Ruutumallia käytettiin pintamallien yhteensovittamisessa pienimmän neliösumman menetelmällä. Yhteensovitukseen otettiin mukaan vain ne alueet, joissa pintamallissa ei ollut jyrkkiä muutoksia. Ressl ym. (2008; 2009) kuvaavat menetelmää tarkemmin. 2.3 Materiaali Koetyöhön tarvittavat materiaalit tulivat Geodeettiselta laitokselta. Koealue sijaitsi Espoonlahdessa ja käytettävissä oli digitaalisen ilmakuvakameran DMC:n kuvia (pankromaattinen, RGB ja IR värikanavat; RGB=Red, Green, Blue; IR=Infrared). Kuvien orientoinnit ratkaistiin 96
sädekimpputasoituksella käyttäen 8 kuvan blokkia ja RTK (Real-Time Kinetic) GPS:llä mitattuja tukipisteitä. Pankromaattisille ja multispektraalisille kanaville tehtiin erilliset tasoitukset. Koetyöhön osallistuneille annettiin käyttöön blokin keskeltä 4 kuvaa. Pankromaattisten kuvien maastoresoluutio oli noin 5 cm ja multispektraalisten kuvien noin 22 cm. Tässä artikkelissa esitetään tuloksia vain pankromaattisten kuvien tapauksesta, koska useat koetyöhön osallistuneet eivät käsitelleet multispektraalisia kuvia. Keskimäärin tulokset olivat multispektraalisilla kuvilla jonkin verran heikompia kuin pankromaattisten kuvien tapauksessa. Laserkeilausaineistot olivat peräisin Optech ALTM 3100 (vuodelta 2005) ja Leica ALS50-II (vuodelta 2007) ilmalaserkeilaimista. Molemmista aineistoista annettiin koetyöhön osa yhdestä lentolinjasta, jotka sijaitsivat kuvien stereopeittoalueella. Optech ALTM 3100 -keilaimen lentokorkeus oli noin 1000 m, keilauksen avauskulma 24 (20 käytettiin), pisteentoistotaajuus 100 khz, keilaustaajuus 67 Hz ja lentonopeus 75 m/s, mikä antoi pistetiheydeksi maastossa noin 2-3 pistettä/m 2. Vastaavat tiedot Leica ALS50-II -keilauksesta olivat lentokorkeus 500 m, avauskulma 40 (±20 ), pisteentoistotaajuus 148 khz, keilaustaajuus 42.5 Hz, lentonopeus 72 m/s ja pistetiheys maastossa 4-5 pistettä/m 2. Kuva 2 esittää Leican aineiston kattavuuden ilmakuvablokin päällä. Optechin aineisto kattoi vastaavasti kuvien stereopeittoalueen. Kuva 2. Leica ALS50-II ilmalaserkeilausaineiston maastopeitto ja ilmakuvablokin stereopeittoalueet. (Kuva Petri Rönnholm) Koealueelle mitattiin maastomittauksilla kuusi vertailualuetta, joihin pyrittiin saamaan erisuuntaisia tasopintoja. Eri vertailualueet saatiin mitattua samassa koordinaatistossa mittaamalla tunnettuja pisteitä staattisella GPS-mittauksella. Näiden pisteiden avulla georeferoitiin pistepilvet, jotka tuotettiin terrestriaalisella laserkeilaimella (Leica HDS6000). Hyvin tiheästä terrestriaalisesta laserpistepilvestä irrotettiin tasopintoja, joista muodostettiin pintoja kolmioimalla. Näitä tasopintoja käytettiin vertailun lähtökohtana. 2.4 Vertailumenetelmä Koska terrestriaalisella laserkeilaimella mitatut vertailupinnat olivat samassa koordinaatistossa ilmakuvien kanssa, voitiin ilmakuvien ja laseraineistojen välistä keskinäistä orientointi tarkistaa käyttämällä mitattuja vertailupintoja (Kuva 3). Jokaisessa kuudessa vertailualueessa tutkittiin vain laseraineiston 3D siirtymiä. Siirtymä ratkaistiin käyttämällä ICP-menetelmän versiota, jossa 3D pistepilven etäisyys vertailupinnoista minimoitiin. Näistä siirtymistä ratkaistiin lopuksi koko aineistolle kierrot. 97
