AUTOMATYKA 27 Tom 11 Zeszyt 3 Pawe³ Gryboœ*, S³awomir Mikrut* Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1. do automatycznego dopasowania zdjêæ lotniczych** 1. Wprowadzenie Zdjêcia lotnicze s¹ coraz czêœciej wykorzystywane jako materia³y do tworzenia dokumentacji geodezyjnej i kartograficznej, a tak e do tworzenia modeli 3D powierzchni. W procesach produkcyjnych map, modeli numerycznych terenu lub powierzchni, wykorzystuje siê coraz czêœciej matching, czyli metody automatycznej korelacji zdjêæ. Pozwalaj¹ one na automatyczny i szybki pomiar tych samych punktów na dwóch lub wiêcej zdjêciach jednoczeœnie. W niniejszej pracy zaprezentowano przyk³ad aplikacji z wykorzystaniem funkcji ogólnodostêpnej biblioteki do obróbki obrazów napisanej w jêzyku C++, a nastêpnie dokonano jej pewnych modyfikacji, celem podniesienia efektywnoœci. Biblioteka z rodziny tzw. open source o nazwie OpenCV zosta³a stworzona przez pracowników firmy Intel. Oprogramowano w niej bardzo du ¹ iloœæ funkcji i struktur mo - liw¹ do wykorzystania w procesie przetwarzania obrazów. Znajduj¹ siê tam gotowe funkcje wykonuj¹ce przekszta³cenia geometryczne, arytmetyczne i morfologiczne, pozwalaj¹ce wczytywaæ, tworzyæ i zapisywaæ obrazy w wielu formatach. Jedn¹ grupê stanowi¹ funkcje dopasowuj¹ce obrazy. Na wstêpnie omówiono zagadnienia korelacji obrazów cyfrowych na przyk³adzie zdjêæ lotniczych. Nastêpnie przestawiono algorytm oraz funkcje dostêpne w bibliotece OpenCV. Testy przeprowadzono na rzeczywistych obrazach ia i Krakowa. 2. Dopasowanie w przypadku zdjêæ lotniczych Podstawy teoretyczne zagadnienia dopasowania obrazów zosta³y szeroko opisane w literaturze [1, 2, 5 8]. Podsumowuj¹c, mo na stwierdziæ, e dopasowanie dwóch obrazów (matching) w artykule umownie nazywanych lewy i prawy odbywa siê po- * Zak³ad Fotogrametrii i Informatyki Teledetekcyjnej, Akademia Górniczo-Hutnicza w Krakowie; pawelgrybos@interia.pl, smikrut@agh.edu.pl ** Praca finansowana z grantu Komitetu Badañ Naukowych nr 4T12E 1 27 89
9 Pawe³ Gryboœ, S³awomir Mikrut przez porównanie wartoœci jasnoœci pikseli (area-based matching) lub cech takich jak krawêdzie lub naro a obiektów ( feature-based matching) wystêpuj¹cych na danym fragmencie obrazu. Druga z metod wymaga wstêpnego przetworzenia obrazów, w celu wydobycia interesuj¹cych nas cech. Ponadto dok³adnoœæ dopasowania nie przekracza jednego piksela. Dopasowanie poprzez porównanie wartoœci jasnoœci pikseli jest oparte na obliczaniu odpowiedniego wspó³czynnika mówi¹cego o jakoœci dopasowania. W zale noœci od algorytmu jako miarê wykorzystuje siê ró nice wartoœci jasnoœci pikseli lub najczêœciej wspó³czynnik korelacji dwóch obrazów. Przy obliczaniu dopasowania, w przypadku zdjêæ lotniczych, pojawiaj¹ siê problemy zwi¹zane z faktem wzajemnego skrêcenia obrazów, niejednakowym