عنوان

ارزیابی تأثیر نقاط گرهی در تصحیح خطای سیستماتیک ضرایب توابع گویا در تصاویر ماهواره‌ای با حد تفکیک مکانی بالا

پ۲۵۲۸۵

per

ارزیابی تأثیر نقاط گرهی در تصحیح خطای سیستماتیک ضرایب توابع گویا در تصاویر ماهواره‌ای با حد تفکیک مکانی بالا

مهدی فتاحی

فنی و مهندسی عمران

۱۴۰۰

۵۷ص.

سی دی

کارشناسی ارشد

عمران مهندسی نقشه‌برداری سنجش‌از‌دور

۱۴۰۰/۰۶/۲۴

امروزه تصاویر ماهواره‌ای با حد تفکیک مکانی بالا برای انواع کاربردهای مدل‌سازی زمین مورد استفاده قرار می‌گیرند. به‌منظور مدل‌سازی هندسی بین این تصاویر و زمین نیازمند مدل‌های تبدیل مناسب هستیم. شرکت‌های فروشنده تصاویر ماهواره‌ای اغلب با توجه به هدف مورد استفاده تصاویر را به‌همراه ضرایب RPC (Rational Polynomial Coefficient) ارائه می‌دهند؛ بنابراین یکی از مدل‌های تبدیل متداول برای مدل‌سازی هندسی و تصحیح هندسی، مدل تابع گویا است که بدون نیاز به اطلاعات فیزیکی، هندسه داخلی سنجنده و پارامترهای مداری سنجنده برای کاربران نهایی قابل استفاده هستند. ضرایب RPC ارائه شده توسط شرکت‌های فروشنده تصاویر ماهواره‌ای، دارای خطای سیستماتیک به‌علت خطای موجود در پارامترهای توجیه خارجی خط‌های تصویر در اثر خطای زمانی GPS (Global Positioning System) و یا اغتشاشات مداری مؤثر در پارامترهای موقعیت و وضعیت سنجنده، هستند؛ بنابراین، برای مدل‌سازی هندسی بین فضای تصویر و فضای زمین با استفاده از معادلات تابع گویا باید ضرایب RPC تصحیح شوند. یک روش مناسب برای تصحیح این خطا استفاده از سرشکنی بلوکی تصاویر است. برای سرشکنی بلوکی نیاز به نقاط کنترل زمینی و نقاط گرهی با توزیع مناسب است. استخراج نقاط کنترل زمینی با چالش‌هایی نظیر هزینه‌بر بودن و وقت‌گیر بودن و در مواردی غیر‌قابل‌دسترس بودن مناطق مواجه است از این‌رو، در این پایان‌نامه تأثیر نقاط گرهی از نظر تعداد، توزیع و دقت برای تصحیح هندسی ضرایب RPC بررسی می‌شود. فرآیند سرشکنی بلوک تصویری برای تصحیح خطای ضرایب RPC با تشکیل دستگاه معادلات مربوط به نقاط کنترل و گرهی و همچنین در نظر گرفتن مدل تبدیل افاین در فضای تصویر به‌عنوان پارامترهای اضافه برای ضرایب RPC هر تصویر انجام می‌شود.برای استخراج نقاط گرهی بین تصاویر پوشش‌دار مورد استفاده، از سه الگوریتم تناظریابی اتوماتیک SIFT، SURF و KAZE استفاده شده است. سه حالت محتلف برای نقاط گرهی با تغییر پارامترهای هر الگوریتم در نظر گرفته شده است. در حالت اول تعداد زیادی از نقاط گرهی (2500 نقطه) با توزیع مکانی خوب در نظر گرفته شده است. در حالت دوم تعداد متوسطی از نقاط گرهی (400 نقطه) با توزیع مکانی نسبتأ خوب در نظر گرفته شده است. در نهایت در حالت سوم تعداد نسبتأ محدودی (به‌ترتیب 199، 170 و 192 نقطه برای هر کدام از الگوریتم‌های SIFT، SURF و KAZE) با توزیع مکانی نامناسب در نظر گرفته شده است.پس از انجام فرآیند ارزیابی دقت ضرایب RPC تصحیح شده با استفاده از پارامترهای اضافه از طریق یک مجموعه از نقاط چک در تصاویر، نتایج نشان دادند که برای حالت اول که تعداد نقاط گرهی زیاد و توزیع مناسب است میزان RMSE خطای نقاط چک فرآیند سرشکنی بلوکی و تصحیح خطای ضرایب RPC کمتر خواهد بود و بهترین نتیجه مربوط به دسته نقاط گرهی استخراج شده حالت یک حاصل از الگوریتم SURF با میزان RMSE نقاط چک برابر 0.2431 است. در حالت یک برای نقاط گرهی استخراج شده از الگوریتم‌های SIFT و KAZE به‌ترتیب مقدار RMSE برابر 0.2447 و 0.2443 است. در مقابل، به هر میزان که تعداد نقاط گرهی کمتر و توزیع نقاط بدتر می‌شود مقدار RMSE خطای نقاط چک بیشتر می‌شود. برای حالت دوم با تعداد 400 نقطه گرهی، کمترین میزان RMSE برابر 0.5581 و بیشترین میزان برابر 0.5633 به‌ترتیب مربوط به نقاط گرهی حاصل از الگوریتم SURF و SIFT است. بدترین نتیجه نیز مربوط به حالت سوم نقاط گرهی استخراج شده حاصل از الگوریتم SURF (تعداد 170 نقطه) با میزان RMSE خطای نقاط چک برابر 0.8167 است. در حالت سوم کمترین میزان RMSE خطای نقاط چک مربوط به نقاط گرهی حاصل از الگوریتم SIFT (تعداد 199 نقطه) با مقدار 0.7545است. با توجه به نتایج به‌دست آمده می‌توان گفت برای هر سه الگوریتم SIFT، SURF و KAZE در حالت‌های 1 تا 3 مقدار RMSE نقاط چک متناسب با تعداد و توزیع نقاط گرهی تغییر می‌یابد؛ به طوری که هرچه تعداد و توزیع نقاط بهتر باشد، مقدار RMSE کمتر است.از لحاظ دقت مکانی می‌توان نتیجه گرفت تفاوت معناداری میان این سه الگوریتم وجود ندارد و تنها الگوریتم SURF اندکی بهتر از دیگر الگوریتم‌ها است. دلیل این موضوع می‌تواند ناشی از این امر باشد که هر سه الگوریتم SIFT، SURF و KAZE ساختارهای حبابی شکل را استخراج می‌کنند