Kuva 3. Yhden vertailualueen sisältämät vertailupinnat. Vertailupinnat on kolmioitu terrestriaalisella laserkeilaimella mitatusta 3D pistepilvestä. (Kuva Petri Rönnholm) 2.5 Tulokset Taulukko 2. Eri menetelmillä laskettujen keskinäisten orientointien virheet. Δx (m) Δy (m) Δz (m) Δomega ( ) Δphi ( ) Δkappa ( ) Aalto, Optech 0.02 0.01 0.02 0.003 0.010 0.009 Aalto, Leica 0.04 0.00 0.01 0.002 0.012 0.023 IPF, Optech 0.07 0.10 0.03 0.008 0.009 0.011 IPF, Leica 0.01 0.12 0.01 0.000 0.015 0.016 IFP 1, Optech 0.05 0.15 0.01 0.008 0.017 0.004 IFP 1, Leica 0.09 0.07 0.06 0.006 0.038 0.023 FGI ym., paras tapaus, image 2_14, Leica 0.04 0.03 0.23 0.012 0.006 0.012 FGI ym., paras tapaus, image 2_13, Optech 0.02 0.07 0.01 0.001 0.028 0.010 IGN 1, Optech 0.25 0.04 0.09 0.003 0.032 0.014 IGN 1, Leica 0.04 0.01 0.12 0.007 0.040 0.029 UCL, Optech 0.03 0.01 0.23 0.006 0.016 0.016 UCL, Leica 0.03 0.01 0.16 0.003 0.014 0.004 UofC 1, Optech 0.06 0.10 0.02 0.006 0.004 0.008 UofC 1, Leica 0.02 0.28 0.08 0.001 0.023 0.002 DIT, Optech 0.08 0.21 DIT, Leica 0.20 0.00 UofC 3, Optech 0.17 0.10 0.07 0.002 0.004 0.008 UofC 3, Leica 0.16 0.36 0.13 0.001 0.028 0.031 UofC 2, Optech 0.22 0.09 0.11 0.012 0.017 0.016 UofC 2, Leica 0.15 0.37 0.16 0.002 0.029 0.036 IGN 2, Optech 0.00 0.17 0.06 0.009 0.026 0.016 IGN 2, Leica 0.45 0.25 0.04 0.001 0.013 0.039 IFP 2, Optech 0.56 0.09 0.08 0.015 0.016 0.002 IFP 2, Leica 1.79 0.53 0.53 0.020 0.003 0.019 Taulukko 2 listaa koetyössä saadut tulokset pankromaattisten kuvien tapauksessa kaikille keskinäisen orientoinnin menetelmille, jotka olivat mukana projektissa. Kuva 4 ovat samat 98
tulokset ryhmiteltynä vastinpiirretyyppien mukaisesti. Lisäksi vielä Kuva 5 havainnollistetaan tuloksia automaation tason mukaan. Kokonaisvirhe on laskettu: Kokonaisvi rhe = X + Y + Z. (1) 2 virhe 2 virhe 2 virhe (1.94) Kuva 4. Keskinäisen orientoinnin siirtymien kokonaisvirheet ryhmiteltynä vastinpiirretyypeittäin. Jos kokonaisvirhe on mennyt yli visualisoinnin maksimiarvosta, virheen kokonaismäärä on ilmoitettu sulkeissa. 99
Kuva 5. Keskinäisten orientointien siirtymien kokonaisvirheet ryhmiteltynä automaation tason mukaan. Jos kokonaisvirhe on mennyt yli visualisoinnin maksimiarvosta, virheen kokonaismäärä on ilmoitettu sulkeissa. (Ylhäällä Optech- ja alhaalla Leica-aineisto) 3. KESKUSTELU Menetelmien vastinpiirretyypit näyttävät vaikuttavan huomattavasti tuloksiin. Kuten edeltä käsin oli arvattavissa, pistemäisiä vastinpiirteitä käyttävissä menetelmissä tuli eniten hajontaa. Selitys ilmiölle on siinä, että laserpistepilvet olivat liian harvoja tarkkojen pisteiden määrittämiseen suorin menetelmin. Kuitenkin ne menetelmät, jotka käyttivät erityisen paljon vastinpisteitä keskinäisen orientoinnin laskennassa, näyttävät tuottavan parempia tuloksia kuin vain muutamaan pisteeseen tukeutuvat menetelmät. Laserkeilausaineistojen laadussa oli jonkin verran vaihtelua. Optechin aineistolle oli tehty jonotasoitus ja sen jonokohtainen sisäinen geometria vaikutti olevan varsin hyvä. Toisaalta aineisto sisälsi melko paljon kohinaa. Leican aineistolle ei tehty jonotasoitusta, mikä aiheutti jonkin verran tarkkuuden vaihteluita keilausjonon sisällä. Aineiston kohina oli kuitenkin vähäisempää Optechiin verrattuna. Orientointimenetelmien joukossa oli muutamia lähes automaattisia prosesseja. Erityisen mielenkiintoisia olivat menetelmät, jotka yhteensovittivat fotogrammetrisesti mitattua pintamallia laserpistepilvestä johdettuun pintamalliin. Näiden menetelmien vahvuutena on liitosalueiden suuri kattavuus. Periaatteessa näitä menetelmiä voisi käyttää myös laserpistepilven sisäisen eheyden tarkistamiseen. 100