oœwietleniem scen w chwilach fotografowania oraz deniwelacjami terenu. Skrêcenie obrazów powoduje, i w dopasowanym fragmencie obrazów, piksele z lewego zdjêcia nie bêd¹ idealnie pokrywaæ siê z pikselami ze zdjêcia prawego pomijaj¹c wp³yw oœwietlenia i deniwelacji. Ró nica bêdzie tym wiêksza im dalej bêdzie znajdowa³ siê piksel od œrodka obrazu. Skrêcenie ma znaczenie przy wyliczaniu zgrubnego po³o enia szukanego punktu na lewym zdjêciu z wykorzystaniem przesuniêcia miêdzy obrazami. Wp³yw niejednakowego oœwietlenia mo na wyeliminowaæ, stosuj¹c algorytm oparty na wspó³czynniku kowariancji dwóch sygna³ów dwuwymiarowych (obrazów). Deniwelacje terenu s¹ problemem zarówno przy obliczaniu zgrubnego po³o enia szukanego punktu, jak i przy obliczaniu wspó³czynnika dopasowania dla danego fragmentu obrazu. Pod tym pojêciem mo emy zaklasyfikowaæ tak e dachy budynków, a w szczególnoœci tych wysokich. Wykonanie zdjêcia budynku kilkunastopiêtrowego z wysokoœci 1 m powoduje, i dach na zdjêciu lewym znajduje siê w innym miejscu ni na zdjêciu prawym w odniesieniu do tych samych punktów terenu. Otoczenie dla punktu znajduj¹cego siê w pobli u dachu na zdjêciu lewym, bêdzie ca³kiem inne na zdjêciu prawym. Na koñcu nale y wspomnieæ tak e o jeszcze jednym wa nym czynniku okreœlaj¹cym obraz. Chodzi tutaj o to, co przedstawia dane zdjêcie, czyli strukturê obrazu. Korelacja na obrazach przedstawiaj¹cych lasy, krzewy lub zawieraj¹cych jednolite fragmenty takie jak wody stoj¹ce, ³¹ki jest obarczona du ym prawdopodobieñstwem wyst¹pienia b³êdnego dopasowania pomimo wysokiego wspó³czynnika. Najlepsze do korelacji wydaj¹ siê byæ tereny o zró nicowanej strukturze, zawieraj¹ce elementy liniowe wzajemnie przecinaj¹ce siê (drogi, chodniki, œcie ki, granice pól itp.), elementy punktowe wyró niaj¹ce siê jasnoœci¹ w stosunku do t³a oraz elementy powierzchniowe o urozmaiconej budowie. Jednak e, jak mo na wnioskowaæ z poprzedniego akapitu, obraz przedstawiaj¹cy blokowisko, pomimo e zawiera du o elementów liniowych i punktowych nie da wyników, jakich spodziewalibyœmy siê, co zostanie poparte wynikami testów w dalszej czêœci artyku³u. 3. Funkcje biblioteki OpenCV wykorzystane w algorytmie korelacji Podstawow¹ funkcj¹ jaka zosta³a u yta jest cvmatchtemplate(), dokonuje porównania dwóch obrazów, a wynik zapisuje w postaci innego obrazu (mapy), w którym wartoœci piksela równaj¹ siê wartoœci wspó³czynnika dopasowania miêdzy tymi obrazami.