Today, satellite imagery with the high spatial resolution is used for a variety of ground modeling applications. To geometrically model between these images and the ground, we need appropriate transformation models. Companies selling satellite imagery often provide images with Rational Polynomial Coefficient (RPC) depending on the purpose used. Therefore, one of the common transformation models for geometric modeling and geometric correction is the rational function model, which can be used for end-users without the need for physical information, sensor internal geometry, and sensor orbital parameters. RPCs provided by companies selling satellite imagery have systematic errors due to errors in the external Alignment parameters of the image lines due to a Global Positioning System (GPS) error or orbital perturbations affecting the position and attitude parameters of the sensor. Therefore, RPC coefficients must be corrected for geometric modeling between image space and ground space using rational function equations. A good way to correct this error is to use block image adjustment. For block adjustment, ground control points with proper distribution and tie-points are required. The extraction of ground control points faces challenges such as cost and time consuming and in some cases the unavailability of areas. Therefore, this thesis examines the effect of tie-points in terms of number, distribution, and accuracy for geometric correction of RPC coefficients. The process of image block adjustment to correct the error of RPC coefficients is done by forming the system of equations related to control and tie-points and also considering the model of Affine transformation in the image space as additional parameters for RPC coefficients of each image.Three automatic matching algorithms, SIFT, SURF, and KAZE, are used to extract the tie-points between the overlapping images used. Three different modes are considered for tie-points by changing the parameters of each algorithm. In the first case, a large number of tie-points (2500 points) with good spatial distribution are considered. In the second case, an average number of tie-points (400 points) with a relatively good spatial distribution is considered. Finally, in the third case, a relatively limited number (199, 170, and 192 points for each of the SIFT, SURF, and KAZE algorithms, respectively) with an inappropriate spatial distribution is considered.After performing the process of evaluating the accuracy of the corrected RPC coefficients using additional parameters through a set of checkpoints in the images, the results showed that for the first case where the number of tie-points is high and the distribution is appropriate, the RMSE error of checkpoints will be less and the best result is related to the category of tie-points extracted mode one obtained by SURF algorithm with an RMSE value of checkpoints equal to 0.2431. In mode one, the RMSE values for the tie-points extracted from the SIFT and KAZE algorithms are 0.2447 and 0.2443, respectively. In contrast, the lower the number of tie-points and the worse the distribution of points, the higher the RMSE value of the checkpoint error. For the second case with 400 tie-points, the lowest RMSE value is 0.5581 and the highest value is 0.5633 for the tie-points obtained from SURF and SIFT algorithms, respectively. The worst result is related to the third case of tie-points extracted from the SURF algorithm (170 points) with an RMSE checkpoint error of 0.8167. In the third case, the lowest amount of RMSE checkpoint error is related to the tie-points obtained from the SIFT algorithm (199 points) with a value of 0.7545.According to the obtained results, it can be said that for all three SIFT, SURF and KAZE algorithms, in modes 1 to 3, the RMSE value of the checkpoints changes in proportion to the number and distribution of tie-points; So the better the number and distribution of points, the lower the RMSE value.In terms of spatial accuracy, it can be concluded that there is no significant difference between these three algorithms and only the SURF algorithm is slightly better than the other algorithms. This could be due to the fact that all three algorithms, SIFT, SURF and KAZE, extract bubble-shaped structures

Evaluation of Tie-Points Impact for Compensating Rational Function Model Biases on High-Resolution Remote Sensing Images

‏ فتاحی،

‏‏ مهدی

تهيه کننده

‏ صداقت،

‏محمدی،

‏‏ امین

نازیلا

استاد راهنما

استاد مشاور

‏ تبریز