Suoriin viivoihin perustuvat menetelmät tuottivat vaihtelevampia tuloksia kuin pintoihin perustuvat menetelmät. Tarkkuuteen vaikuttaa oleellisesti, kuinka tarkasti viivat on ylipäänsä mitattavissa aineistoista. Esimerkiksi talojen harjat voivat olla pyöreitä, eikä teräviä. Laserpistepilvestä kattojen harjat etsitään poikkeuksetta kattotasojen leikkauksina, mikä ei välttämättä tuota tarkasti todellisen harjan kuvausta. Koetyön tulosten mukaan yhdistämällä laskentaan tasoja ja suoria viivoja ei saatu oleellista parannusta tuloksiin. Osasyynä tähän saattaa olla se, että talojen harjat johdettiin kattotasoista, jolloin viivamaiset piirteet eivät käytännössä voi olla tarkempia kuin tasot. Interaktiivinen menetelmä tuotti hyviä tuloksia, vaikka manuaalisena menetelmänä vaatii operaattorin työaikaa. Menetelmän vahvuutena on se, että laserpistepilvestä ei tarvitse etukäteen suodattaa hajapisteitä pois. Käytännössä laserpistepilvi sisältää hyvin paljon yksittäisiä osumia lampuista, aidoista ja muista pienistä kappaleista. Muilla menetelmillä näitä yksityiskohtia ei voi käyttää hyväksi, mutta operaattori stereotulkinnan aikana kykenee tarkentamaan interaktiivisesti orientointia erityisesti näiden pienten yksityiskohtien avulla. Monet menetelmistä olivat vielä kehitysvaiheessa. Orientointiprosessien toimivuudessa, käytettävyydessä ja nopeudessa on vielä paljon parannettavaa. Lisäksi monet menetelmistä tarvitsevat toimiakseen rakennetun ympäristön. Näin ollen tutkimuksen tuloksia ei voi suoraan soveltaa esimerkiksi metsäisillä alueilla. 4. JOHTOPÄÄTÖKSET Artikkelissa esiteltiin EuroSDR:n kansainvälisen koetyön tuloksia. Koetyön tavoite oli tutkia menetelmiä, joiden avulla ilmalaserkeilausaineistot ja ilmakuvat voidaan orientoida keskinäisesti. Keskinäinen orientointi varmistaa, että aineistot ovat yhteisessä koordinaatistossa. Laserkeilausaineiston ja ilmakuvan yhteiskäytöllä on laajasti sovelluksia, koska menetelmät täydentävät toisiaan. Koetyöhön osallistui useita yliopistoja, tutkimuslaitoksia ja organisaatioita, mikä mahdollisti laajan vertailun erilaisten menetelmien tarkkuuksista. Koetyöhön mukaan saadut menetelmät edustivat kaikkia perusstrategioita aineistojen välisen keskinäisen orientoinnin selvittämiseksi. On kuitenkin huomioitavaa, että käytännöllisesti katsottuna kaikki menetelmät olivat vielä kehitysasteella, joten tulevaisuudessa voidaan odottaa parannuksia prosesseissa, tarkkuuksissa ja luotettavuudessa. Koetyötä varten osapuolille jaettiin yhteinen lähtöaineisto ja lopputuotteena pyydettiin, että laserpistepilvet muunnettiin samaan koordinaatistoon ilmakuvien kanssa. Menetelmiä verrattiin maastomittauksilla mallinnettujen vertailupintojen avulla. Tulosten mukaan suurin osa menetelmistä pääsi kokonaisvirheeltään (XYZ) lähelle 20 cm:ä useat menetelmät jopa tämän alle. Merkittävimmät tekijät keskinäisen orientoinnin tarkkuuksiin olivat valittu vastinpiirretyyppi, menetelmän toteutus sekä vastinpiirteiden lukumäärä tai kattavuus. Sen sijaan esimerkiksi automaation taso ei näyttänyt olevan kovin merkittävä tekijä. Yksikään menetelmistä ei toiminut täysin automaattisesti, vaikka automaation taso olikin muutamassa menetelmässä erittäin korkea. Tyypillisesti lähtöorientointitietoja jouduttiin parantamaan, jotta automaattiset menetelmät osaisivat paremmin tunnistaa vastinpiirteet. 101