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 91 Sk³adnia funkcji jest nastêpuj¹ca: void cvmatchtemplate (const CvArr* image, const CvArr* templ, CvArr* result, int method) gdzie: image obraz przeszukiwany, templ obraz dopasowywany, result mapa dopasowania, method algorytm obliczania wspó³czynnika dopasowania. Mo liwe wartoœci parametru method okreœlaj¹ nastêpuj¹ce algorytmy: method = CV_TM_SQDIFF () (, ) = ( ( ', ') ( + ', + ')) 2 (1) R x y T x y I x x y y method = CV_TM_SQDIFF_NORMED (1) (, ) R x y = ( T( ) I( x+ x', y+ y' )) ( ', ') ( + ', + ') 2 2 T x y I x x y y 2 (2) method = CV_TM_CCORR (2) (, ) = ( ( ', ') ( + ', + ')) (3) R x y T x y I x x y y method = CV_TM_CCORR_NORMED (3) (, ) R x y = ( T( ) I( x+ x', y+ y' )) method = CV_TM_CCOEFF (4): ( ', ') ( + ', + ') 2 2 T x y I x x y y (4) (, ) = ( '( ', ') '( + ', + ')) R x y T x y I x x y y 1 T' = T T x", y" ( ) ( ) ( w h) ( ) ( ) ( ) 1 I' x+ x', y+ y' = I x+ x', y+ y' I x+ x", y+ y" ( w h) ( ) (5a) (5b) (5c)
92 Pawe³ Gryboœ, S³awomir Mikrut method = CV_TM_CCOEFF_NORMED (, ) R x y = ( T' ( ) I' ( x+ x', y+ y' )) ( ) ( + + ) 2 2 T' I' x x', y y' (6) gdzie: I image, T template (dopasowywany obraz), R wynik, czyli mapa dopasowania; x' =... w 1, y' =... h 1 (w szerokoœæ obrazu dopasowywanego, h jego wysokoœæ). Funkcja dzia³a w taki sposób, i po obrazie przeszukiwanym (I) przesuwany jest obraz dopasowywany (T) i dla ka dego po³o enia obliczana jest wartoœæ wynikaj¹ca z algorytmu, a nastêpnie ta wartoœæ jest zapisywania na obrazie wynikowym (R). Obraz wynikowy jest wiêc map¹, która przedstawia jakoœæ dopasowania. Do znalezienia minimum (method =,1) lub maksimum (method = 2..5) wartoœci s³u y funkcja: void cvminmaxloc( const CvArr* arr, double* min_val, double* max_val, CvPoint* min_loc, CvPoint* max_loc, const CvArr* mask ), która znajduje globalne maksimum i minimum na obrazie, zwracaj¹c w wyniku dzia³ania wspó³rzêdne obydwu ekstremów i ich wartoœci. Kolejnymi funkcjami, które zosta³y u yte w algorytmie s¹ funkcje do tworzenia piramidy obrazów: void cvpyrdown( const CvArr* src, CvArr* dst, int filter=cv_gaussian_5 5 ), void cvpyrup( const CvArr* src, CvArr* dst, int filter=cv_gaussian_5 5 ). Pierwsza z nich pozwala na zmniejszenie dwukrotne obrazu, a druga na operacjê odwrotn¹. Nowa wartoœæ piksela jest obliczana z wykorzystaniem filtru Gaussa na podstawie pierwotnych wartoœci pikseli. Aby uzyskaæ obraz 16-krotnie mniejszy, nale y u yæ czterokrotnie funkcji cvpyrdown. Osobn¹ grupê stanowi¹ funkcje do tworzenia (cvcreateimage()) i kasowania (cvreleaseimage()) obrazów w pamiêci komputera oraz do wczytywania (cvloadimage()) i zapisywania (cvsaveimage()) obrazów do plików. Pozwalaj¹ one na obs³ugê zarówno wielu popularnych formatów plików (BMP, TIFF, JPEG i inne), jak i obrazów kolorowych. Szerszy opis biblioteki mo na znaleÿæ w literaturze [3, 4]. 4. Algorytm dopasowania obrazów zaimplementowany z wykorzystaniem funkcji bibliotecznych Autorski schemat algorytmu przedstawiono na rysunku 1. Ogólna zasada polega na dopasowywaniu punktów na obu zdjêciach, przechodz¹c przez wszystkie poziomy piramidy od najmniejszej rozdzielczoœci do najwiêkszej.
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 93 START i = 8x (Indeks piramid) dx =.4 width, dy = Lewy obraz (piramida) Wybierz lewy i prawy obraz z piramid (i) Prawy obraz (piramida) Punkt DB mb, x l, y l, x p, y p, R Pobierz nastêpny punkt (mb, x l, y l); Maska (25x25 pix) z lewego obrazu Bufor na prawym obrazie: 2x2 pix N i=8x T Bufor na prawym obrazie: Podwójnie pokryty Pamiêæ do punkt DB mb, x p, y p, R cvmatchtemplate() -> -> map of comparison -> cvminmaxloc() -> x p, y p, R N R >.85 Obliczenie nowych wartoœcii dx i dy T Ostatni punkt na lewym obrazie N? N T i = i/2 i=1x STOP Rys. 1. Algorytm aplikacji
94 Pawe³ Gryboœ, S³awomir Mikrut W pierwszej iteracji korelowane s¹ obrazy oœmiokrotnie mniejsze od orygina³u. Dla ka dego punktu ze zdjêcia lewego szukany jest punkt na zdjêciu prawym na ca³ym obszarze podwójnego pokrycia. Wynik matchingu zapisywany jest w bazie w postaci numeru oraz wspó³rzêdnych punktów i wartoœci wspó³czynnika dopasowania. Nastêpna iteracja, na obrazie dwukrotnie wiêkszym, przebiega w podobny sposób, ale obszar przeszukiwania na zdjêciu prawym jest zdeterminowany przez bufor (przyjêto 2 2 pikseli) o punkcie centralnym odpowiadaj¹cym punktowi wyznaczonemu z poprzedniej iteracji w przypadku, gdy wspó³czynnik dopasowania jest wiêkszy od,8. Je eli wspó³czynnik jest mniejszy ni,8, to punkt œrodkowy bufora jest wyznaczany na podstawie wspó³rzêdnych punktu ze zdjêcia lewego i wartoœci dx i dy, które s¹ uaktualnianie przez ca³y czas. Ostatnia iteracja jest wykonywana na obrazie oryginalnym. Koñcowe wyniki s¹ zapisywane do pliku tekstowego i mog¹ s³u yæ jako dane do programu wyliczaj¹cego parametry orientacji wzajemnej. 5. Testowanie dzia³ania algorytmu Celem oceny poprawnoœci dzia³ania algorytmu oraz okreœlenia progu wspó³czynnika dopasowania, zosta³y przeprowadzone testy na dwóch wybranych stereogramach: 1) BYTOM_L.tif i BYTOM_P.tif zdjêcia ia, 2) 4671_6_8_L.tif i 4671_6_8_P.tif zdjêcia okolic Krakowa. Zdjêcia ia mia³y wielkoœæ 5448 5424 pikseli, oraz rozdzielczoœæ terenow¹ 36 cm/piksel, a Krakowa nieco mniejsze 5433 5365 i 5433 5478, o tej samej rozdzielczoœci terenowej. Zobrazowania ia charakteryzuj¹ siê gêst¹ zabudow¹ miejsk¹, z du ¹ iloœci¹ wysokich bloków. Natomiast zdjêcia z Krakowa obejmuj¹ tereny podmiejskie z polami uprawnymi i stawami. Oba stereogramy by³y zdjêciami o oœmiobitowej skali szaroœci. Pierwszy test zosta³ przeprowadzony na zobrazowaniach ia. W pierwszej fazie zosta³o wybranych manualnie, na zdjêciu lewym, 1 punktów, które wg operatora by³y dobrymi punktami do identyfikacji. Tak wybrane punkty zosta³y wczytanie do aplikacji i znalezione (dopasowane) na zdjêciu prawym, z algorytmem obliczania wspó³czynnika CV_TM_CCOEFF_NORMED (kowariancja dwóch sygna³ów). Bufor przeszukiwania by³ ustawiony na 2 2 pikseli, a okno template u na 25 pikseli (dobrane na podstawie literatury). Dokonano oceny poprawnoœci dopasowania oraz zbadano, jakie wartoœci przyjmuje wspó³czynnik dopasowania dla punktów poprawnych i Ÿle skorelowanych. Na rysunku 2 przedstawiono zale noœæ wspó³czynnika CCOEFF od poprawnoœci dopasowania. Poprawnoœæ punktów zosta³a okreœlona na podstawie wzrokowej oceny znalezionych punktów, przez dwie osoby, oraz dodatkowo wszystkie punkty zosta³y pomierzone na autografie cyfrowym VSD. Jak widaæ na rysunku 2, dla wiêkszoœci punktów dobrze dopasowanych wartoœæ wspó³czynnika korelacji jest wiêksza od,9, a dla punktów b³êdnie dopasowanych jest mniejsza od tej wartoœci.