Koetyön perusteella ei ole helppo valita yksittäistä menetelmää, joka olisi ollut ylivertainen muihin nähden. Erityisen kiinnostavia olivat esimerkiksi menetelmät, jotka ratkaisivat keskinäisen orientoinnin vertailemalla kuvamittauksista saatua pintamallia ja laserkeilauksen pintamallia. Näiden menetelmien etu on siinä, että vastinpiirteet kattavat parhaimmillaan koko alueen. Koska pintamalli voidaan valokuvilta luoda automaattisesti, koko prosessista on mahdollista saada automaattinen. EuroSDR:n koetyö toteutettiin rakennetussa ympäristössä. Monet menetelmät käyttivät vastinpiirteitä, joita löytyy vain rakennetusta ympäristöstä. Näin ollen tutkimuksen tuloksia ei voida suoraan liittää esimerkiksi metsäympäristöön. Koetyö kuitenkin täytti sille asetetut odotukset ja on askel eteenpäin, joka johtaa ilmakuvien ja ilmalaserkeilausaineistojen tehokkaaseen yhteiskäyttöön ja integrointiin. KIITOKSET Kiitokset Geodeettisen laitoksen henkilökunnalle, Harri Kaartinen, Lauri Markelin, Kimmo Nurminen, Eija Honkavaara ja Eero Ahokas, jotka pääasiassa esikäsittelivät koetyön lähtömateriaalit. Erityiskiitos kuuluu EuroSDR:lle, joka mahdollisti projektin. LÄHTEET Cramer, M., 1999. Direct geocoding is aerial triangulation obsolete? In Fritsch/Spiller (eds.): Photogrammetric Week 1999, Wichmann Verlag, Heidelberg, Germany, s. 59-70. http://www.ifp.unistuttgart.de/publications/ phowo99/cramer.pdf Csanyi, N. & Toth, C., 2007. Improvement of lidar data accuracy using lidar-specific ground targets. Photogrammetric Engineering & Remote Sensing, 73(4), s. 385-396. Heipke, C., Jacobsen K. & Wegmann H., 2002. Analysis of the results of the OEEPE test Integrated Sensor Orientation. Test Report and Workshop Proceedings, OEEPE Official Publication n. 43, s. 31-45. Honkavaara, E., Ilves, R. & Jaakkola, J., 2003. Practical results of GPS/IMU/camera-system calibration. Proceedings of International Workshop: Theory, Technology and Realities of Inertial/GPS Sensor Orientation, Castelldefels, Spain, 10 s. http://www.isprs.org/commission1/theory_tech_realities/pdf/p06_s3.pdf (accessed September 29, 2009) Hyyppä, H., Rönnholm, P., Soininen, A. & Hyyppä, J., 2005. Scope for laser scanning to provide road environment information. The Photogrammetric Journal of Finland, 19(2), s. 19-33. Jensen, A. & la Cour-Harbo, A., 2001. Ripples in Mathematics: The Discrete Wavelet Transform. Springer- Verlag, Berlin, 246 sivua. ISBN 3-540-41662-5. Kaasalainen, S., Lindroos, T. & Hyyppä, J., 2007. Toward hyperspectral lidar: measurement of spectral backscatter intensity with a supercontinuum laser source. IEEE Geoscience and Remote Sensing Letters, 4(2), s. 211-215. Karjalainen, M., Hyyppä, J. & Kuittinen, R., 2006. Determination of Exterior Orientation Using Linear Features from Vector Maps. The Photogrammetric Record 21(116), s. 329-341. Kern, F., 2001. Supplementing laserscanner geometric data with photogrammetric images for modeling. The CIPA International Archives for Documentation of Cultural Heritage, Vol. XVIII, 18-21 Sept., Potsdam, Germany, s. 454-461. Konecny, G., 1985. The International Society for Photogrammetry and Remote Sensing 75 years old, or 75 years young. Photogrammetric Engineering & Remote Sensing, 51(7), s. 919-933. 102