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 95 1.2 1.8 match.6.4.2.5.55.6.65.7.75.8.85.9.95 1. CCOEFF Rys. 2. Wykres zale noœci poprawnoœci dopasowania od wspó³czynnika korelacji Je eliby braæ pod uwagê wartoœæ graniczn¹ równ¹,8 (wartoœæ graniczna dla programów komercyjnych), tylko 4 punkty Ÿle dopasowane maj¹ wartoœci CCOEFF wiêksze ró nica miêdzy tymi punktami, a punktami rzeczywistymi nie przekracza³a jednego piksela. Wzrasta natomiast znacznie liczba punktów dobrze dopasowanych, które by³by zaklasyfikowane przez automat jako niepoprawne. Skutecznoœæ dopasowania wynios³a 91%. Procent skutecznoœci okreœlony na podstawie wspó³czynnika korelacji wyniós³ 83%. Punkty te pos³u y³y tak e do wyznaczenia optymalnego rozmiaru okna dopasowywanego (template). W kolejnym teœcie zosta³ przeprowadzony matching dla rozmiarów okna dopasowywanego od 11 11 do 51 51 pikseli. Wykres zale noœci skutecznoœci dopasowania od rozmiaru okna przedstawiony jest na rysunku 3. 1 9 8 dopasowanie [%] 7 6 5 4 3 2 1 5 1 15 2 25 3 35 4 45 5 55 rozmiar [piksele] Rys. 3. Wykres zale noœci skutecznoœci dopasowania od rozmiaru okna dopasowywanego
96 Pawe³ Gryboœ, S³awomir Mikrut Z rysunku 3 mo na wywnioskowaæ, i optymalnym rozmiarem okna jest 25 25 pikseli. Zarówno po zwiêkszeniu, jak i zmniejszeniu okna, spada skutecznoœæ dopasowania punktów. Nale y tu jednak zaznaczyæ, e testy te zosta³y przeprowadzone na zobrazowaniach miasta, przedstawiaj¹cym zwart¹ zabudowê miejsk¹. Nale a³oby jeszcze sprawdziæ, jak przedstawia siê taki wykres dla zdjêæ terenów podmiejskich i wiejskich. Przeprowadzono równie testy z wykonaniem matchingu siatki punktów dla zobrazowania ia i Krakowa. W przypadku ia oczko siatki mia³o rozmiar 2 pikseli, a poprawnoœæ dopasowania okreœlana na podstawie wspó³czynnika korelacji przedstawia siê zgodnie z tabel¹ 1. Tabela 1 Wyniki korelacji dla wybranych obrazów testowych CCOEFF>,8 CCOEFF>,85 CCOEFF>,9 Punkty poprawne 15 17 67 Procent 37,5 26,8 16,8 Punkty poprawne 112 87 59 Procent 56,6 43,9 29,8 X 1 2 3 4 5 5 1 15 2 25 Y 3 35 4 45 5 55 Rys. 4. Rozmieszczenie dopasowanych punktów na prawym zdjêciu zobrazowania ia Objaœnienia w tekœcie
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 97 Przy zaostrzaniu kryterium oceny poprawnoœci dopasowania na podstawie wspó³czynnika korelacji procent skutecznoœci spada do oko³o 17%. W przypadku zobrazowania terenów podmiejskich Krakowa sytuacja przedstawia siê lepiej. Skutecznoœæ dopasowania dochodzi do 6% dla CCOEFF >,8 i 3% dla CCOEFF >,9. Warto w tych dwóch przypadkach przyjrzeæ siê rozmieszczeniu dopasowanych punktów na zdjêciu. Na rysunkach 4 i 5 przedstawione s¹ kolejno wykresy z zaznaczonymi punktami dla zobrazowania ia i Krakowa. Na ka dym z wykresów znajduj¹ siê dwa rodzaje punktów: znacznikami w postaci okrêgów zaznaczone s¹ punkty, które zosta³y dopasowane ze wspó³czynnikiem wiêkszym od,8, a znacznikami w postaci krzy y, zaznaczone s¹ punkty, które zosta³y dopasowane ze wspó³czynnikiem wiêkszym od,9. X 5 1 15 2 25 3 35 4 45 5 55 5 1 15 2 25 Y 3 35 4 45 5 55 Rys. 5. Rozmieszczenie dopasowanych punktów na prawym zdjêciu zobrazowania Krakowa Objaœnienia w tekœcie Jak widaæ na wykresach, rozmieszczenie tych punktów uk³ada siê w siatkê, co potwierdza, i punkty zosta³y dobrze dopasowane. Równie rozmieszczenie punktów na zdjêciu pozwala uznaæ te punkty jako dobre do wyznaczenia parametrów orientacji wzajemnej zdjêæ.
98 Pawe³ Gryboœ, S³awomir Mikrut 5.1. Sprawdzenie optymalnego rozmiaru maski (template) dla ka dego poziomu piramidy Kolejne testy mia³y za zadanie okreœliæ optymalny rozmiar maski (template) dla ka dego poziomu piramidy, poniewa ka dy z nich ró ni siê stopniem generalizacji, co powinno wp³ywaæ na skutecznoœæ dopasowania i wi¹zaæ siê z rozmiarem dopasowywanego wycinka lewego obrazu. Testy zosta³y przeprowadzone na zdjêciach ia i Krakowa. Dopasowywana by³a siatka z³o ona z 6 punktów, o rozmiarze oczka 5 pikseli. Badane by³y obrazy oœmio-, cztero- i dwukrotnie mniejsze od orygina³u. Oprócz skutecznoœci dopasowania w zale noœci od rozmiaru, brana by³a pod uwagê wartoœæ progu, czyli liczba, jaka mog³a byæ przyjêta w algorytmie do automatycznej oceny poprawnoœci dopasowania. Przetestowano rozmiary od 11 11do 51 51. Dla ka dego poziomu piramidy zestawiono dwa wykresy przedstawiaj¹ce zale noœæ skutecznoœci i progu od rozmiaru maski (rys. 6 8). a) 1 9 8 skutecznoœæ [%] 7 6 5 4 3 2 1 b) 1 2 3 4 5 6 1 Rozmiar [pix],9,8,7,6 próg,5,4,3,2,1 1 2 3 4 5 6 Rozmiar [pix] Rys. 6. Wykresy skutecznoœci dopasowania (a) i progu automatycznej oceny poprawnoœci poprawnego dopasowania (b) w funkcji rozmiaru maski (template) dla obrazu oœmiokrotnie mniejszego Objaœnienia w tekœcie
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 99 a) 1 9 8 skutecznoœæ [%] 7 6 5 4 3 2 1 1 2 3 4 5 6 Rozmiar [pix] b) 1,9,8,7,6 próg,5,4,3,2,1 1 2 3 4 5 6 Rozmiar [pix] Rys. 7. Wykresy skutecznoœci dopasowania (a) i progu automatycznej oceny poprawnoœci poprawnego dopasowania (b) w funkcji rozmiaru maski (template) dla obrazu czterokrotnie mniejszego Objaœnienia w tekœcie Na ka dym z wykresów zaznaczony jest lini¹ przerywan¹ przedzia³ reprezentuj¹cy optymalny zakres rozmiaru dopasowywanego okna. Koñcowy zakres jest iloczynem przedzia³ów dla wykresów skutecznoœci dopasowania oraz progu. Wczeœniejsze testy wykaza³y, i optymalny rozmiar maski (template) dla obrazu oryginalnego wynosi 25 pikseli. W przypadku obrazów pomniejszonych (zdegradowanych) wartoœæ optymalnego rozmiaru wzrasta i mo e byæ dobrana z przedzia³u od ponad 3 do ponad 4, œrednio dla wszystkich poziomów piramidy. Dla obrazów najmniejszych, w przedziale 29 51, skutecznoœæ praktycznie siê nie zmienia i jest tak samo wysoka dla obydwu scen.