Kremer, J., 2001. CCNS and AEROcontrol: Products for efficient photogrammetric data collection. In Fritsch/Spiller (eds.), Photogrammetric Week 2001, Wichmann Verlag, Heidelberg, Germany, s. 85-92. Lange, R. & Seitz, P., 2000. Seeing distances a fast time-of-flight 3D camera. Sensor Review, 20(3), s. 212-217. Legat, K., Skaloud, J. & Schmidt, R., 2006. Reliability of Direct Georeferencing: A Case Study on Practical Problems and Solutions Final Report on Phase 2. In EuroSDR Official Publication No 51, s. 169-184. http://bono.hostireland.com/ ~eurosdr/publications/51.pdf Luzum, B., Starek, M. & Slatton, K., 2004. Normalizing ALSM intensities. Geosensing Engineering and Mapping (GEM) Center Report No. Rep_2004_07_001, Civil and Coastal Engineering Department, University of Florida, 8 s.. http://www.aspl.ece.ufl.edu/reports/gem_rep_2004_07_001.pdf (accessed September 25, 2009) Oggier, T., Lehmann, M., Kaufmann, R., Schweizer, M., Richter, M., Metzler, P., Lang, G., Lustenberger, F. & Blanc, N., 2004. An all-solid-state optical range camera for 3D-real-time imaging with sub-centimeter depthresolution (SwissRangerTM). Proc. SPIE Vol. 5249, s. 634-545. Ressl, C., Kager, H. & Mandlburger, G., 2008. Quality Checking Of ALS Projects Using Statistics Of Strip Differences. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(Part B3b), s. 253-260. Ressl, C., Mandlburger, G. & Pfeifer, N., 2009. Investigating Adjustment of Airborne Laser Scanning Strips Without Usage Of GNSS/IMU Trajectory Data, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(Part 3/W8), s. 195-200. Rönnholm, P., Hyyppä, H., Pöntinen, P., Haggrén, H. & Hyyppä, J., 2003. A Method for Interactive Orientation of Digital Images Using Backprojection of 3D Data, the Photogrammetric Journal of Finland, 18(2), s. 58-69. Rönnholm, P., Hyyppä, H., Hyyppä, J. & Haggrén, H., 2009. Orientation of Airborne Laser Scanning Point Clouds with Multi-View, Multi-Scale Image Blocks. Sensors, 9, s. 6008-6027. Schenk, T. & Csathó, B., 2002. Fusion of LIDAR data and aerial imagery for a more complete surface description. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 34 (3), s. 310-317. Schroeder, W., Forgber, E., & Estable, S., 1999. Scannerless laser range camera, Sensor Review, 19(4), s. 285-291. Schwarz, K.P., 1995. Integrated airborne navigation systems for photogrammetry. In Fritsch/Hobbie (eds.): Photogrammetric Week 1995, Wichmann Verlag, s. 139-154. http://www.ifp.unistuttgart.de/publications/phowo95/schwarz.pdf Toth, C. & Grejner-Brzezinska, D., 2005. Traffic flow estimation from airborne imaging sensors: a performance analysis. ISPRS Workshop "High-Resolution Earth Imaging for Geospatial Information", 17-20 May, Hannover, Germany, 7 s. http://www.ipi.uni-hannover.de/fileadmin/institut/pdf/141-toth.pdf (accessed September 9, 2009) Toth, C., Paska, E. & Brzezinska, D., 2007. Using pavement markings to support the QA/QC of lidar data. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 36(Part 3/W49B), s. 173-178. Vosselman, G., 2008. Analysis of planimetric accuracy of airborne laser scanning surveys. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(Part 3A), s. 99-104. Yastikli, N., Toth, C. & Brzezinska, D., 2008. Multi sensor airborne systems: The potential for in situ sensor calibration. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(Part B1/I), s. 89-94. 103