1 Pawe³ Gryboœ, S³awomir Mikrut a) 1 9 8 skutecznoœæ [%] 7 6 5 4 3 2 1 1 2 3 4 5 6 Rozmiar [pix] b) 1,9,8,7,6 próg,5,4,3,2,1 1 2 3 4 5 6 Rozmiar [pix] Rys. 8. Wykresy skutecznoœci dopasowania (a) i progu automatycznej oceny poprawnoœci dobrego dopasowania (b) w funkcji rozmiaru maski (template) dla obrazu dwukrotnie mniejszego Wynika to z faktu, i degradacja na obrazie ia jest ju tak znaczna, e zredukowany jest wp³yw wysokich budynków i gêstej zabudowy miejskiej na skutecznoœæ dopasowania. Wykres progu przedstawia w jeszcze lepszym œwietle zobrazowanie ia, gdy w zaznaczonym przedziale wartoœæ progu oscyluje w okolicy,6, przy,7 dla Krakowa. Na wy szym poziomie piramidy uwidacznia siê ju wp³yw ró norodnoœci terenów przedstawionych przez testowanie sceny, skutecznoœæ dopasowania dla Krakowa jest wy sza, ale próg jest ni szy dla ia. Optymalny rozmiar maski (template) mieœci siê w przedziale do 3 do 45. Próg w przypadku Krakowa waha siê w pobli u,7, a dla ia jest to wartoœæ od oko³o,6 do nawet,55. Dla obrazów dwukrotnie mniejszych optymalny przedzia³ jest podobny jak dla obrazów czterokrotnie mniejszych. Wzrasta natomiast wartoœæ progu:,7 i
Analiza mo liwoœci wykorzystania funkcji biblioteki OpenCV 1.... 11,8,75. Uwidacznia siê tak e w jeszcze wiêkszym stopniu, ró nica w skutecznoœci dopasowania. Na podstawie tych wyników mo emy okreœliæ optymalne parametry dla algorytmu dopasowania, które pozwol¹ nam jak najlepiej dopasowywaæ punktu pocz¹wszy od najmniejszego obrazu piramidy. 6. Podsumowanie i wnioski W ramach badañ maj¹cych na celu opracowanie systemu do korelacji obrazów, zaimplementowano wybrane funkcje ogólnie dostêpnej (open source) biblioteki OpenCV. Oprogramowano i przetestowano powsta³y system. Wstêpne wyniki badañ ukazuj¹ celnoœæ obranej drogi. Do przetestowania wybrano rzeczywiste obrazy zdjêæ lotniczych z dwóch odmiennych rejonów, tj. ia i Krakowa (ró na skala i tekstura obrazu). W trakcie badañ zosta³ ustalony optymalny rozmiar okna dopasowywanego oraz wartoœæ wspó³czynnika korelacji decyduj¹ca o poprawnoœci dopasowania. Wyniki dopasowania zdjêæ lotniczych s¹ zbli one do wartoœci uzyskiwanych w programach komercyjnych. Równie zastosowanie opcji z wygenerowan¹ wczeœniej siatk¹ punktów przynios³o spodziewane efekty. Dopasowane punkty pokrywaj¹ obszar stereogramu i s¹ rozmieszczone w miarê równomiernie, co jest niezbêdne do wykonania procesu orientacji wzajemnej zdjêæ lotniczych. W pracy dokonano równie badania optymalnego doboru wielkoœci maski (template) do rozmiaru piramidy. Zauwa ono, e wielkoœæ rozmiaru maski wzrasta wraz ze zmniejszaniem siê rozdzielczoœci obrazu. Stwierdzono, e optymalny rozmiar maski mieœci siê w przedziale 3 45. Kolejnym krokiem w planowanych badaniach bêdzie zastosowanie dopasowania obrazów na podstawie ich cech. Literatura [1] Kraus K.: Photogrammetry. Bonn, Dummler 1997 [2] Praca zbiorowa, Manual of Photogrammetry. 5th ed. Bethesda, ASPRS, 24 [3] http://www.intel.com/technology/computing/opencv/ [4] http://opencvlibrary.sourceforge.net/ [5] Chwastek T., Mikrut S.: Prezentacja autorskiego programu automatycznego pomiaru znaczków t³owych na obrazach zdjêæ lotniczych. Olsztyn, Archiwum Fotogrametrii, Kartografii i Teledetekcji 26 [6] Cyganek B.: Komputerowe przetwarzanie obrazów trójwymiarowych. Warszawa, Akademicka Oficyna Wydawnicza EXIT 22 [7] Sawicki P., Ostrowski B.: Badanie wybranych metod matchingu do pomiaru punktów na cyfrowych obrazach bliskiego zasiêgu. Roczniki Geomatyki, t. III, z. 2, 25 [8] Zieliñski J.: Strategia automatyzacji pomiarów na stereogramach cyfrowych z zastosowaniem metod korelacyjnych., Archiwum Fotogrametrii, Kartografii i Teledetekcji 1998